L’intelligence artificielle peut aider à prédire la réponse des patients aux traitements antituberculeux

La tuberculose (TB) est l’ infection bactérienne la plus mortelle au monde . Elle a touché plus de 10 millions de personnes et fait 1,3 million de morts en 2022. Ces chiffres devraient augmenter considérablement en raison de la propagation de la tuberculose multirésistante.

Pourquoi un patient tuberculeux guérit-il de l’infection tandis qu’un autre succombe-t-il ? Et pourquoi un médicament agit-il chez un patient mais pas chez un autre, même s’ils souffrent de la même maladie ?

L’humanité lutte contre la tuberculose depuis des millénaires . Par exemple, des chercheurs ont découvert des momies égyptiennes datant de 2 400 avant notre ère et présentant des signes de tuberculose. Bien que les infections surviennent dans le monde entier, les pays comptant le plus grand nombre de cas de tuberculose multirésistante sont l’Ukraine, la Moldavie, la Biélorussie et la Russie .

Les chercheurs prédisent que la guerre en Ukraine entraînera une augmentation des cas de tuberculose multirésistante en raison des perturbations dans les soins de santé. De plus, la pandémie de COVID-19 a réduit l’accès au diagnostic et au traitement de la tuberculose, annulant ainsi des décennies de progrès dans le monde.

Une analyse rapide et complète des données médicales disponibles peut contribuer à optimiser les traitements pour chaque patient et à réduire la résistance aux médicaments. Dans notre recherche récemment publiée, mon équipe  et moi décrivons un nouvel outil d’intelligence artificielle (IA) que nous avons développé et qui utilise les données de patients du monde entier pour guider un traitement plus personnalisé et plus efficace contre la tuberculose.

Prédire le succès ou l’échec

Mon équipe et moi voulions identifier quelles variables pourraient prédire la façon dont un patient répond au traitement antituberculeux. Ainsi, nous avons analysé plus de 200 résultats de tests cliniques, images médicales et prescriptions de médicaments provenant de plus de 5 000 patients tuberculeux dans 10 pays. Nous avons examiné des informations démographiques telles que l’âge et le sexe, les antécédents de traitement et si les patients souffraient d’autres maladies. Enfin, nous avons également analysé les données sur diverses souches de tuberculose, telles que les médicaments auxquels l’agent pathogène est résistant et les mutations génétiques qu’il présente.

L’analyse d’énormes ensembles de données comme ceux-ci peut s’avérer fastidieuse. Même la plupart des outils d’IA existants ont du mal à analyser de grands ensembles de données. Des études antérieures utilisant l’IA se sont concentrées sur un seul type de données, telles que les images ou l’âge, et ont eu un succès limité dans la prédiction des réponses des patients aux traitements antituberculeux.

Nous avons utilisé une approche d’IA qui nous a permis d’analyser simultanément un nombre important et diversifié de variables et d’identifier leur relation avec les résultats du traitement contre la tuberculose. Notre modèle d’IA était transparent , ce qui signifie que nous pouvions voir son fonctionnement interne pour identifier les caractéristiques cliniques les plus significatives. Et il était également multimodal , ce qui signifie qu’il pouvait interpréter différents types de données en même temps.

Après avoir entraîné notre modèle d’IA pour analyser l’ensemble de données, nous avons constaté qu’il pouvait prédire le pronostic du traitement avec une précision de 83 % sur les nouvelles données de patients et surpasser les modèles d’IA existants. En d’autres termes, nous pourrions introduire les informations d’un nouveau patient dans le modèle et l’IA déterminerait si un traitement spécifique réussirait ou non.

Nous avons observé que les caractéristiques cliniques liées à la nutrition , notamment un indice de masse corporelle (IMC) plus faible, sont associées à l’échec du traitement. Cela conforte le recours à des interventions visant à améliorer la nutrition, car la tuberculose est généralement plus répandue dans les populations sous-alimentées .

Nous avons également constaté que certaines combinaisons de médicaments fonctionnaient mieux chez les patients présentant certains types d’infections pharmacorésistantes mais pas chez d’autres, conduisant à un échec thérapeutique. La combinaison de médicaments synergiques , c’est-à-dire ceux qui augmentent mutuellement leur puissance en laboratoire, peut donner de meilleurs résultats.

Compte tenu de l’environnement complexe du corps par rapport aux conditions de laboratoire, il n’était pas clair jusqu’à présent si les relations synergiques entre les médicaments en laboratoire tenaient le coup dans la pratique clinique. Nos résultats suggèrent que l’utilisation de l’IA pour éliminer les médicaments antagonistes , ou les médicaments qui s’inhibent ou se neutralisent, dès le début du processus de découverte et de développement de nouveaux médicaments, pourrait prévenir les échecs thérapeutiques à l’avenir.

Éradiquer la tuberculose grâce à l’IA

Nos résultats pourraient aider les chercheurs et les cliniciens à atteindre l’objectif de l’Organisation mondiale de la santé visant à mettre fin à la tuberculose d’ici 2035 en mettant en évidence l’importance relative des différents types de données cliniques. Cela peut aider à prioriser les efforts de santé publique pour atténuer les impacts de la tuberculose.

Bien que les performances de notre outil d’IA soient prometteuses, elles ne sont pas parfaites dans tous les cas et une formation supplémentaire est nécessaire avant de pouvoir l’utiliser en pratique clinique. La diversité démographique peut être élevée au sein d’un pays et peut même varier d’un hôpital à l’autre. Nous travaillons à rendre cet outil plus généralisable afin qu’il puisse être utilisé dans toutes les régions du monde.

Notre objectif est d’adapter notre modèle d’IA pour identifier les schémas thérapeutiques appropriés pour les personnes souffrant de certaines conditions. Au lieu d’un protocole de traitement unique, nous espérons que l’étude de plusieurs types de données pourra aider les médecins à personnaliser les traitements pour chaque patient afin de fournir les meilleurs résultats.

Sriram Chandrasekaran

Professeur agrégé de génie biomédical, Université du Michigan