Introduction
L 'avenir de la dermatologie est arrivé : l 'application révolutionnaire du système PASI de Legit.Health : APASI (Automatic Psoriasis Area and Severity Index). À l 'aide d 'algorithmes de vision par ordinateur, les chercheurs ont créé un outil qui traite les images des smartphones et les traduit automatiquement dans le domaine du PASI.
Il est largement reconnu que des mesures de résultats objectives, fiables et précises sont essentielles dans la médecine fondée sur des donn ées probantes. Concernant le psoriasis, le PASI présentant les meilleures propriétés de mesure, il est le plus recommandé pour les essais cliniques. C 'est pourquoi nous avons automatisé le PASI pour aider les patients et les médecins à obtenir de meilleurs résultats en matière de santé.
Origines du PASI
Ce système de notation du psoriasis a été publié pour la première fois en 1978, dans un article de T. Fredericksson et U. Pettersson dans lequel ils étudiaient la validité d 'un nouveau traitement pour la maladie.
Leur formule d 'évaluation de la gravité de la maladie est devenue la référence des dermatologues du monde entier, et elle est encore aujourd 'hui largement utilisée.
Pour calculer le PASI, la somme de la gravité de ces trois changements principaux a été multipliée par la valeur numérique des zones concernées et par les différents pourcentages des quatre zones du corps. Ces valeurs ont ensuite été additionnées pour obtenir le PASI.
Feuille de score PASI du ministère de la Santé de la Colombie-Britannique
Les lacunes du PASI (papier-crayon)
L 'objectif principal du PASI est de fournir un outil permettant de consigner des données de manière précise et cohérente pour les évaluations de routine et les études cliniques. Toutefois, il pose certains problèmes et limites.
Nous avons observé une variation substantielle [des résultats] entre les médecins expérimentés et inexpérimentés qui utilisaient le PASI
En d 'autres termes, il existe une grande variabilité inter-observateurs, qui s 'accentue lorsque l 'on compare des praticiens expérimentés et inexpérimentés.
Outre les variations inter-observateurs, de nombreux médecins ont déclaré que renseigner la fiche imprimée était trop fastidieux et chronophage et qu 'ils ne l 'utilisaient pas vraiment au quotidien.
Voulez-vous voir la technologie IA clinique en action ?
Calculatrices numériques : une solution en demi-teinte
Avec l 'avènement de l 'informatique, plusieurs versions numérisées du système de notation PASI ont été développées, dans le but de réduire le temps perdu en calculs. Ces calculateurs en ligne s 'attaquent, bien qu 'inefficacement, à l 'un des problèmes que pose le PASI traditionnel. Si la formule est calculée automatiquement, le médecin doit encore indiquer la valeur de chaque paramètre.
Par conséquent, le temps et l 'attention du médecin sont encore sollicités, et cela ne résout en rien les multiples problèmes liés au manque d 'objectivité et de reproductibilité du système PASI.
Comment savoir si un système de notation est bon ?
Lorsqu'il s'agit d'évaluations dermatologiques, l'efficacité d'un système de notation est primordiale. Mais qu'est-ce qui fait exactement qu'un système de notation est fiable et utile ? Par consensus scientifique, plusieurs facteurs clés qui contribuent à la robustesse de ces systèmes ont été identifiés. Approfondissons ces éléments fondamentaux :
- Facilité d'utilisation : ce facteur détermine si le système peut être appliqué sans effort, compte tenu des contraintes de temps et de ressources financières. Un système convivial est crucial pour une adoption généralisée dans les milieux cliniques.
- Sensibilité au changement : un système de notation efficace doit être capable de détecter des changements cliniquement significatifs au fil du temps. Cette sensibilité garantit que toute amélioration ou détérioration de l'état d'un patient est saisi avec précision.
- Fiabilité inter-observateurs : vérifie la cohérence entre les résultats obtenus par différents observateurs utilisant le système de notation. Une grande fiabilité inter-observateurs signifie que différents cliniciens arriveront à des conclusions similaires, ce qui renforce la crédibilité du système.
- Variabilité intra-observateur : vérifie la cohérence des résultats, lorsque le même observateur utilise le système de notation plusieurs fois. Une faible variabilité intra-observateur indique que le système fournit des résultats stables au fil des évaluations répétées par le même clinicien.
