LA CONSULTATION ONCOGÉNÉTIQUE : ENJEUX, CIRCUIT ET RÉSULTATS

Accompagnant la demande grandissante de la société que “le risque ne doit pas survenir”, les progrès techniques et humains ont conduit le médecin à évoluer d’une logique de prévention des complications d’une pathologie à un système privilégiant aussi un principe de précaution. Il ne suffit plus de prévenir les risques quantifiables et objectivables du soin –et donc accessibles à une prévention–, mais aussi de prendre en charge des risques subjectifs, non quantifiables, en une précaution érigée en principe.  Avec une médecine devenue de plus en plus complexe, la meilleure reconnaissance de l’importance des facteurs humains mis en jeu lors du processus de soin, en association avec l’apparition de nouvelles techniques numériques nées du développement des algorithmes (« intelligence » artificielle) laisse espérer une évolution de notre système de santé dans le sens d’une meilleure efficience des soins. La chirurgie, au sein des pratiques médicales, de par son histoire et son aspect immédiatement pratique est le siège d’une particulière adaptation de ces avancées pour les patients (1). 

Risque et médecine

En médecine, les choix effectués aux plans diagnostiques et thérapeutiques incorporent « naturellement » l’estimation de la balance bénéfice-risque, même si le second terme tend parfois à supplanter (ou occulter) la compréhension du premier.  Le risque se définit comme l’éventualité d’un événement futur, incertain ou d’un terme indéterminé, ne dépendant pas exclusivement de la volonté des parties et pouvant causer la perte d’un objet ou tout autre dommage. Largement utilisée en médecine, cette définition est différente de celle qui est normalisée dans le domaine des assurances, du commerce et de l’économie, où le risque représente la probabilité de l’occurrence d’un dommage multiplié par sa gravité). Si on préfère une définition plus générale, ne faisant intervenir ni évaluation monétaire et ni produit arithmétique, le risque correspond à la conjonction de la probabilité et des dommages pouvant être causés par un événement redouté.

La décision médicale repose sur un calcul faisant intervenir trois ordres de probabilités : celle des risques de la maladie, celle des effets bénéfiques escomptés des soins, mais aussi celle des effets indésirables liés à l’administration des soins. Il ne s’agit donc pas simplement d’analyser le bénéfice d’une action donnée et de son risque, mais d’estimer le bénéfice et le risque d’une action comparés à l’analyse du bénéfice et du risque de ne pas effectuer cette action, tout en considérant aussi l’évolution propre de la maladie. 

Les risques induits par l’exécution des soins (ou évènements indésirables) peuvent être classés en fonction du contexte en «inacceptables, tolérables et négligeables». D’une manière plus générale les risques peuvent être définis sur une matrice à deux dimensions avec en abscisse la probabilité présumée de l’accident et en ordonnée les dommages estimables qu’il peut produire. Au-dessous de l’horizontale de probabilité 10–9, soit un risque inférieur à un milliardième, la notion de risque n’a plus de sens car il devient non évaluable. Les enquêtes françaises ENEIS de 2005 et 2009 montraient que les événements indésirables associés aux soins (EIAS) sont fréquents. Ces études mettent en évidence une fréquence stable d’environ 1 événement indésirable grave (EIG) tous les 5 jours par secteur de 30 lits, et 4,5% des séjours en établissement de santé causés par un EIAS. Une enquête menée en 2011 estimait à 700 millions d’euros, le coût des EIAS en France en 2007. Aux Etats-Unis, les erreurs médicales sont maintenant considérées comme la troisième grande cause de mortalité, après la mortalité d’origine cardiovasculaire et juste après celle liée aux cancers, avec en 2013 plus de 250.000 morts par an (2).

Particularité de la chirurgie

A la différence de nombreuses disciplines médicales, la chirurgie est un métier où l’acte manuel accompagne et complète la réflexion intellectuelle. En effet, une opération chirurgicale est un acte médical qui consiste le plus souvent à extraire une structure ou à atteindre un organe à traiter après incision sur un patient anesthésié en milieu stérile. Les interventions chirurgicales servent en général à réparer un traumatisme grave (fracture grave, hémorragie…), à soigner une infection, extraire une structure pathologique (cancer), libérer un organe compressé (occlusion intestinale) ou encore à corriger une malformation ou une caractéristique physique considérée comme un défaut handicapant par le patient. Dès lors, la formation au métier de chirurgien requiert un enseignement technique nécessaire à l’accomplissement des interventions chirurgicales. La chirurgie est l’un des principaux traitements des cancers, intervenant dans la prise en charge d’environ huit patients sur dix, associée ou non à d’autres approches comme la chimiothérapie, et/ou la radiothérapie. Le traitement chirurgical d’un cancer consiste à retirer la tumeur ainsi qu’une marge de tissu sain l’entourant et les ganglions lymphatiques avoisinants (« tumorectomie »). Dans certains cas, l’ablation de la tumeur ne peut se faire sans retirer une partie significative d’un organe, avec des conséquences fonctionnelles parfois notables. La mastectomie correspond à l’ablation d’un sein, la prostatectomie à celle de la prostate, la colectomie à celle d’une partie du côlon. Les progrès réalisés dans certaines techniques chirurgicales lors des 50 dernières années ont permis d’améliorer les résultats en diminuant l’impact du traumatisme subi par le patient. Par exemple, le développement de la chirurgie minimale invasive, c’est-à-dire l’ablation de certains organes malades au travers de petites cicatrices, a permis de réduire les douleurs postopératoires, les complications postopératoires, les durées d’hospitalisation et la période de rétablissement.

