Comment l'intelligence artificielle pourrait permettre d'économiser des tests de détection d'anticorps potentiellement mortels

Sept tests de coagulation, en moyenne, pour aboutir finalement à une réponse : négatif. C'est ce qui s'est passé dans la grande majorité des 7 454 investigations que nous avons examinées pour la détection de l'anticoagulant lupique. En fait, près de 90 % d'entre elles se sont terminées sans la détection du résultat que nous recherchions. Ce chiffre nous a amenés à nous arrêter et à nous demander : est-il vraiment nécessaire d'effectuer toute la série de tests presque à chaque fois ? Et si l'on pouvait utiliser les informations déjà obtenues au début de l'investigation pour identifier à l'avance les échantillons qui ont de très fortes chances de s'avérer négatifs ?

Avant de parvenir à une réponse, il faut comprendre ce que l'on recherche. L'anticoagulant lupique est une partie importante de l'investigation en laboratoire du syndrome des antiphospholipides (SAPL). L'investigation est destinée à identifier l'effet caractéristique des auto-anticorps sur le système de coagulation. Le syndrome des antiphospholipides est une maladie auto-immune dans laquelle le système immunitaire produit des auto-anticorps contre les phospholipides, qui sont des composants importants des membranes cellulaires de notre corps. Ces anticorps peuvent perturber l'activité normale du système de coagulation. Chez certains patients, le résultat peut être une tendance accrue à la formation de caillots sanguins, ce qui peut provoquer une thrombose veineuse, une embolie pulmonaire ou un accident vasculaire cérébral. Chez les femmes, le syndrome peut également être associé à des fausses couches à répétition et à des complications de la grossesse, notamment la prééclampsie.

Le problème est qu'il n'existe pas de test unique qui fournisse immédiatement une réponse simple et claire. Contrairement à de nombreux tests sanguins, où une mesure est effectuée et un résultat obtenu, une investigation pour l'anticoagulant lupique nécessite généralement une série de tests de coagulation. Parfois, il est également nécessaire d'effectuer des tests répétés et diverses combinaisons entre eux. Tout cela nécessite du temps, du matériel dédié et un personnel de laboratoire qualifié. Même après que tous les tests sont terminés, l'interprétation finale peut être complexe. Pendant ce temps, le temps d'attente pour le résultat augmente, et les coûts directs et indirects de la réalisation d'un panel complet pour chaque sujet augmentent.

Chercher moins, savoir plus

C'est à partir de là que nous avons entrepris une étude menée au laboratoire d'hématologie du Centre médical Sourasky de Tel-Aviv (Ichilov). J'ai dirigé l'étude avec le Dr Chen Hermesh, directrice de l'unité de tests de coagulation, et en collaboration avec Yaniv Alon et le professeur Mor Saban de l'Université de Tel-Aviv. L'étude était basée sur 7 454 investigations sur l'anticoagulant lupique collectées sur plusieurs années à l'hôpital. Lorsque nous avons examiné les résultats, il s'est avéré que près de 90 % des investigations se sont soldées par un résultat négatif. En d'autres termes, dans la grande majorité des cas, un processus de laboratoire complexe a été effectué, comprenant en moyenne environ sept tests de coagulation différents, jusqu'à ce qu'il s'avère que l'anticoagulant lupique n'était pas présent.

C'est à ce moment-là que la question pratique est devenue le centre de l'étude : est-il possible d'identifier une grande partie des cas négatifs avant même d'avoir terminé toute la série de tests ? Pour trouver une réponse, nous n'avons pas cherché un nouvel appareil ou un nouveau test, mais nous avons réexaminé les informations que nous avions déjà entre les mains. Nous avons constaté qu'un signe important est caché dans deux versions d'un test de coagulation déjà utilisé en routine au laboratoire. Les deux tests mesurent le temps de coagulation, mais le font dans des conditions différentes. La différence entre eux réside dans la quantité de phospholipides — ces mêmes composants gras qui jouent un rôle central dans le processus de coagulation et qui sont une cible pour les anticorps pathologiques.

L'empreinte digitale de l'échantillon

C'est ici que l'intelligence artificielle est entrée en jeu. À l'aide d'un modèle d'intelligence artificielle, nous avons constaté que le rapport entre les résultats des deux tests reflète bien le degré d'influence des anticorps pathologiques sur les réactions de coagulation qui dépendent des phospholipides. En termes simples, dans les deux tests de coagulation initiaux, une sorte d'« empreinte digitale » de la réaction de l'échantillon aux phospholipides était cachée. Le modèle a aidé à identifier cette empreinte digitale et à l'utiliser comme couche de dépistage précoce, avant même d'effectuer le panel complet.

L'objectif n'était pas d'annuler les tests existants, ni de déterminer à l'aide du modèle seul qui est positif. L'objectif était beaucoup plus ciblé et prudent : identifier les échantillons où la probabilité d'un résultat négatif est très élevée. Les résultats ont été encourageants. Lorsque le système a classé un échantillon comme ayant une forte probabilité d'être négatif, la prédiction était correcte dans environ 98 % des cas. Mais ce chiffre ne signifie pas que chaque échantillon peut être arrêté à un stade précoce. Au contraire : chaque cas qui n'est pas identifié avec une grande confiance comme négatif continue de subir tout l'éventail de tests accepté. Cela se produit aussi bien lorsque l'échantillon est suspecté d'être positif que lorsque le résultat n'est pas clair.

Par conséquent, l'intelligence artificielle ne remplace pas ici le jugement médical et n'annule pas les tests existants. Son rôle est d'aider à identifier les cas où la chance de trouver un anticoagulant lupique est très faible, et ainsi de permettre la réduction des tests inutiles sans renoncer à l'investigation complète dans les cas qui le nécessitent. Si l'approche fait ses preuves à l'avenir, elle pourrait avoir une grande importance pratique dans le travail des laboratoires. Elle peut réduire le nombre de tests complexes, raccourcir les temps d'attente et libérer de la main-d'œuvre et des ressources pour les échantillons qui nécessitent une investigation plus approfondie.

L'étude illustre également une autre façon de penser à l'intégration de l'intelligence artificielle dans la médecine. Il n'est pas toujours nécessaire de commencer avec de nouveaux équipements coûteux. Parfois, il est possible de trouver une nouvelle valeur précisément dans les résultats des tests de routine qui sont déjà effectués de toute façon, et d'utiliser les informations existantes de manière plus intelligente et plus efficace. La prochaine étape sera de tester l'approche dans d'autres laboratoires et dans différents systèmes de test, en vue de sa mise en œuvre dans le travail de routine.

L'article est basé sur une étude publiée dans la revue Digital Medicine du groupe Nature. L'auteur est le Dr Bentzi Katz, directeur du laboratoire d'hématologie du centre médical Ichilov. Irena Shalev, Tania Badelbayev, le Dr Varda Deutsch, le Dr Yifat Alkalay, le Dr Ilya Kirzhner et le Dr Roi Gat ont également participé à l'étude, qui a été menée avec l'aide du professeur Irit Avivi et de Chilik Avivi.