Lors de la conférence MedTech IA organisée par Flint et KYomed INNOV, la société Pixacare a présenté son retour d’expérience dans le développement d’un outil d’IA pour le suivi des plaies chroniques, une pathologie souvent sous-estimée mais représentant un véritable enjeu de santé publique
.png)
L’intelligence artificielle (IA) appliquée à la santé suscite un vif intérêt, notamment en matière d’amélioration du suivi et de la prise en charge des patients. Lors de la conférence MedTech IA organisée par Flint et KYomed INNOV, la société Pixacare a présenté son retour d’expérience dans le développement d’un outil d’IA pour le suivi des plaies chroniques, une pathologie souvent sous-estimée mais représentant un véritable enjeu de santé publique. Cet article se penche sur les problématiques techniques rencontrées par Pixacare et sur les solutions innovantes qu’ils ont mises en place pour les surmonter.
‍
L’un des défis majeurs auxquels Pixacare a été confronté dans le développement de son outil est la collecte de données de qualité. Dans le cadre d’une solution d’IA dédiée aux plaies chroniques, les données principales sont des photographies de plaies, qui présentent plusieurs particularités techniques.
Contrairement à des données médicales standardisées comme les clichés radiologiques (souvent structurés dans des formats comme le DICOM), les photographies de plaies sont prises dans des conditions extrêmement variables. Les soignants utilisent des smartphones dans différents environnements (hôpital, domicile), sous des lumières et des angles qui varient. Ces variations rendent le traitement algorithmique beaucoup plus complexe, car les modèles doivent être capables de s’adapter à une large gamme de situations.
Pixacare a donc dû construire un dataset diversifié, composé de plus de 4000 photographies médicales issues de divers établissements hospitaliers et conditions de prise de vue. Cela a nécessité des accords avec plusieurs hôpitaux pour garantir la confidentialité et l’anonymisation des données, un point crucial en matière de conformité RGPD et de réglementation médicale.
Pour surmonter la variabilité des photos, Pixacare a innové en développant un sticker de calibration. Ce sticker, placé à côté de la plaie lors de la prise de vue, permet de normaliser la couleur et la luminosité des images en utilisant des marqueurs RGB spécifiques. De plus, ce sticker intègre des références physiques permettant de calculer avec précision la taille de la plaie, quelle que soit la distance de la caméra au sujet. Cela permet d’éviter les biais liés à l’exposition ou à l’angle de prise de vue, rendant les données visuelles plus exploitables par l’algorithme de traitement d’image.
‍
La deuxième problématique technique que Pixacare a dû résoudre concerne la variabilité des mesures des plaies entre les différents professionnels de santé. La mesure manuelle des plaies, réalisée avec des outils comme des réglettes, est sujette à des erreurs importantes. Des études menées par Pixacare ont révélé une variabilité de plus de 20 % entre deux soignants mesurant la même plaie, et une variabilité intra-individuelle de 16 %, c’est-à -dire lorsqu’un même professionnel évalue une plaie à deux moments différents.
‍
Pixacare a développé un algorithme capable de segmenter automatiquement la plaie et de reconnaître différents types de tissus, comme la fibrine, la granulation ou la nécrose, qui sont essentiels pour évaluer le stade de cicatrisation. Cet algorithme repose sur des techniques de computer vision et de deep learning, entraîné sur les images annotées par des experts. L’outil d’intelligence artificielle est capable de reproduire le jugement d’un expert médical avec une précision équivalente à celle observée entre deux médecins spécialistes, tout en standardisant le processus.
En pratique, l’algorithme effectue une segmentation pixel-par-pixel pour isoler les différents tissus d’une plaie, en s’appuyant sur des techniques de convolutional neural networks (CNN) adaptées à l’analyse d’images médicales. L'outil est capable d'analyser non seulement la taille de la plaie, mais aussi la qualité de la cicatrisation en fonction des proportions des différents tissus présents.
L’un des obstacles les plus importants pour Pixacare a été de concilier l’innovation technologique avec les exigences réglementaires en matière de dispositifs médicaux. En Europe, obtenir le marquage CE pour un dispositif médical intégrant de l’IA nécessite de prouver la sécurité et la performance du produit à travers des études cliniques rigoureuses. Ce processus, long et coûteux, impose aux entreprises de suivre des normes strictes, notamment en matière d’évaluation clinique et de gestion des risques.
Pour répondre à ces exigences, Pixacare a mené une étude clinique sur 42 patients afin de comparer la performance de son algorithme de mesure des plaies à celle des méthodes traditionnelles. Les résultats ont montré que leur algorithme atteignait une marge d’erreur comparable à celle observée dans la pratique clinique humaine, ce qui a permis de valider la robustesse de leur modèle.
Par ailleurs, Pixacare a mis en place un processus permettant aux professionnels de santé de corriger manuellement les mesures automatisées en cas d’erreur. Cette étape est essentielle pour garantir que, dans les cas où l’algorithme ne parvient pas à fournir une analyse correcte (par exemple en raison d'une prise de vue non optimale), l'utilisateur humain puisse ajuster le contour de la plaie ou la segmentation des tissus. Cette double validation, humaine et algorithmique, est cruciale pour satisfaire les critères de sécurité des dispositifs médicaux en Europe.
Le développement d’une solution d’intelligence artificielle dans le domaine médical, comme l’a montré l’exemple de Pixacare, nécessite non seulement une expertise technique en traitement d’image et en machine learning, mais aussi une solide compréhension des contraintes du domaine de la santé. La collecte de données, la gestion de la variabilité des mesures et la conformité aux régulations sont autant de défis que les équipes techniques doivent surmonter pour concevoir des outils performants et sûrs.
Pixacare a su répondre à ces enjeux grâce à des innovations comme le sticker de calibration, des algorithmes de segmentation des tissus précis, et une approche réglementaire rigoureuse. Ces solutions permettent non seulement d'améliorer le suivi des plaies chroniques, mais ouvrent aussi la voie à d'autres applications de l'IA dans le domaine de la santé, où la fiabilité et la sécurité sont primordiales.
Ainsi, les tech leads et CTOs confrontés à des projets similaires pourront tirer des enseignements précieux de cette expérience, notamment en matière de qualité des données, de robustesse des algorithmes et de gestion des exigences réglementaires dans un environnement aussi sensible que celui de la santé.
‍
Découvrez toutes les autres vidéos de notre conférence MedTech-IA sur notre chaine Youtube.
‍
Flint, acteur clé de cette transformation, met son expertise à disposition des entreprises via son Gen AI Factory. Cette offre accompagne les projets d'IA de leur conception à leur déploiement. Si vous souhaitez exploiter le plein potentiel de l'IA pour vos solutions MedTech, découvrez l'offre IA complète de Flint.
.png){kind=small}