Risque chirurgie

Néanmoins, l’intervention chirurgicale reste un acte risqué nécessitant des coordinations interprofessionnelles avant, pendant et après, et de ce fait profondément vulnérable aux complications et aux évènements indésirables de tout ordre. En effet, la majorité des études françaises ou internationales confirment que le risque moyen d’évènement indésirable grave survenant pendant un séjour hospitalier en chirurgie est situé entre 3 à 10% ; 2 à 10 % de ces évènements sont mortels et 35 à 50% sont reconnus comme potentiellement évitables. L’ampleur de ces chiffres reste à comparer à ceux des industries sûres. De fait, cette incidence d’une mortalité chirurgicale globale de 1 à 2% pour un acte programmé (hors urgence) (3) est en général psychologiquement et socialement sous-estimée et de fait très inférieure à l’incidence de 1 pour 100.000 à 1 pour 1 million des systèmes hautement sécurisés comme les industries nucléaires ou aéronautiques.

Une étude anglaise dont l’objectif était de comprendre ce qui distinguait les trois « meilleurs » hôpitaux des trois « moins bons » a observé la mortalité après des interventions considérées comme simples comme la cholécystectomie ou encore la prothèse de hanche. Comme attendu, la mortalité était supérieure dans les centres considérés comme « moins bons ». En revanche, en montrant que l’observance des protocoles et que le taux de complications postopératoires étaient comparables dans tous les centres, ce travail suggère que la différence de mortalité s’explique par l’incapacité d’une équipe à prendre en charge une complication. Cette nouvelle variable qui s’appelle dans la littérature médicale « Failure to Rescue » est évidemment multifactorielle et implique toute l’équipe, de l’aide soignante et l’infirmière qui sont au chevet du patient et collectent les constantes, du radiologue qui prévient le chirurgien d’une anomalie au scanner, du chirurgien qui décide ou non de réopérer un patient qui développe une complication.

L’exercice de la médecine n’est pas uniquement un travail technique et impose de comprendre les éléments subjectifs et humains impactant la qualité des soins et s’attacher aussi sur les aspects techniques de la réalisation du processus de soin.  D’après le chirurgien de Harvard Atul Gawande, les problèmes encore difficilement maitrisables en médecine concernent les échecs dus à une ignorance scientifique, un manque de connaissance –et dont l’incidence est en nette baisse– mais surtout les incapacités à utiliser nos connaissances (inaptitude). Les innovations médicales doivent maintenant nous aider à mieux maitriser les progrès de la technique, c’est-à-dire avoir le pouvoir précisément de mieux comprendre la façon que nous avons d’utiliser les techniques à notre disposition. 

L’aéronautique pour modèle ?

Le transport aérien offre de ce point de vue une comparaison édifiante avec la médecine : le risque d’accident aérien en aviation de ligne est – depuis plus de 20 ans – inférieur à 1 pour 1 million de ‘mouvements aéroport’ (incluant les décollages et atterrissages) ; une rapide comparaison montre que le risque d’une issue fatale causée par un évènement indésirable suite à une intervention chirurgicale apparaît être de l’ordre de 1000 fois supérieur à celui d’avoir un accident aérien en prenant un vol de ligne régulière.

Dans l’aéronautique civile, un cockpit et son équipage doivent gérer un processus (le vol) dont les phases (préparation, décollage, croisière, atterrissage) peuvent se comparer au processus chirurgical (l’intervention : préparation, induction, incision, fermeture et réveil). C’est dans les deux cas une équipe qui intervient, avec des coordinations et articulations interprofessionnelles nombreuses et complexes, dans une même unité de temps et de lieu même si l’aspect dynamique du vol induit des contraintes particulières quant à la gestion du temps et de l’espace. La qualité du travail réalisé au sein du cockpit se caractérise par six caractéristiques (4) :

• Une préparation codifiée avant le vol, revue avant chaque segment du vol (par des briefings), pour travailler toujours en anticipation 

• Un guidage procédural aussi bien pour le vol normal, que pour les conditions anormales répertoriées comme récurrentes: ce guidage impose un suivi strict des procédures.