- Interprétabilité : un système de notation pratique doit fournir des interprétations qualitatives significatives de ses évaluations, par exemple, la catégorisation de la gravité d'une affection comme légère, modérée ou grave.
Ces critères garantissent non seulement l'efficacité du système de notation, mais aussi son applicabilité et sa fiabilité dans divers scénarios cliniques.
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.
APASI est meilleur à six égards
Legit.Health est l 'outil révolutionnaire de communication et de données cliniques pour les dermatologues de la nouvelle génération, qui triple l 'autonomie des patients.
Après 12 mois d 'utilisation de Legit.Health, au cours desquels nous avons analysé l 'applicabilité de l 'outil dans notre hôpital, nous avons tiré des conclusions qui nous permettent de proposer un nouveau paradigme de soins dans le suivi du psoriasis.
L 'objectif des algorithmes d 'apprentissage profond est de soulager les médecins du calcul manuel fastidieux des systèmes de notation, et de permettre la pratique d 'une dermatologie plus objective, fondée sur des données probantes, tout en accélérant le processus de signalement de pathologies et en renforçant l 'autonomie et le contrôle des patients.
Les algorithmes de Legit.Health classent automatiquement les lésions à partir de l 'observation des images des smartphones et des petites mesures de résultats rapportées par les patients (PROM). En d 'autres termes, l 'outil renseigne automatiquement la plupart des systèmes de notation dermatologiques, tels que PASI, SCORAD, UAS, GAGS, et bien d 'autres encore.
Cela signifie que la nouvelle version de ce système de notation extrait des données de manière précise et cohérente, aussi bien lors des évaluations de routine que dans la recherche clinique. L 'amélioration est visible dans le tableau suivant, qui compare les indicateurs de performance de la façon la plus courante d 'utiliser les systèmes de notation :
| Papier-crayon | Numérique | Automatique (IA) | |
|---|---|---|---|
| Auto-supervision | - | - | Établissement diagnostic |
| Facilité d 'utilisation | ≈ 600 secondes | ≈ 420 secondes | ≈ 23 secondes |
| Sensibilité au changement | 0 à 4 | 0 à 4 | 0 à 100 |
| Variabilité inter-observateurs | Moyenne (20 %) | Moyenne (20 %) | Plus faible (8 %) |
| Variabilité intra-observateur | Élevée | Élevée | Zéro |
Tableau 1 : comparaison entre les différentes méthodes de notation de la gravité d 'une maladie. La méthode automatique fondée sur l 'intelligence artificielle obtient de meilleurs résultats pour la plupart des indicateurs de performance.
Grâce aux algorithmes d 'apprentissage profond, Legit.Health libère les médecins du fastidieux calcul manuel des systèmes de notation et permet la pratique d 'une dermatologie fondée sur les preuves plus objective. De plus, en utilisant des algorithmes pour mesurer la sécheresse, la lichénification, l 'érythème, le suintement, l 'œdème et bien d 'autres signes, l 'outil peut calculer les signes visuels de manière plus fiable et plus cohérente.
1. La méthode la plus facile à utiliser et la plus rapide
Alors qu 'un médecin expérimenté peut prendre six à sept minutes pour renseigner la fiche et calculer le score PASI d 'un patient, un médecin inexpérimenté aura besoin de dix minutes. Or, l 'algorithme de Legit.Health, lui, ne prend que 23 secondes, photographie comprise, pour obtenir le score final.
Avantage non négligeable, tant du point de vue de la gestion du temps, qui permet aux médecins de mieux utiliser leur temps avec le patient, que du point de vue clinique. Le fait que de nombreux médecins ne renseignent aucun système de notation, parce qu 'ils considèrent que le processus est trop fastidieux et chronophage et qu 'ils préfèrent estimer à l 'instinct la gravité de la maladie, est incompatible avec l 'idée moderne que l 'on se fait de la pratique d 'une médecine fondée sur des données probantes.
2. L 'APASI aide le médecin à diagnostiquer la maladie
L 'algorithme développé par Legit.Health ne se limite pas à mesurer la gravité, comme le PASI. Il peut également aider à déterminer s 'il s 'agit ou non d 'un psoriasis. L 'APASI a été entraîné grâce aux informations fournies par des dermatologues de renom pour établir une distinction entre des centaines de pathologies, notamment la plupart des types de psoriasis.
