Parkinson : cette IA dépasse les médecins… mais peut-elle tenir dans une montre ?

—

Bah oui, on a l’air cool avec nos capteurs portables et nos IA qui analysent nos tremblements en mode \ »je suis un cyborg\ ». Mais si tu demandes à un neurologue, il te répondra encore qu’il galère avec des évaluations subjectives genre \ »hmm, ce tremblement, c’est un 2,5 ou un 3 ?\ ». Bonne nouvelle (ou pas) : des chercheurs viennent de balancer une IA qui promet de changer la donne. Sur le papier, c’est trop beau pour être vrai, mais dans le vrai monde, c’est encore un peu foireux. On déballe ça ensemble.

—

Les limites des vieilles méthodes

Imagine un patient atteint de Parkinson. Tous les 6 à 9 mois, il se pointe chez son doc, qui note ses symptômes pendant 20 minutes avec une échelle subjective (UPDRS). Résultat ? Tu te retrouves avec des scores qui varient d’un médecin à l’autre, et une surveillance tellement espacée que tu peux oublier l’évolution entre deux rendez-vous. C’est là que les wearables entrent en jeu. Un accéléromètre sur ton bras ou un gyroscope dans ta chaussure, et hop, t’as des données continues sur tes mouvements. Mais comment transformer ces données en infos utiles ? C’est là qu’intervient l’IA.

—

L’IA qui fait tout péter

Les chercheurs ont utilisé des hypergraphes spatio-temporels pour modéliser les symptômes chevauchants (genre tremblements + bradykinésie simultanés). Si tu connais pas, les hypergraphes, c’est comme des graphes, mais en plus stylés : une arête peut relier plusieurs nœuds en même temps, parfait pour des symptômes complexes. Couple ça avec des réseaux neuronaux à auto-attention, et t’as une IA capable de détecter les symptômes avec >85% de sensibilité, en temps réel et de manière continue.

Mais encore mieux : cette IA peut suivre l’effet des médicaments sur les symptômes, avec une granularité temporelle fine. En gros, fini le \ »prends ta pilule et on verra dans 3 mois\ ». Avec cette tech, on pourrait ajuster les doses en temps réel, en fonction de ce qui marche vraiment pour toi.

—

Le souci : ça pèse une tonne

Bon, c’est bien beau tout ça, mais y’a un hic. Les modèles à base d’hypergraphes + auto-attention, c’est computationnellement très lourd. Pour ça, il te faut des GPU (ou même des TPU si t’es riche). Mais pour intégrer ça dans un wearable genre une montre ou un patch portable, faut que ça tourne sur un Raspberry Pi ou un NVIDIA Jetson avec une conso énergétique acceptable. Et là, c’est pas gagné.

D’ailleurs, les chercheurs n’ont même pas mentionné de prototype hardware. Ils parlent de \ »percée potentielle\ », mais sans preuve concrète, c’est un peu du vent. Et puis, pas un mot sur les faux positifs ou les patients avec des comorbidités (genre diabète ou arthrose).

—

Et la validation, on en parle ?

Pour que cette tech soit utilisée en clinique, il faut valider tout ça sur des centaines, voire des milliers de patients, avec des cohortes démographiques diverses. Or, pas un mot sur la taille du dataset utilisé dans l’étude. Ça sent le \ »on a testé sur un échantillon hyper sélectif\ ». Et en plus, ils mentionnent que ça pourrait aussi servir pour d’autres maladies comme la sclérose en plaques ou Huntington, mais sans adaptation du modèle ni preuve. Vraiment ?

—

Alors, on fait quoi ?

Bon, malgré ces défauts, c’est clairement une avancée intéressante. Les hypergraphes, c’est une idée brillante, et l’auto-attention, ça promet. Mais avant de parler d’intégration dans des wearables grand public, il faudrait déjà un prototype fonctionnel et des tests à grande échelle.

Si t’es développeur, je te conseille de checker des libs comme DGL ou PyTorch Geometric pour jouer avec les hypergraphes. Et si t’as un NVIDIA Jetson qui traîne, fais-moi signe, j’ai deux trois idées pour des side projects. 😏

—

En attendant, je vais continuer à trembler pour ces pauvres patients dont les tremblements sont mieux décodés par une IA que par leur médecin. On est en 2023, franchement. ^^