{"id":3993,"date":"2020-04-17T20:29:33","date_gmt":"2020-04-17T20:29:33","guid":{"rendered":"https:\/\/wordpress-theme.spider-themes.net\/docly\/docs\/rogan-wordpress-theme-documentation\/content\/footnote\/"},"modified":"2026-01-26T12:27:36","modified_gmt":"2026-01-26T12:27:36","slug":"footnote","status":"publish","type":"docs","link":"https:\/\/sahelib.atatec-design.com\/index.php\/docs\/docly-documentation\/footnotes\/footnote\/","title":{"rendered":"Intelligence artificielle et autres outils num\u00e9riques : apporter \u00e0 la microbiologie et aux maladies infectieuses"},"content":{"rendered":"\n
\n

Points-forts<\/h2>\n\n\n\n

Des perspectives immenses, notamment d’aide au diagnostic, en microbiologie et maladies infectieuses gr\u00e2ce \u00e0 l’utilisation d’un nombre croissant d’algorithmes d’apprentissage automatique (\u00a0Machine Learning<\/em>\u00a0).<\/p>\n\n\n\n

De nombreuses donn\u00e9es utilisables par les approches de ML en microbiologie et maladies infectieuses sont disponibles. La num\u00e9risation, le tri et l’analyse des donn\u00e9es n\u00e9cessitent un savoir-faire et des infrastructures particuli\u00e8res car les donn\u00e9es m\u00e9dicales\/microbiologiques sont volumineuses et h\u00e9t\u00e9rog\u00e8nes, m\u00eame pour un m\u00eame examen r\u00e9alis\u00e9.<\/p>\n\n\n\n

Les algorithmes de\u00a0Machine Learning<\/em>\u00a0sont capables de r\u00e9aliser les t\u00e2ches les plus r\u00e9p\u00e9titives de microbiologie et de m\u00e9decine de mani\u00e8re automatis\u00e9e.<\/p>\n<\/blockquote>\n\n\n\n

Abstrait<\/h2>\n\n\n\n

L’exploitation num\u00e9rique des donn\u00e9es par l’intelligence artificielle, et en particulier par l’apprentissage automatique (AA), conna\u00eet un nombre croissant d’applications dans le domaine de la sant\u00e9, notamment en microbiologie et en infectiologie. Cette revue vise \u00e0 pr\u00e9senter un aper\u00e7u non exhaustif des principales applications des algorithmes d’AA en microbiologie et en infectiologie. Bien que peu d’applications soient actuellement disponibles en pratique courante, les perspectives pour la biologie int\u00e9grative, le diagnostic et l’aide \u00e0 la prescription sont nombreuses.<\/p>\n\n\n\n

Introduction<\/h2>\n\n\n\n

Bien que le concept d’intelligence artificielle (IA) date de 1956, cette derni\u00e8re d\u00e9cennie a effectivement vu une acc\u00e9l\u00e9ration de son d\u00e9veloppement et de son utilisation [1]. L’IA faisant appel \u00e0 un vocabulaire particulier, les termes indiqu\u00e9s par un ast\u00e9risque lors de leur premi\u00e8re occurrence dans le pr\u00e9sent article sont d\u00e9finis dans le Tableau 1. En sant\u00e9, l’utilisation des techniques d’IA* pour l’analyse des donn\u00e9es volumineuses et h\u00e9t\u00e9rog\u00e8nes ( <\/p>\n\n\n\n

big data<\/em> *) coupl\u00e9e \u00e0 la mise en place d’outils de digitalisation*, constitue une r\u00e9volution [2]. Les diff\u00e9rentes approches de l’IA dans les domaines de la sant\u00e9 ont pour objectifs : (i) l’am\u00e9lioration de l’analyse des donn\u00e9es num\u00e9riques de sant\u00e9, (ii) le perfectionnement des techniques diagnostiques, (iii) la r\u00e9duction des co\u00fbts de soins de sant\u00e9 et (iv) l’optimisation du flux de travail* [3,4] (Fig. 1).<\/p>\n\n\n\n

Nous nous int\u00e9resserons ici \u00e0 ses applications en microbiologie et maladies infectieuses. Les donn\u00e9es microbiologiques et cliniques diff\u00e8rent par leur structure, leur nature et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des unit\u00e9s utilis\u00e9es pour un m\u00eame param\u00e8tre selon le site r\u00e9alisant l’analyse. En microbiologie, elles correspondent par exemple \u00e0 des images d’examens microscopiques, de cultures microbiennes, des donn\u00e9es g\u00e9nomiques, transcriptomiques et prot\u00e9omiques, des donn\u00e9es diverses telles que des courbes de PCR et des concentrations minimales inhibitrices (CMI).<\/em> En clinique, elles correspondent \u00e0 des images d’examens radiologiques et des comptes rendus d’hospitalisation, de consultation ou d’examens paracliniques. Ainsi, la \u00ab digitalisation* \u00bb des donn\u00e9es, c’est-\u00e0-dire le processus de transformation des donn\u00e9es dans un format lisible par un ordinateur est une premi\u00e8re \u00e9tape indispensable avant leur utilisation par les techniques d’IA.<\/p>\n\n\n\n