• Un travail collectif permanent : le partage des intentions (briefings) et les contrôles mutuels réguliers à des points imposés sont la règle (check-list). Cette coopération est aussi régie par des règles strictes de gestion des distractions.  

• Une gouvernance externe forte (contrôle aérien), très faiblement négociable, imposant un tempo externe au vol (départ, route, arrivée) dans une logique de cohérence globale du dispositif aérien.

• Une surveillance et une traçabilité de tous les instants : enregistreurs de vol dépouillés systématiquement, contenant la trace de toutes les conversations, et de toutes les actions réalisées, permettant de mesurer les écarts par rapport à des normes.

• Un emploi très réglé des personnels, avec des temps de travail et de repos très normés.

En chirurgie, ces grandes caractéristiques sont présentes dans leurs principes, mais avec une élasticité considérable dans leur application pratique.

• La préparation est reconnue comme utile, mais souvent mal coordonnée et mal partagée entre les différents métiers du bloc opératoire ; l’acte chirurgical reste individuel au sein d’une équipe. Les processus de l’accréditation confirment la très grande fréquence des situations dans lesquelles on découvre un matériel en panne, manquant ou non approvisionné (prothèse par exemple), des patients mal préparés quand ils arrivent au bloc (consignes mal suivies, pas données, ou pas vérifiées), des sites opératoires préparés par erreur, ou pire des erreurs sur le nom du patient ou de ses examens.

• Les procédures sont nombreuses, souvent amendées au jour le jour sans concertation collective. Beaucoup de ces procédures ne résistent pas à la pression du moment, aux glissements de tâches, aux remplacements. Mais il est important de noter qu’il existe dans cette ‘élasticité’ des procédures un certain savoir-faire de rattrapage, une compétence de tous les acteurs à amortir les conséquences, à récupérer la situation, à adapter, bref, à gérer chaque cas en se basant sur l’expertise accumulée par tous les acteurs. Hélas cette compétence d’artisan à s’adapter n’est pas distribuée de façon homogène, et subit çà et là les aléas de la fatigue des acteurs et des gestions parfois erratiques des personnels supports.

• Cette faible culture de la procédure, associée au non partage des compétences techniques entre l’anesthésiste et le chirurgien et à un manque de définition claire de qui est un leader et qui est un suiveur au cours des différentes étapes réalisées en salle d’opération, ne facilite pas l’organisation collective et la communication entre les différents intervenants, médicaux et infirmiers. Les intrusions multiples dans l’activité du bloc sont chroniquement trop nombreuses et peu maîtrisées.

• La gouvernance du bloc est toujours en débat ; le programme opératoire est souvent remis en question au gré des besoins perçus par chaque chirurgien (annulation, sur-programmations) ou des possibilités de l’offre de soins (pénurie ou voire absence de certains corps de métiers), rendant la gouvernance très vulnérable aux injonctions et influences personnelles.

• La traçabilité progresse, mais on est loin d’une logique systématique.

• Enfin, les repos obligatoires restent des enjeux difficiles, dans un hôpital souvent en pénurie de chirurgiens.

Au bloc opératoire, le développement d’une culture de la sécurité s’articule autour de la mise en œuvre de la check-list “Sécurité du patient au bloc opératoire” et de la gestion des risques. Cette check-list vise à prévenir certains risques et s’inscrit dans les évolutions organisationnelles visant à promouvoir la culture de sécurité au bloc opératoire. Son mode d’action repose sur le partage des informations au sein de l’équipe et les vérifications croisées à chaque étape de l’intervention chirurgicale.

Au total, les similitudes et les différences entre les deux situations (cockpit et bloc), semblent évidentes ce qui a conduit de nombreux auteurs à proposer aux chirurgiens les solutions qui ont fait le succès de la sécurité aéronautique : procédures, contrôles, briefings, annonces, travail d’équipe, etc. Pour autant, la situation est un peu plus complexe que la simple lecture des deux situations pourrait conduire à le penser : l’aéronautique est sûre parce que le fonctionnement du travail habituel est limité et garanti par le système en entier. Ce système inclut pourtant la réaction à des milliers de perturbations du vol, mais chacune est prévue et codifiée par une procédure dédiée.

Compliqué et complexe

En effet, construire ou piloter un avion requiert des milliers de pièces et des centaines de compétences différentes. Mais l’ensemble est réductible à l’analyse. Un plan permet de vérifier la conformité de l’avion. Ce plan et cette conformité permettent de le reproduire à l’identique. Le monde du compliqué est analysable et donc maîtrisable, prédictible et contrôlable. Il y a un optimum, une solution idéale meilleure que toutes les autres. Un objet compliqué, voire hyper-compliqué, paraît incompréhensible au premier abord. Mais, avec de la méthode, de l’expertise et du temps, on peut avoir une connaissance complète et une compréhension intégrale de sa composition aussi bien que de son fonctionnement. Dans le monde du compliqué, « tout s’explique », « tout est sous contrôle », « rien n’est laissé au hasard » et « les mêmes causes produisent les mêmes effets », au sein de circonstances elles-mêmes analysables.

