L’infarctus cérébral (IC) est une urgence immédiate dont le diagnostic est confronté à la difficulté de la permanence des soins par les neurologues spécialisés. Strokecopilot, un logiciel pour assister les décisions de reperfusion dans l’infarctus cérébral, vient de démontrer son intérêt potentiel.

La médecine digitale se développe en neurologie. Il s’agit d’utiliser les technologies du numérique pour améliorer la prise en charge des maladies. On parle parfois d’e-santé ou de santé 2.0. L’usage des technologies du numérique prend alors la forme d’une application mobile ou web, dont l’utilisateur principal est classiquement un patient. Ce dernier peut alors accéder à des informations validées sur sa maladie ou fournir à son médecin des éléments de télésuivi tel qu’un journal de symptômes ou des données d’objets connectés pour surveiller certains marqueurs physiologiques. Par exemple, l’application MSCopilot permet aux patients atteints de sclérose en plaques (SEP) d’effectuer une batterie de tests fonctionnels régulièrement entre deux consultations (Maillart et al., 2020). Les résultats sont enregistrés dans l’application pour être résumées au neurologue lors de la consultation. Ces données constituent des « biomarqueurs digitaux » qui peuvent potentiellement améliorer la surveillance de la maladie ou se substituer à des évaluations classiques mais plus longues ou onéreuses. Plus rarement, l’utilisateur principal est le médecin. Il s’agit alors typiquement de logiciels d’aide à la décision. Nous venons de publier une preuve de concept fonctionnelle d’un tel logiciel pour assister les décisions de reperfusion dans l’infarctus cérébral en se basant sur la littérature : Strokecopilot (Demuth et al., 2023).

L’infarctus cérébral (IC) est une urgence immédiate. Les neurologues doivent rapidement évaluer l’indication ou non des deux traitements de reperfusion quelque soient les spécificités du cas : la thrombolyse intra-veineuse (TIV) et la thrombectomie (TM) par traitement endovasculaire. Toutefois, la forte incidence des IC (GBD 2019 Stroke Collaborators, 2021) requiert la participations de neurologues dans la permanence de soin dont le niveau d’expertise neurovasculaire est varié. Or, les pratiques évoluent rapidement puisque de nouvelles recommandations et de nouveaux essais cliniques sont régulièrement publiés. Ainsi, les indications tendent à se détacher de la fenêtre thérapeutique standard des 4h30 au profit de biomarqueurs de l’avancement de la lésion ischémique (ex : la zone de pénombre ou le missmatch diffusion-FLAIR). Par conséquent, la prise en charge des IC à la phase aiguë se personnalise, appelant à une approche de médecine de précision, tout en devant faire face à un nombre limité de neurologues avec un haut niveau d’expertise. Nous avons proposé d’adresser cette problématique avec un logiciel d’aide à la décision. Le projet Strokecopilot consiste à développer une application web pour le neurologue pouvant être utilisée à la volée durant la prise en charge d’un patient souffrant d’un IC confirmé par l’imagerie cérébrale.

Méthodes

Conceptuellement, il s’agit d’assister le raisonnement de médecine fondée sur les preuves du neurologue en situant le cas du patient dans les principales recommandations et essais cliniques du domaine. Concrètement, à partir de la description du cas, l’application indique s’il entre dans le cadre des dernières recommandations, dans celui des essais cliniques ou s’il est en dehors de ces références. Dans le dernier cas de figure, l’application devait expliquer au neurologue les caractéristiques du patient contre-indiquant la reperfusion.

Pour réaliser cela, nous avons extrait les caractéristiques des populations incluses dans les recommandations et les essais cliniques de phase 3 à partir des critères d’inclusion des études. On parle de « populations de référence ». Leurs descriptions ont été harmonisée dans une base de données par adjudication et traitement informatique. L’interface de l’application a été conçue comme un aide-mémoire pour le neurologue, reprenant les éléments décisionnels dans l’ordre du recueil en pratique clinique. Elle permet également de saisir des substituts couramment utilisés en pratique tels que les flux lents en FLAIR dépassant le cœur ischémique visible en diffusion pour évaluer la présence d’une pénombre. Lors d’une analyse, l’algorithme vérifie pour chaque caractéristique du patient les populations de référence comprenant ce cas de figure. Le résultat de l’ensemble des comparaisons est intégré pour donner un résultat final. Cette intégration se fait de manière à pouvoir expliquer la ou les caractéristiques contre-indiquant une reperfusion.

Résultats

Nous avons extrait 25 populations de référence à partir de 17 publications entre 2015 et 2023. Plusieurs populations de référence ont par exemple été extraites des recommandations selon qu’elles se prononçaient sur des cas de figure de fenêtre thérapeutique classique ou étendue ou à l’IC de réveil dans une même publication. Le prototype de l’application web est accessible depuis le site https://www.digitalneurology.net. L’interface graphique permet de saisir les données du patient dans un formulaire dé-identifié sur la gauche. Après une analyse, les populations de référence correspondant au cas sont listées sur la droite. Les sections du formulaire sont colorées selon qu’elles soient associées à une contre-indication ou non. Les contre-indications sont également listées textuellement. Enfin, une méta-analyse des critères de jugement d’efficacité, de sécurité et de mortalité des populations de références correspondants au cas est affichée en haut de l’interface. L’architecture modulaire de l’application permet de la mettre à jour avec de nouvelles populations de référence en chargeant une nouvelle version de la base de données.