L’IA employ\u00e9e pour l’analyse et l’interpr\u00e9tation des donn\u00e9es microbiologiques se caract\u00e9rise comme le d\u00e9veloppement de programmes informatiques qui utilisent des algorithmes* capables de r\u00e9pondre \u00e0 une probl\u00e9matique bien d\u00e9finie. Un sous-domaine de l’IA particuli\u00e8rement utilis\u00e9 en microbiologie est l’apprentissage automatique (Machine Learning<\/em>, ML*). Il consiste \u00e0 laisser des algorithmes d\u00e9couvrir, \u00e0 l’aide d’un processus appel\u00e9 entra\u00eenement, des motifs r\u00e9currents dans des ensembles de donn\u00e9es. Les algorithmes apprennent et am\u00e9liorent alors de fa\u00e7on autonome leurs performances dans l’ex\u00e9cution d’une t\u00e2che sp\u00e9cifique ou la r\u00e9solution d’une question sp\u00e9cifique. Ces algorithmes d’apprentissage automatique peuvent \u00eatre oppos\u00e9s aux syst\u00e8mes experts qui sont limit\u00e9s \u00e0 des r\u00e8gles strictes. Plusieurs approches de ML peuvent \u00eatre utilis\u00e9es pour r\u00e9pondre \u00e0 des probl\u00e9matiques de classification (pr\u00e9diction d’une cat\u00e9gorie) ou de r\u00e9gression (pr\u00e9diction d’une valeur num\u00e9rique) (Fig. 2) : (i) l’apprentissage supervis\u00e9 qui correspond \u00e0 l’entra\u00eenement d’un algorithme \u00e0 partir de donn\u00e9es pr\u00e9alablement \u00e9tiquet\u00e9es et (ii) l’apprentissage non supervis\u00e9 qui correspond \u00e0 l’entra\u00eenement d’un algorithme \u00e0 partir de donn\u00e9es non \u00e9tiquet\u00e9es qui conduisent \u00e0 la reconnaissance par l’algorithme des structures sous-jacentes aux donn\u00e9es pour les interpr\u00e9ter. Un sous-domaine du ML est l’apprentissage profond (Deep Learning<\/em>, DL*) qui correspond \u00e0 l’utilisation de r\u00e9seaux de neurones artificiels assembl\u00e9s en plusieurs couches. Il existe une grande vari\u00e9t\u00e9 d’architectures de r\u00e9seaux de neurones qui sont adapt\u00e9es pour r\u00e9pondre \u00e0 des probl\u00e9matiques sp\u00e9cifiques. Par exemple, les r\u00e9seaux de neurones \u00e0 convolutions (convolutional neural networks<\/em>, CNN*), dont l’organisation est inspir\u00e9e du cortex visuel des animaux, sont performants pour l’analyse d’images.<\/p>\n\n\n\n

L’objectif de cet article est de pr\u00e9senter une revue des domaines d’utilisation de l’IA en microbiologie et maladies infectieuses et d’en discuter les d\u00e9fis et les perspectives.<\/p>\n\n\n\n

Diagnostic microbiologique<\/h2>\n\n\n\n

Le diagnostic microbiologique des infections repose sur des m\u00e9thodes directes comme l’examen microscopique, la culture et, dans une moindre mesure, les techniques mol\u00e9culaires ainsi que sur des m\u00e9thodes indirectes comme la s\u00e9rologie. L’ensemble des techniques d’IA pr\u00e9sent\u00e9es dans cette revue se concentre sur les m\u00e9thodes directes.<\/p>\n\n\n\n

Diagnostic des maladies infectieuses<\/h2>\n\n\n\n

Une revue r\u00e9cente synth\u00e9tisant les r\u00e9sultats d’une soixantaine de travaux a r\u00e9pertori\u00e9 les applications actuelles de l’IA en maladies infectieuses. Ainsi, l’IA participe \u00e0 l’am\u00e9lioration du diagnostic de l’infection (20\/60 des articles \u00e9tudi\u00e9s), \u00e0 la d\u00e9tection pr\u00e9coce du sepsis (18\/60), \u00e0 la pr\u00e9diction de la r\u00e9ponse au traitement antimicrobien (13\/60) et \u00e0 la r\u00e9sistance aux antibiotiques (4\/60), ainsi qu’au choix d’un r\u00e9gime antibiotique dans 5 % des cas (3\/60) [25].<\/p>\n\n\n\n

La contribution de l’IA a<\/p>\n\n\n\n

Aider \u00e0 la prescription antibiotique<\/h2>\n\n\n\n

Comme d\u00e9crit plus haut, les techniques de ML pourraient aider \u00e0 d\u00e9terminer la probabilit\u00e9 de r\u00e9sistance bact\u00e9rienne et ainsi aider \u00e0 la juste prescription des antibiotiques. Le Tableau 2 pr\u00e9sente les \u00e9tudes \u00e9valuant l’influence de la prescription d’antibiotiques lorsqu’elle est assist\u00e9e par le ML [30], [31], [32], [33], [34], [35], [36], [37]. Ainsi, Yelin et.al<\/em>. ont montr\u00e9 qu’il \u00e9tait possible de d\u00e9terminer une probabilit\u00e9 de r\u00e9sistance aux antibiotiques dans les infections urinaires<\/p>\n\n\n\n

Conclusion et perspectives<\/h2>\n\n\n\n

Ces derni\u00e8res ann\u00e9es un nombre croissant de travaux portant sur les applications d’algorithmes de ML en sant\u00e9, et plus particuli\u00e8rement en microbiologie et en maladies infectieuses ont vu le jour. N\u00e9anmoins ces techniques restent encore peu utilis\u00e9es en pratique quotidienne du fait de certaines limites et enjeux li\u00e9s \u00e0 leur utilisation, autant techniques qu\u2019\u00e9thiques : <\/p>\n\n\n\n