Le monde du complexe est, par essence même, fait d’incertitudes et de contradictions. Notre représentation des objets et/ou des situations est incomplète et ambigüe. L’action, à savoir nos tentatives de solutions, est faiblement prévisible, non reproductible et contrôlable seulement en partie. Dans la complexité, il y a toujours plusieurs possibles dans la mesure où les problèmes peuvent être posés seulement de manière partielle. La complexité ne se laisse jamais appréhender totalement, notamment car les émotions et les éléments subjectifs interpersonnels y jouent un grand rôle. La représentation et la compréhension d’un objet complexe sont ainsi, par nature, inachevées et incomplètes. Contrairement au compliqué dont on peut venir à bout avec du temps, de la méthode et de l’expertise, le complexe garde toujours une part d’inexpliqué, même quand on déploie d’immenses moyens pour le comprendre. Il n’est donc pas complètement contrôlable, une partie au moins nous échappe. Ainsi, le patient standard est plus aléatoire que le vol standard, et le système ne protège pas le chirurgien en amont pour qu’il n’intervienne pas dans des conditions fatiguées, sans tout le personnel et les conditions strictement requises. L’adaptation dans toutes ces situations relève de l’art individuel plus que de procédures (qui n’existent pas ou sont inapplicables à ces cas), on parle de ‘résilience’. C’est une des différences fondamentales avec l’aviation, et celle-ci impose à la chirurgie d’importer avec prudence le caractère ultra du système aéronautique tel qu’il fonctionne aujourd’hui car ce type de système serait justement incapable de répondre à certains besoins des patients.

Perspectives d’optimisation de la sécurité au bloc opératoire pour cancer grâce à l’intelligence artificielle

L’IA trouve sa puissance dans la capacité des algorithmes de machine learning à extraire des connaissances à partir de données, dotant ainsi les systèmes automatisés de la compétence nécessaire pour exécuter des tâches sans qu’une intervention humaine soit requise pour programmer chaque étape. Dans des domaines complexes tels que la santé, l’IA offre la promesse d’améliorer considérablement l’aide médicale en adaptant presque sur mesure ses analyses à une diversité croissante de cas.

Elle adopte ainsi une approche individualisée, explorant un éventail toujours plus large de scénarios. Cette transformation transcende le concept classique du modèle « prêt-à-porter » groupe de patients par groupe de patients en instaurant une transition fluide vers un modèle « sur-mesure » individualisé et à grande échelle. Grâce à l’accumulation de cas préconfigurés, les algorithmes spécialisés collaborent pour créer des solutions authentiquement personnalisées, ouvrant ainsi la voie à des avancées significatives dans le domaine de la santé.

Diagnostic

Données massives en santé

La quantité de données de santé concernant les personnes (remboursements de soins, habitudes de vie, etc.) s’est accrue avec leur recueil systématique et à grande échelle. Parallèlement, il est devenu possible grâce à l’IA de traiter ces données massives et de livrer rapidement des informations autrefois difficiles d’accès, d’opérer des rapprochements inattendus et d’offrir des modèles prédictifs inédits. En effet, le développement de nouveaux algorithmes, mais plus encore par l’accroissement des moyens de calculs (puissance et caractère répandu des ordinateurs) et surtout par l’accessibilité accrue de données couvrant de plus en plus le domaine de la santé. Un attrait et une efficacité renouvelée de l’intelligence artificielle tiennent dans l’utilisation d’algorithmes qui vont « s’adapter » aux données, et établir des règles de décision non pas introduites a priori par l’homme, mais à partir de ce qui a été observé par lui et ainsi programmé au sein d’algorithmes toujours de mieux en mieux adaptés. Cela est bien sûr le fonctionnement théorique, et implique un certain nombre de limites, dont les biais d’apprentissage : un algorithme perpétuera, voire renforcera, les comportements observés et «appris» à partir des données. Dès lors, il est très probable que l’analyse de ces données massives facilite le diagnostic précoce de cancer dans une population cible.

Vers une R-AI-diologie diagnostique

La Radiologie joue un rôle essentiel dans le parcours de soin du patient car elle fournit des données Image qui permettent aux praticiens en charge du patient d’obtenir et d’analyser des informations détaillées sur l’état du patient et sur la maladie elle-même.  Radiographies, scanners, IRM et échographies, offrent une visualisation directe de l’intérieur du corps.  Adaptées à la chirurgie, ces images permettent de localiser avec précision les anomalies, et de les caractériser en proposant des diagnostics basés sur l’image. Les notions de contours, de forme, de valeur du signal dans l’image sont autant d’éléments permettant de donner une probabilité sur le type de maladie (infectieuse, tumorale, vasculaire, inflammatoire…).

