Adapté de "Methods and definitions to rate the quality of outcome measures". Schmitt, J., Langan, S., Deckert, S., Svensson, A., von Kobyletzki, L., Thomas, K., et Spuls, P. (2013). Assessment of clinical signs of atopic dermatitis: A systematic review and recommendation. Journal of Allergy and Clinical Immunology, 132(6), 1337--1347. doi:10.1016/j.jaci.2013.07.008.

Comment pouvez-vous créer un nouveau système de notation ?​

Le développement d 'un nouveau système de notation dermatologique est une entreprise complexe, mais gratifiante. En suivant ces étapes clés et en intégrant des technologies de pointe, les scientifiques peuvent contribuer de manière significative au domaine de la dermatologie, en améliorant le diagnostic et les résultats des traitements.

Voici une liste d 'étapes à suivre pour créer un système de notation :

1. Identification d 'un besoin​

La première étape consiste à identifier un besoin. Vous pouvez rechercher des cas où la détermination de la gravité d 'une pathologie présente un degré élevé de subjectivité. Vous pouvez également chercher à automatiser les systèmes de notation qui sont très fastidieux à renseigner. Plus important encore, il est utile de rechercher les situations où les patients souffrent d 'un manque d 'accès à un spécialiste capable de mesurer la gravité de leur pathologie.

Tous ces cas de figure constituent une possibilité d 'innovation. C 'est ce qu 'exprime parfaitement le professeur Ramón Grimalt, qui explique les motivations qui l 'ont conduit, avec ses collaborateurs, à créer un nouveau système de notation pour la dermatite :

Grâce à ce projet, il a été possible de créer, pour la première fois dans l 'histoire, un système d 'intelligence artificielle qui s 'occupe de cette tâche. Nous sommes très satisfaits des résultats qui rendront possibles des essais cliniques et des diagnostics plus précis.

Avant même d 'entamer le processus de développement d 'un nouveau système de notation, les chercheurs de Legit.Health s 'assurent qu 'ils répondent à un besoin réel. Avant tout projet de recherche, il est fondamental de se tenir au courant des avancées en dermatologie et d 'étudier de manière approfondie la littérature pertinente.

2. Sélection de l 'ensemble de données​

Comme c 'est souvent le cas en sciences médicales, l 'un des principaux problèmes auxquels nos chercheurs sont confrontés est la sélection d 'un ensemble de données optimal. Pour le faire correctement, il convient d 'envisager certains éléments cruciaux :

Collaborer avec des experts​

La collaboration avec les dermatologues et d 'autres experts est essentielle. Leurs observations permettent d 'adapter le système aux besoins réels. En même temps, rassembler un ensemble de données exhaustif couvrant un large éventail de cas et de variations au sein du spectre de la maladie. Cet ensemble de données constituera la base du système de notation.

Établir des protocoles d 'annotation et d 'évaluation​

Élaborer des recommandations claires pour l 'annotation et l 'évaluation des lésions ou d 'autres caractéristiques dermatologiques. Il peut s 'agir de critères détaillés concernant le nombre de lésions, leur taille, leur couleur ou d 'autres facteurs pertinents. La cohérence de ces étapes initiales est primordiale pour la fiabilité du système.

Par rapport à la quantité d 'images, en règle générale, plus nous voulons inclure de paramètres dans le nouveau système de notation, plus nous devons avoir d 'images dans l 'ensemble de données. Mais bien sûr, plus il y a d 'images, mieux c 'est.

Une astuce qui peut vous aider à optimiser l 'utilisation de l 'ensemble de données est de commencer à utiliser les images progressivement, en recherchant le moment où les résultats se stabilisent. Ainsi, vous décidez de la taille de l 'ensemble de données, à mesure que vous le rassemblez, pour ne pas en manquer ou en utiliser trop.

3. Construction d 'un modèle​

Cette étape est difficile à décrire dans cet article, mais vous trouverez ci-dessous une publication scientifique dans laquelle nous expliquons en détail comment nous avons formé un modèle pour l 'hidradénite suppurée.

Sélectionner les signes cliniques les plus significatifs​

Tous les systèmes de notation s 'intéressent aux signes cliniques. Toutefois, ils ne contribuent pas tous de la même manière à la pathologie du patient. C 'est pourquoi une étape clé dans l 'élaboration d 'un modèle consiste à sélectionner les signes cliniques les plus pertinents et à rechercher la combinaison optimale.

