L’Intelligence Artificielle a contribué à révolutionner de nombreux secteurs tels que la reconnaissance d’images ou même les transports autonomes. Le secteur de la santé n’est pas épargné. Preuve en est, des chercheurs ont réussi à développer une IA capable d’anticiper le risque de suicide chez les patients en dépression.
Un véritable exploit, qui pourrait sauver des centaines de vies. Le suicide est en effet à l’heure actuelle une des principales causes de mortalité.
Aux États-Unis, par exemple, environ 41 000 cas de suicides ont été recensés en 2013. Ce qui en fait le dixième facteur de mortalité annuelle. L’Observatoire national du suicide a révélé qu’en France, la moyenne annuelle a été évaluée à dix mille suicides. Il s’agit donc d’un enjeu de taille que de pouvoir l’empêcher chez les personnes à risque.
Une IA pour détecter le risque de suicide
Les résultats de cette étude peuvent être consultés dans la revue Clinical Psychological Science.
L’IA a été élaborée par des chercheurs de l’université de Vanderbilt. Ils ont travaillé de concert avec ceux de l’université de Tennessee et de Floride. La technologie qu’ils ont développée se base sur les dossiers d’une liste de patients reçus entre 1998 et 2015 à l’hôpital. Parmi ceux-ci, 5 167 avaient une tendance à l’automutilation.
Les scientifiques ont ensuite différencié les cas. Ainsi, deux milles de ces cas n’avaient rien d’une tentative de suicide, mais plutôt d’une tendance masochiste. Par contre, 3 200 des cas étaient bel et bien liés à l’acte.
Colin Walsh est l’un des spécialistes qui ont travaillé sur cette intelligence artificielle. Médecin généraliste, il se passionne depuis longtemps pour le traitement des données. Il a expliqué que les prédictions se fondent sur une combinaison des facteurs de risque.
Une question d’efficacité
En outre, il a aussi indiqué que le défi principal en matière de modélisation classique des risques de suicide ou de tentative reste le coût des potentielles études cliniques.
Grâce au machine learning, les chercheurs ont donc pu rassembler de grands ensembles de données collectées régulièrement afin de créer des prédictions d’une grande fiabilité à une échelle extensible. D’après lui, cette technique peut être appliquée à tout établissement doté de fichiers électroniques.
« Nous restons prudents. En comparaison avec l’approche statistique conventionnelle, il est beaucoup plus facile et rapide de construire de mauvais modèles de prédiction avec le machine learning. Mais s’il est bien fait, nous sommes convaincus qu’il est plus précis et facile à implémenter que les outils traditionnels et manuels. C’est une question d’efficacité : mettons-le en place et voyons si c’est utile », a-t-il ajouté.