Un point clé pour le futur sera celui du diagnostic précoce et du dépistage visant à détecter la maladie avant qu’elle ne soit responsable de symptômes cliniques. Dans une maladie établie, les images médicales fournissent des informations assistant les cliniciens sur la progression d’une maladie ou la réponse au traitement au fil du temps, leur permettant d’ajuster les protocoles de traitement en fonction des changements observés.  C’est l’objet « classique » de la coopération entre radiologues, médecins et chirurgiens, qui va être révolutionné par l’IA.

L’IA, par une analyse avancée des données sous-jacentes à l’image, permet d’identifier des motifs complexes et des caractéristiques qui pourraient échapper à l’œil humain. Cette branche nommée la radiomique repose sur le fait d’utiliser un grand nombre de paramètres quantitatifs extraits d’images radiologiques et l’apprentissage automatique via l’utilisation d’algorithmes pour obtenir une précision diagnostique plus importante et des décisions thérapeutiques grandement améliorées, basées sur l’analyse des big data. Des chercheurs suisses ont réussi à utiliser cette technologie pour mettre au point des méthodes permettant de diagnostiquer instantanément les patients atteints du virus COVID-19 à l’aide de la seule imagerie par scanner. La radiomique s’applique notamment en cancérologie (5). Des études récentes utilisant un score de risque radiomique et un nomogramme associé pour le cancer du poumon ont permis de prédire si une chimiothérapie adjuvante serait bénéfique pour les patients ayant eu une résection chirurgicale pour un cancer du poumon à un stade précoce. La radiomique a été utilisée dans pratiquement tous les types de cancers pour prédire la réponse au traitement, mais aussi pour aider à prédire la présence d’une tumeur maligne.

L’IA va également permettre de développer le diagnostic assisté sous forme de systèmes d’aide à la décision clinique pour aider les médecins à détecter ou à interpréter les images en fournissant des suggestions et en mettant en évidence des régions d’intérêt potentielles. Cela accélère le processus de diagnostic, réduit les erreurs sur cette double lecture machine et homme, à l’instar de la « double lecture » radiologique proposée pour la détection précoce des tumeurs mammaires.

L’un des changements majeurs de l’application de l’IA en imagerie est de permettre d’évoluer vers une évaluation quantitative et non plus seulement descriptive des maladies. Ce degré de précision, ajouté à un suivi en temps réel et aux données cliniques, transforme la manière dont les maladies sont diagnostiquées, traitées et surveillées, tout en offrant des soins plus personnalisés et efficaces. Cependant, pour correctement utiliser l’IA il faut être conscient des biais possibles amenant à un risque de mauvaise utilisation et donc à accroître le risque d’erreurs de l’IA. A cet effet, nous avons développé une checklist de l’utilisation de l’IA en radiologie (« R-AI-diologie ») (Tableau 1) (6).

La déclinaison de ces principes peut également s’adapter aux applications dans les autres domaines médicaux et notamment en chirurgie.

Tableau 1. Checklist R-AI-diologie pour une utilisation en routine clinique sur de l’imagerie médicale d’outils basés sur de l’IA, associés à une lecture humaine par un radiologue des données générées par l’image.

Planification préopératoire

Simulateurs

Les simulateurs sont disponibles en chirurgie depuis des décennies. Contrairement aux simulateurs laparoscopiques qui sont placés dans des boîtes d’entraînement, les simulateurs robotiques sont fixés à la console robotique proprement dite et représentent plus fidèlement ce que le chirurgien ressentira et vivra dans la salle d’opération. Quel que soit le type de simulateur utilisé, la simulation est une méthode informatisée de formation des chirurgiens et doit être reconnue comme une forme de formation à l’IA. Contrairement aux générations précédentes de chirurgiens qui devaient s’exercer sur des sujets anatomiques ou des animaux vivants, la génération de l’IA dispose d’un accès potentiellement illimité, ou du moins considérablement accru, au simulateur et peut répéter les séances d’entraînement à l’infini. La formation en réalité virtuelle a été comparée à la formation traditionnelle par apprentissage dans une méta-analyse publiée en 2020, et les auteurs ont constaté que la formation en réalité virtuelle améliorait l’efficacité des étudiants, améliorait la manipulation des tissus et réduisait les erreurs par rapport à la méthode traditionnelle de formation chirurgicale.

Impression 3D

Un autre avantage de l’IA dans la formation chirurgicale est le développement de l’impression 3D. Les chercheurs ont commencé à créer des « fantômes » vasculaires imprimés en 3D et à les utiliser pour simuler l’intervention chirurgicale. Au lieu de devoir envoyer des images à des centres spécialisés pour l’impression 3D, les fantômes peuvent désormais être imprimés sur place, ce qui favorise l’utilisation et la diffusion de cette technologie. Ces fantômes peuvent également être montrés aux patients afin qu’ils puissent mieux comprendre leur pathologie, les risques de l’intervention proposée.