Discussion

Strokecopilot montre que contextualiser le cas d’un patient dans les principales références littéraires est techniquement possible. Il y a également une démarche d’explicabilité en cas de contre-indication fondée sur la transparence du fonctionnement de l’algorithme, tandis que les approches classiques d’intelligence artificielle sont opaques pour l’utilisateur (phénomène de « boîte noire »). L’effort fait pour concilier la description des populations de référence d’une manière traitable par ordinateur et la saisie des données calquée sur la pratique clinique s’inscrit dans une démarche « d’intelligence augmentée » plutôt que « d’intelligence artificielle ». Enfin, l’application peut être mise à jour à mesure que la littérature évolue, ce qui ne pourrait pas être le cas si les règles de prise de décision étaient codées « en dur » dans l’algorithme.

Les autres logiciels d’aide à la décision en neurovasculaire comme RapidAI et Brainomix e-stroke systems se focalisent sur le post-traitement d’images en proposant des volumétries automatisées (Bivard et al., 2020; Nagenthiraja et al., 2013). L’approche algorithmique de Strokecopilot est plus clinique et correspond plutôt à celle de logiciels de pré-screening de patients incluables dans les études cliniques à partir de dossiers patients informatisés (Alexander et al., 2022). Elle se distingue également des systèmes experts qui implémentent les arbres décisionnels d’un ou plusieurs experts dans des algorithmes basés sur des règles logiques, ce qui contraint l’utilisateur à adopter ce raisonnement (Buchanan and Shortliffe, 1984). Au lieu de cela, Strokecopilot se contente de sélectionner et de visualiser les références littéraires correspondant au cas. La décision finale de poser une indication de reperfusion revient à l’utilisateur. Il y a des limitations techniques et cliniques. Par exemple, il n’assiste pas l’orientation pré-hospitalière du patient (modèles du « drip-and-ship » ou « mothership »). La précision de l’aide à la décision est limité à la granularité de populations d’étude. Un accès à des données individuelles permettrait une plus grande précision.

Malgré le fait que Strokecopilot ne soit pas alimenté par des données individuelles, son déploiement comme application web montre notre conception de médecine digitale dans un contexte émergeant de « Big Data » (Shilo et al., 2020), où la connaissance collective a le potentiel d’être accédée et naviguée à la volée pour assister des décision clinique si tant est que les médecins disposent d’outils adaptés. Ce contexte de « Big Data » implique des flux de données continus, requérant les logiciels d’aide à la décision d’apprendre continuellement pour rester à jour. L’intégration de tels outil dynamiques dans les pratiques constituerait une étape vers le concept de système de santé apprenant (Deans et al., 2018).  

Conclusion

Strokecopilot est un logiciel d’aide à la décision basé sur la littérature du traitement de l’IC à la phase aiguë. Son prototype fait plusieurs preuves de concept : un usage clinique des technologies du numérique, d’une approche d’intelligence augmentée et d’un outil dynamique pouvant être mis à jour à mesure que la littérature du domaine évolue.

Références

Alexander, N.V.J., Brunette, C.A., Guardino, E.T., Yi, T., Kerman, B.J., MacIsaac, K., Harris, E.J., Antwi, A.A., Vassy, J.L., 2022. Performance of EHR classifiers for patient eligibility in a clinical trial of precision screening. Contemp Clin Trials 121, 106926. https://doi.org/10.1016/j.cct.2022.106926

Bivard, A., Churilov, L., Parsons, M., 2020. Artificial intelligence for decision support in acute stroke - current roles and potential. Nat Rev Neurol 16, 575–585. https://doi.org/10.1038/s41582-020-0390-y

Buchanan, B.G., Shortliffe, E.H. (Eds.), 1984. Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project, The Addison-Wesley series in artificial intelligence. Addison-Wesley, Reading, Mass.

Deans, K.J., Sabihi, S., Forrest, C.B., 2018. Learning health systems. Semin Pediatr Surg 27, 375–378. https://doi.org/10.1053/j.sempedsurg.2018.10.005

Demuth, S., Müller, J., Quenardelle, V., Lauer, V., Gheoca, R., Trzeciak, M., Pierre-Paul, I., De Sèze, J., Gourraud, P.-A., Wolff, V., 2023. Strokecopilot: a literature-based clinical decision support system for acute ischemic stroke treatment. J Neurol. https://doi.org/10.1007/s00415-023-11979-6

GBD 2019 Stroke Collaborators, 2021. Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet Neurol 20, 795–820. https://doi.org/10.1016/S1474-4422(21)00252-0

Maillart, E., Labauge, P., Cohen, M., Maarouf, A., Vukusic, S., Donzé, C., Gallien, P., De Sèze, J., Bourre, B., Moreau, T., Louapre, C., Mayran, P., Bieuvelet, S., Vallée, M., Bertillot, F., Klaeylé, L., Argoud, A.-L., Zinaï, S., Tourbah, A., 2020. MSCopilot, a new multiple sclerosis self-assessment digital solution: results of a comparative study versus standard tests. Eur J Neurol 27, 429–436. https://doi.org/10.1111/ene.14091

Nagenthiraja, K., Walcott, B.P., Hansen, M.B., Ostergaard, L., Mouridsen, K., 2013. Automated decision-support system for prediction of treatment responders in acute ischemic stroke. Front Neurol 4, 140. https://doi.org/10.3389/fneur.2013.00140

Shilo, S., Rossman, H., Segal, E., 2020. Axes of a revolution: challenges and promises of big data in healthcare. Nat Med 26, 29–38. https://doi.org/10.1038/s41591-019-0727-5