Aussi l 'APASI peut-il faire la distinction entre plusieurs types de psoriasis et aider le médecin dans le processus d 'évaluation de la maladie, en l 'accélérant grâce à des informations pertinentes, mais aussi en améliorant de 23 % le taux d 'exactitude du diagnostic.
Voulez-vous voir la technologie IA clinique en action ?
3. L 'APASI peut détecter de petits changements dans l 'évolution de la pathologie
L 'outil de Legit.Health analyse les pathologies à l 'aide d 'un système de notation validé qui présente la DMI (différence minimale importante) la plus basse et qui est sensible au CMD (changement minimal détectable) le plus faible. Ainsi, l 'algorithme analyse chaque image avec plus de précision et d 'attention aux détails qu 'aucun observateur humain.
Dans les essais cliniques, la quantification de la maladie est essentielle pour mesurer l 'efficacité d 'un traitement expérimental en comparant la gravité de la maladie avant le traitement à celle mesurée après le traitement.
En outre, gr âce au fonctionnement intrinsèque des algorithmes de vision par ordinateur, il présente une validité et une fiabilité accrues, tout en conservant des propriétés clinimétriques comparables.
4. Il réduit considérablement la variabilité inter-observateurs
Nos données indiquent que même des investigateurs expérimentés ont eu des difficultés avec le PASI pour évaluer la zone touchée [...], en particulier chez les patients atteints d 'un psoriasis plus grave.
Les résultats expérimentaux montrent que l 'APASI surpasse les méthodes de référence quand il s 'agit de la variabilité inter-observateurs. Elle atteint un pourcentage d 'erreur absolu moyen de seulement 13 %, bien inférieur aux 20 % habituellement observés dans l 'application classique des systèmes de notation traditionnels.
5. Variabilité intra-observateur nulle
La nature algorithmique de l 'APASI élimine complètement, de manière irréfutable, la variabilité intra-observateur, puisque chaque lecture est fiable et cohérente.
Cela permet au médecin de ne pas s 'en remettre à sa mémoire lorsqu 'il évalue la gravité du psoriasis, pour plutôt se concentrer sur l 'analyse des informations contextuelles. En ce sens, les données plus objectives réduisent considérablement le risque d 'erreur de diagnostic. L 'application offre donc un moyen plus objectif et plus précis de suivre l 'évolution de la maladie.
Pour juger de l 'effet d 'un traitement, la variation ponctuelle de l 'évaluation d 'un patient doit être faible
Cette objectivité est particulièrement importante dans les essais cliniques, où la réduction de ce type de variabilité est essentielle pour recueillir les données précises requises dans ce type d 'étude.
6. Des données plus accessibles et plus faciles à lire
Enfin, l 'interface de Legit.Health permet d 'accéder de façon lisible à toutes les informations pertinentes concernant le patient.
Toutes les données dérivées de l 'APASI figurent clairement à l 'écran et montrent la gravité de la pathologie et les différents facteurs pris en compte par l 'algorithme lors de l 'analyse de l 'image et de ses scores.
L 'application propose également un graphique pratique qui montre l 'évolution de la maladie dans le temps et facilite grandement le suivi du processus de guérison et de l 'efficacité du traitement.
Voulez-vous voir la technologie IA clinique en action ?
En conclusion
Révolutionnaire et innovant, l 'APASI représente l 'avenir de la dermatologie. Nous permettons aux médecins d 'accéder au meilleur outil de diagnostic du psoriasis, de pratiquer une médecine fondée sur des données probantes et d 'améliorer leur communication avec les patients.
Grâce à Legit.Health, les médecins du monde entier peuvent améliorer de 23 % leur taux d 'exactitude du diagnostic et rendre le traitement plus facile à suivre pour le patient, qui participe activement à son propre rétablissement.
Il est indéniable que l 'utilisation d 'algorithmes pour estimer la gravité de la maladie représente un avenir prometteur pour la pratique de la dermatologie. Elle contribuera sans aucun doute à faire avancer ce domaine.
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.