Jumeaux numériques

L’IA permettra à court terme de modéliser des patients artificiels baptisés «Jumeaux numériques». Ces jumeaux peuvent être manipulés en préopératoire, retirer des éléments et même simuler l’effet des opérations. Un algorithme colorie les structures anatomiques acquis lors d’une IRM ou d’un scanner, pour donner une impression de volume». Cette planification virtuelle sert à la fois à identifier les structures à préserver et celles à sectionner pour retirer la tumeur de manière adéquate. D’autre part, elle peut servir de modèle unique pour s’entraîner avant l’intervention à l’instar du musicien qui s’entraîne chez lui avec  la partition musicale qui sera prochainement jouée avec l’orchestre. Certaines données de la littérature portant sur la chirurgie des cancers du foie suggère que ces opérations virtuelles permettent de changer la stratégie dans environ 15% des cas.

Guide per-opératoire

Création d’une standardisation chir-AI-urgicale

L’IA pourrait être utilisée pour améliorer le partage des connaissances grâce à la collecte de quantités massives de vidéos opératoires par de nombreux chirurgiens du monde entier, afin de créer une base de données de pratiques et de techniques pouvant être évaluées en fonction des résultats. Les bases de données vidéo pourraient utiliser la vision par ordinateur pour capturer des cas ou des anatomies rares, en regroupant et en intégrant les données dans les phases pré-, intra- et post-opératoires des soins. Ces analyses puissantes pourraient créer une innovation en générant et en validant une standardisation technique des interventions chirurgicales. Ainsi l’aide de l’IA comme assistant chirurgien permettra d’améliorer la sécurité opératoire. En se basant sur l’enregistrement de milliers d’heures d’opérations, les chercheurs élaborent une IA capable de guider le chirurgien vers la meilleure stratégie opératoire, au cours de l’intervention. Outre l’amélioration de la précision des procédures, les outils d’IA contribuent également à réduire le risque d’erreur dans la salle d’opération. Notamment, des chercheurs du Massachusetts Institute of Technology (MIT) ont mis au point un système d’IA en chirurgie capable de surveiller les mouvements des instruments chirurgicaux au cours d’une intervention et de fournir une rétroaction en temps réel au chirurgien. Cette technologie permet d’éviter les erreurs, en veillant à ce que la chirurgie soit menée de la manière la plus sûre et la plus efficace possible.

Apport de la réalité augmentée

Contrairement aux simulateurs, la réalité augmentée (RA) permet de superposer des images sur les structures pendant les opérations, qu’il s’agisse de procédures ouvertes ou mini-invasives (comme la coelioscopie ou la chirurgie robotique). La réalité augmentée a parfois été utilisée en chirurgie hépatique pour des tumeurs du foie. Ces systèmes de RA sont essentiellement des systèmes de guidage qui permettent au chirurgien de voir la tumeur et sa relation avec les principales structures vasculaires intra-parenchymateuses en temps réel. En effet, il est désormais possible de créer des images du foie en utilisant la reconstruction stéréoscopique de la surface et le recalage semi-automatique en combinaison avec l’apprentissage profond pour créer des images per-opératoires de RA en 3D. Néanmoins, la conception d’organes qui se déforment ou simplement bougent avec la respiration (comme le cœur, les poumons ou le foie par exemple) est nettement plus complexe que les structures osseuses. En effet, de multiples facteurs interviennent dans la prédiction du mouvement ou de la déformation de ces organes. Pour reprendre l’exemple du foie, cette organe se déforme différemment en fonction de l’âge et du poids du patient, d’une éventuelle pathologie sous-jacente (infection virale,  consommation excessive d’alcool), mais aussi de la taille de la tumeur ou simplement de sa localisation. Si ces modélisations sont actuellement trop complexes pour être utilisées en routine clinique, l’apport de de l’IA qui inclura l’analyse de l’ensemble de ces facteurs devrait permettre de faciliter la création de ces systèmes de navigation per opératoire. Ces outils offrent un retour en temps réel pendant la chirurgie, alertant le chirurgien des incidents potentiels ou suggérant des approches alternatives en fonction de l’évolution de la situation.

Décisions chirurgicales pré et postopératoire

Les réseaux bayésiens sont des graphes acycliques dirigés qui sont utilisés pour comprendre la probabilité qu’une chose se produise en fonction de plusieurs variables. Les graphes acycliques dirigés sont essentiellement des arbres de décision qui, lorsqu’ils sont alimentés par des algorithmes informatisés, peuvent aider à prédire rapidement les résultats. À l’aide d’un réseau bayésien à 10 prédicteurs, des chercheurs des États-Unis et du Royaume-Uni ont créé un site web accessible à tous, qui peut aider les chirurgiens à prédire avec plus de précision la probabilité de succès d’une revascularisation des membres inférieurs lors de l’évaluation initiale.

