Dans une étude clinique majeure, l’outil a augmenté la productivité jusqu’à 40% sans compromettre la précision
CHICAGO – Un système d’IA génératif tout le premier de son genre, développé en interne à Northwestern Medicine, révolutionne la radiologie – stimuler la productivité, identifier les conditions mortelles en millisecondes et offrir une solution révolutionnaire à la pénurie de radiologue mondiale, une grande nouvelle étude.
Les résultats seront publiés jeudi 5 juin Jama Network Open.
«C’est, à ma connaissance, la première utilisation de l’IA qui améliore manifestement la productivité, en particulier dans les soins de santé. Même dans d’autres domaines, je n’ai rien vu de près d’un coup de pouce de 40%», a déclaré l’auteur principal, le Dr Mozziyar Etemadi, professeur adjoint d’anesthésiologie à la Northwestern University Feinberg School of Medicine et de Biomedical School de Northwestern’s McCormick School of Engineering.
Pour l’étude, le système d’IA a été déployé en temps réel à travers le réseau de médecine du Nord-Ouest à 12 hôpitaux, où près de 24 000 rapports de radiologie ont été analysés sur une période de cinq mois en 2024. L’équipe d’Etemadi a ensuite comparé les temps de création de radiographies et la précision clinique avec et sans l’outil d’IA.
Les résultats: une augmentation moyenne de 15,5% de la radiographie du rapport d’efficacité de l’achèvement – certains radiologues atteignant des gains pouvant atteindre 40% – sans compromettre la précision. Le travail de suivi, toujours non publié, apparaît jusqu’à 80% de gains d’efficacité et permet l’outil pour les scans CT. Le temps économisé a permis aux radiologues de retourner des diagnostics beaucoup plus rapidement, en particulier dans les cas critiques dans lesquels chaque seconde compte.
Selon les auteurs de l’étude, il s’agit du premier outil de radiologie générateur d’IA au monde à être intégré dans un flux de travail clinique. C’est également la première fois qu’un modèle d’IA génératif montre à la fois une précision élevée et une efficacité accrue dans tous les types de rayons X, des crânes aux orteils.
Contrairement à d’autres outils d’IA étroits actuellement sur le marché qui se concentrent sur la détection d’une seule condition, le modèle holistique de Northwestern analyse l’ensemble des rayons X ou CT. Il génère ensuite automatiquement un rapport à 95% complet et personnalisé à chaque patient, que le radiologue peut choisir d’utiliser, d’examiner et de finaliser. Ces rapports résument les principaux résultats et offrent un modèle pour augmenter le diagnostic et le traitement des radiologues.
«Pour moi et mes collègues, ce n’est pas une exagération de dire que cela a doublé notre efficacité. C’est un énorme avantage et un multiplicateur formidable», a déclaré le co-auteur, le Dr Samir Abboud, chef de radiologie d’urgence à Northwestern Medicine and Clinical Assistant Professor of Radiology à Feinberg.
En plus d’améliorer l’efficacité, le système AI signale des conditions mortelles comme le pneumothorax (poumon effondré) en temps réel – avant qu’un radiologue ne regarde même les rayons X. Alors que le modèle AI rédige les rapports pour chaque image, un outil automatisé surveille les rapports pour les résultats critiques et les vérifie avec les dossiers des patients. Si le système identifie une nouvelle condition qui nécessite une intervention urgente, elle pourrait immédiatement alerter les radiologues.
« Chaque jour donné aux urgences, nous pourrions avoir 100 images à examiner, et nous ne savons pas laquelle détient un diagnostic qui pourrait sauver une vie », a déclaré Abboud. «Cette technologie nous aide à triage plus rapidement – nous attrapons donc les cas les plus urgents plus tôt et amener les patients à traiter plus rapidement.»
L’équipe du Nord-Ouest adapte également le modèle d’IA pour détecter les diagnostics potentiellement manqués ou retardés, tels que le cancer du poumon à un stade précoce.
Plutôt que d’adapter de grands modèles formés sur Internet comme Chatgpt, les ingénieurs du Nord-Ouest ont construit leur propre système à partir de zéro à l’aide de données cliniques à l’intérieur du Northwestern Medicine Network. Cela a permis à l’équipe de créer un modèle AI léger et agile conçu spécifiquement pour la radiologie dans le nord-ouest – plus rapide, plus précis et nécessitant beaucoup moins de puissance de calcul.
«Il n’est pas nécessaire que les systèmes de santé comptent sur les géants de la technologie», a déclaré le premier auteur, le Dr Jonathan Huang, un étudiant en troisième année de médecine à Feinberg qui détient un doctorat. en génie biomédical de McCormick.
« Notre étude montre que la construction de modèles d’IA personnalisés est bien à la portée d’un système de santé typique, sans dépendance à des outils tiers coûteux et opaques comme Chatgpt. Nous pensons que cette démocratisation de l’accès à l’IA est la clé pour stimuler l’adoption dans le monde entier », a ajouté Etemadi.
La radiologie devient l’un des plus grands goulots d’étranglement des soins de santé. D’ici 2033, les États-Unis devraient subir une pénurie allant jusqu’à 42 000 radiologues, car les volumes d’imagerie augmentent jusqu’à 5% par an tandis que les positions de résidence en radiologie augmentent de seulement 2%.
Le système d’IA de Northwestern offre une solution, aidant les radiologues à nettoyer les arriérés et à fournir des résultats en heures au lieu de jours. Et bien que la technologie soit puissante, elle ne remplacera pas les humains.
« Vous avez toujours besoin d’un radiologue comme étalon-or », a déclaré Abboud. «La médecine change constamment – de nouveaux médicaments, de nouveaux dispositifs, de nouveaux diagnostics – et nous devons nous assurer que l’IA se maintient. Notre rôle devient garantir que chaque interprétation est bonne pour le patient.»
Deux brevets ont été approuvés pour la technologie Northwestern Medicine et d’autres sont à divers stades du processus d’approbation. L’outil en est aux premiers stades de la commercialisation.
L’étude est intitulée «Efficacité et qualité des rapports génératifs de radiographie assistée par l’IA«
Vidéo: Radiologie AI Explicateur vidéo V2B.mp4
Ben Schamisso
Université du Nord-Ouest
ben.schamisso@northwestern.edu