Souvent, pour chaque pathologie, vous pouvez trouver plusieurs systèmes de notation préexistants, chacun présentant des forces et des faiblesses. C 'est en les analysant que l 'on peut déterminer quels sont les paramètres les plus importants pour la pathologie.

Par exemple, dans le cas de l 'acné, la littérature suggère qu 'outre le nombre de lésions (un paramètre qui apparaît dans tous les autres systèmes de notation), leur **densité **est considérée comme un signe très important d 'une affection grave.

Les paramètres sélectionnés seront ensuite mesurés et identifiés dans une série de tableaux cliniques par des médecins spécialisés qui vous assistent dans ce processus. Ces valeurs seront comparées à celles du système de notation de référence pour le même ensemble d 'images.

Cela permet aux chercheurs d 'établir une corrélation entre les valeurs de la méthode existante et les variables nouvellement définies.

4. Optimisation du modèle​

Une fois que les chercheurs ont défini tous les paramètres, il est temps de créer une équation qui les combine tous pour représenter au mieux la gravité des différentes images cliniques utilisées dans l 'étude.

Il s 'agit d 'un problème d 'optimisation, un terme mathématique qui décrit le processus de recherche de la meilleure solution possible à un problème spécifique : dans ce cas, comment représenter la gravité d 'une maladie.

Sans trop entrer dans les détails mathématiques du processus, différentes combinaisons d 'opérations sont testées sur les paramètres :**addition, soustraction ou multiplication, pour obtenir une valeur combinée unique qui représente la gravité **de la pathologie.

Ensuite, les résultats de chacune des équations proposées pour chaque image de l 'ensemble sont comparés aux résultats donnés par la référence sélectionnée, en recherchant la meilleure corrélation possible avec les problèmes déjà existants.

5. Preuve de fonctionnement​

La validation est essentielle. Le système doit être testé par rapport à la variabilité inter-observateurs et intra-observateur. Vous devez utiliser des mesures statistiques, telles que le score F1, l 'erreur absolue moyenne (MAE) et l 'alpha de Krippendorff pour évaluer la fiabilité et la précision du système. Cette étape peut nécessiter plusieurs itérations, afin d 'affiner le système.

Pour ce faire, nous employons un sous-ensemble d 'images cliniques qui n 'ont pas été utilisées pour optimiser ou entraîner le modèle lors des étapes précédentes. Après tout, votre équation a été créée pour fonctionner parfaitement lorsqu 'elle est testée avec ces images. Pour démontrer qu 'elle peut fonctionner avec n 'importe quelle photographie de la pathologie, nous devons donc la tester avec de nouvelles images.

Pour faire simple, nos chercheurs travaillent en étroite collaboration avec des spécialistes pour étiqueter les images en utilisant à la fois la méthode de référence et le nouveau modèle développé. Ils comparent les résultats pour voir si le nouveau modèle est plus performant que l 'original et s 'il trouve toujours une corrélation avec ce dernier.

6. Mise en pratique dans un environnement clinique​

Enfin, le modèle est placé au premier plan de l 'expérimentation médicale et comparé aux résultats des dermatologues qui observent la même pathologie dans la pratique clinique.

Le suivi permanent et le retour d 'information de la part des utilisateurs fournissent des informations précieuses pour l 'amélioration continue. Le système doit évoluer en fonction des progrès des connaissances et des technologies en matière de dermatologie.

Cette étape est essentielle pour garantir que la méthode puisse s 'adapter à la réalité de la pratique quotidienne de la médecine, car un bon système de notation fiable est plus objectif et moins sujet aux erreurs que l 'examen clinique, mais il doit aussi être rapide et ne pas surcharger de travail les médecins.

C 'est pourquoi, chez Legit.Health, nous associons nos systèmes de notation à des algorithmes de vision par ordinateur, afin de mettre la rapidité et la précision de l 'intelligence artificielle entre les mains des médecins, et de les aider à aider leurs patients.

Essai gratuit​

This free 23-day trial of Legit.Health gives clinics and hospitals a hands-on look at how to drive increased adherence and improve patient outcomes, as well as improving efficiency and overall quality of life.