...

D'une personne à l'autre, la douleur n'est pas perçue, ni vécue, de la même manière. La compréhension de la douleur humaine subjective reste un défi majeur. Des chercheurs de l'Université Johns Hopkins sont persuadés que si des données objectives pouvaient être utilisées à la place des niveaux de douleur déclarés, cela permettrait d'approfondir la compréhension que nous avons des causes de la douleur, de la prédire d'une manière plus précise, de la gérer plus efficacement et ainsi réduire le fardeau des patients. Selon eux, cinq données vitales sont susceptibles de caractériser un niveau de douleur comme étant faible, modéré ou élevé: la pression artérielle, les fréquences cardiaque et respiratoire, la température et le taux d'oxygène. Partant de là, les scientifiques ont développé grâce à l'apprentissage automatique un système d'IA capable de collecter et d'analyser les cinq données vitales chez des patients hospitalisés, atteints de drépanocytose. Cette maladie génétique héréditaire affecte la structure de l'hémoglobine et occasionne des caillots dans les vaisseaux, ce qui bien souvent induit des complications et des crises de douleur débilitantes. Toute leur vie, les patients luttent contre la douleur chronique et aiguë. À défaut d'un traitement curatif contre la pathologie, cette douleur peut être gérée par des médicaments, des analgésiques par exemple. Mais, sur le long terme, si les prises sont trop régulières, cela peut entraîner une dépendance ou des effets indésirables. Le dosage est donc un élément crucial, et, pour fixer les doses appropriées, il convient de pouvoir déterminer la douleur subjective du patient, ce qui est loin d'être évident. D'où l'intérêt de disposer d'une IA performante, qui, en prenant en compte les cinq données vitales physiologiques des patients, est capable d'évaluer leur douleur subjective. Malgré les défis que représentent les horaires irréguliers, les données manquantes et les variations entre les patients, l'équipe de Johns Hopkins démontre que ses modèles probabilistes séquentiels et non séquentiels sont plus efficaces que les modèles de base pour estimer en temps réel la douleur subjective, distinguer les niveaux de douleur typiques et atypiques et détecter les changements dans la douleur. Ils en ont conclu que la souffrance des malades était analysée plus précisément par l'IA. "Des études comme la nôtre confirment le potentiel de l'IA pour améliorer notre capacité à surveiller les patients de manière moins invasive et, en fin de compte, à être en mesure de fournir des traitements au bon moment et mieux ciblés", souligne Mark Panaggio, un des auteurs. Partant du principe qu'au plus il y aura d'informations prises en compte, meilleurs seront les outils pour prévenir et soigner la douleur, les chercheurs aimeraient adapter leur modèle à d'autres types de données, comme les trackers de fitness.