En utilisant des variables cliniques telles que les antécédents du patient, les médicaments, la tension artérielle et la durée du séjour, les réseaux neuronaux artificiels, en combinaison avec des approches de ML, ont permis de prédire la mortalité à l’hôpital après une réparation ouverte d’anévrisme de l’aorte abdominale avec une sensibilité de 87%, une spécificité de 96% et une précision de 95%. Récemment, une équipe néerlandaise a élaboré une application accessible sur son téléphone portable dont les algorithmes proposent à l’équipe chirurgicale une stratégie thérapeutique. Ainsi, en répondant à des questions simples (est ce que le patient a de la fièvre, est ce que le liquide récupéré dans le drainage est riche en enzymes pancréatiques), l’algorithme recommande de faire un scanner en urgence ou bien de réopérer le patient. Cette application a été testée a l’échelle du pays et les équipes ayant suivi scrupuleusement les préconisations de l’algorithme, ont observé une diminution de 50% de la mortalité après chirurgie du pancréas. Les résultats de cette étude en vie réelle confirment que l’IA permet d’obtenir de meilleurs résultats qu’une équipe chirurgicale experte, rodée au dépistage des complications.

Chirurgie autonome 

Bien que l’on assiste à une certaine automatisation, l’apprentissage automatique et l’apprentissage profond ne sont pas encore prêts pour des manœuvres chirurgicales entièrement autonomes. Les premières tentatives d’utilisation de l’IA pour l’augmentation des compétences techniques se sont concentrées sur l’exécution autonome de tâches simples comme par exemple, la réalisation de suture. Par exemple, le Smart Tissue Autonomous Robot (STAR) développé par l’université du Johns Hopkins était équipé d’algorithmes qui lui permettaient de réaliser de manière autonome une anastomose intestinale ex-vivo et in-vivo sur des modèles animaux. À l’Université de Berkeley, une autre équipe a mis au point un algorithme qui apprend à réaliser lui-même des points de suture en s’appuyant sur des vidéos chirurgicales. Couplé à un robot chirurgical, l’algorithme serait capable de reproduire certains gestes du chirurgien dont des points de suture.

L’IA est incapable de reproduire le processus de prise de décision sur lequel s’appuient les chirurgiens, qui implique souvent l’instinct et s’appuie sur une expérience clinique non quantifiable. De plus, une seule opération chirurgicale implique des milliers d’étapes complexes, y compris la dissection des organes, la coagulation, la ligature et la suture. Bien qu’ils puissent devenir plus compétents dans les fonctions de base, l’ajout de couches plus complexes nécessitera une réflexion et une mise en œuvre minutieuses, car l’expertise et le jugement du chirurgien restent irremplaçables.

Limites de l’IA en chirurgie

Actuellement, les résultats de l’IA sont limités par le type et la précision des données disponibles. Les biais systématiques dans la collecte des données cliniques peuvent affecter le type de modèles que l’IA reconnaît ou les prédictions qu’elle peut faire. L’apprentissage supervisé dépend de l’étiquetage des données (comme l’identification des variables actuellement utilisées dans les registres de patients spécifiques à la chirurgie). Avec le temps et la diffusion progressive des enregistrements d’interventions chirurgicales, ces données basées sur des vidéos permettront par ML de définir une norme, c’est un dire un standard de qualité de chacun des interventions. Récemment, plusieurs études multicentriques souvent internationales ont révélé les résultats que nous sommes en droit d’espérer obtenir en sélectionnant les données des centres les plus performants. Ces benchmarks pourront à l’avenir être comparés aux nouveaux standards lorsque ces normes seront définis auprès des experts.

Éthique

L’intelligence artificielle peut servir les intérêts des patients et des communautés à condition de consentir un effort collectif pour concevoir et appliquer des lois et des politiques défendables sur le plan de l’éthique et des technologies respectueuses de l’éthique. Les conséquences peuvent être graves si ceux qui financent, conçoivent, réglementent ou utilisent les technologies de l’IA pour la santé ne considèrent pas comme des priorités les principes d’éthique et les obligations en matière de droits humains. L’IA peut aider les prestataires de soins de santé à améliorer les soins dispensés aux patients, à poser des diagnostics exacts, à optimiser les protocoles thérapeutiques, à renforcer la préparation en cas de pandémies, à orienter les décisions des responsables de l’élaboration des politiques de santé ou à répartir les ressources au sein du système de santé. Pour exploiter ce potentiel, les agents et les systèmes de santé doivent avoir des informations détaillées sur le contexte dans lequel ces technologies peuvent fonctionner de manière sûre et efficace, les conditions nécessaires pour garantir une utilisation fiable et adéquate, et les mécanismes permettant un contrôle et une évaluation continus de la performance du dispositif. Les agents et les systèmes de santé doivent avoir accès à l’enseignement et à la formation pour pouvoir utiliser et maintenir ces dispositifs dans les conditions nécessaires à une utilisation sûre et efficace.

Education

L’intelligence artificielle ne génère pas des prédictions absolues, mais plutôt des estimations sous forme de probabilités. C’est en cela que les éléments diagnostiques qualitatifs classiques sont complétés par des estimations quantitatives, affinant et assistant ainsi la décision médicale. Ces prédictions ne sont pas des réponses définitives en noir et blanc, bien que certains praticiens médicaux les interprètent à tort de cette manière. Lorsque l’objectif est de prévoir un événement, il est important de comprendre que l’IA fournira une prédiction qui comporte une part de doute, d’incertitude. Cette prédiction, qui peut être en accord ou en désaccord avec les connaissances médicales du professionnel de santé, doit être considérée par lui comme une assistance l’aidant à réduire la part d’incertain dans son cheminement diagnostique, voire thérapeutique.

Dans le domaine de l’éducation médicale et de la pratique clinique, le processus de diagnostic repose sur une compréhension approfondie de la physiopathologie des maladies. En revanche, les algorithmes d’IA se basent eux sur des calculs de probabilité (7). À mesure que les algorithmes d’IA prennent une place croissante dans les soins cliniques, il devient de plus en plus essentiel de maîtriser la compréhension des informations probabilistes dans la prise de décisions quotidiennes. Pour préparer adéquatement les professionnels de santé, les programmes de formation médicale devront intégrer de manière explicite l’enseignement du raisonnement probabiliste spécifiquement adapté à l’utilisation de l’IA.

En effet, chaque patient est et sera toujours unique et ne pourra jamais être assimilé à un cas moyen. Les algorithmes tiennent compte d’une multitude de facteurs individuels, et l’IA ne pourra jamais incorporer tous les éléments spécifiques d’un patient ni toutes les connaissances cliniques disponibles.

Ainsi, un aspect crucial pour une utilisation efficace des algorithmes réside dans la reconnaissance de leurs limites, en identifiant les aspects individuels des patients qu’ils ne considèrent pas ou négligent. Cette évaluation, nécessitant également un jugement clinique, permet d’ajuster les valeurs prédictives positives ou négatives de l’IA, conduisant ainsi à la probabilité finale d’un résultat pour un patient spécifique. Ce processus ressemble à l’interprétation des résultats de tests diagnostiques, mais il ne lui est pas identique. Les professionnels de santé devront bénéficier de programmes d’éducation leur permettant d’acquérir cette compétence par l’apprentissage pratique en s’appuyant sur des exemples concrets.  A l’instar du compagnonnage médical dont nous avons tous bénéficié lors de nos études de médecine, l’application de l’IA est ainsi susceptible de poursuivre et étendre une telle coopération en transformant chaque médecin à l’aide d’une forme d’accompagnement tout au long de sa vie professionnelle.  La formation professionnelle continue ainsi réalisée au cours du soin s’apparente à une forme de « deep learning » par le médecin lui-même…

Conclusion

Au sein des blocs opératoires, les organisations et les technologies sont de plus en plus sophistiquées, les équipes médicales et para-médicales repoussent toujours plus loin les limites pour opérer et soigner les patients. Malgré tout, par sa nature invasive, la chirurgie est une activité risquée. L’intelligence artificielle, sous couvert d’une régulation, devrait permettre une chirurgie de plus en plus sûre et améliorer davantage encore la sécurité des patients.

Références

1.       Beloucif S. [Alternatives to evidence-based medecine]. Rev Prat, 2017 vol. 67(9) pp. 1024-1027.

2.       Makary MA; Daniel M. Medical error-the third leading cause of death in the US. BMJ, 2016 vol. 353 i2139

3.       GlobalSurg Collaborative and National Institute for Health Research Global Health Research Unit on Global Surgery. Global variation in postoperative mortality and complications after cancer surgery: a multicentre, prospective cohort study in 82 countries. Lancet, 2021 vol. 397(10272) pp. 387-397

4.       Amalberti R, Bruneau C, Desplanques A, Degos L. Viewing the safety imperative from the French policy perspective. Qual Saf Health Care, 2009 vol. 18(6) pp. 420-1

5.       de Causans A, Carré A, Roux A, Tauziède-Espariat A, Ammari S, Dezamis E, Dhermain F, Reuzé S, Deutsch E, Oppenheim C, Varlet P, Pallud J, Edjlali M, Robert C. Development of a Machine Learning Classifier Based on Radiomic Features Extracted From Post-Contrast 3D T1-Weighted MR Images to Distinguish Glioblastoma From Solitary Brain Metastasis. Front Oncol. 2021;11:638262.

6.       Haller S, Van Cauter S, Federau C, Hedderich DM, Edjlali M. The R-AI-DIOLOGY checklist: a practical checklist for evaluation of artificial intelligence tools in clinical neuroradiology. Neuroradiology. 2022;64:851-864.

7.       Goodman KE, Rodman AM, Morgan DJ. Physicians for the Clinical Algorithm Era. N Engl J Med 2023;389:483-487.