L’aide au diagnostic médical
167
maladies », les 5 000 signes étant répartis en cinq catégories : les symptômes, les
atteintes spécifiques, les examens complémentaires, les incidences particulières
et les antécédents. En fonction des signes spécifiés (clic sur les items du dictionnaire à gauche de l’écran pour sélection, cf. fig.
f f
10), « Le Sémiologiste » propose
une liste de maladies probables, classées par ordre de pertinence (en bas à droite
de l’écran).
7.5 Conclusions et perspectives
Avec le développement de l’informatique, et du fait de l’augmentation
constante des connaissances médicales, l’idée d’utiliser la puissance de calcul
et les capacités mémoire des ordinateurs s’est rapidement imposée et de
nombreux systèmes informatisés d’aide au diagnostic médical ont été développés. Les premiers utilisaient des approches numériques et avaient de bonnes
performances. Pourtant, la présentation des résultats sous la forme de diagnostics probables n’a pas convaincu et ces systèmes n’ont pas été utilisés en routine
clinique. Avec l’avènement de l’intelligence artificielle, des systèmes experts qui
avaient l’ambition de simuler les activités humaines d’expertise ont été développés. Ils ont initialement séduit les médecins attirés par une technoscience
futuriste : les systèmes experts pouvaient expliquer leur raisonnement dans un
langage quasi naturel. Pourtant, en dépit de ces qualités, les systèmes experts
n’ont pas non plus été utilisés en routine clinique.
D’abord, les performances des premières versions des systèmes experts se sont
avérées insuffisantes dès lors qu’on s’attachait à résoudre de « vrais » problèmes
diagnostiques hors des « micro-mondes » sur lesquels ils avaient été développés.
Par ailleurs, l’évaluation systématique de ces systèmes, pré requis indispensable
à une utilisation effective, n’a pas été réalisée, en particulier du fait d’un manque
de méthodologie. Sur le plan technique, la qualité d’un système expert médical
repose sur la qualité de sa base de connaissances et sur la qualité de son moteur
d’inférence, il est difficile d’évaluer séparément les deux modules. De plus, la
construction de ces deux modules est complexe. Ainsi, la construction de la base
de connaissances a longtemps été considérée comme l’étape limitante du développement des systèmes experts, les experts utilisés comme sources de connaissance ont en effet toujours eu des difficultés à formaliser leurs connaissances
par définition « compilées » par l’expérience. Aussi, de nombreux travaux ont
été conduits en apprentissage automatique pour apprendre les bases de connaissances, par exemple à partir de dossiers de patients résolus. Actuellement, les
sources de connaissances utilisées sont les guides de bonne pratique ou référentiels qu’il s’agit de formaliser, ce qui reste compliqué du fait de incomplétude et
de l’ambiguïté structurelle de ces documents. De la même manière, le moteur
d’inférence doit conduire des raisonnements complexes où les chaînages avant
et arrière s’imbriquent (chaînage mixte) et les logiques se diversifient (logique
multivaluée, logique floue, gestion des exceptions, conflit entre les règles, etc.).
Pour finir, ces systèmes doivent s’envisager intégrés dans les applications du
167
maladies », les 5 000 signes étant répartis en cinq catégories : les symptômes, les
atteintes spécifiques, les examens complémentaires, les incidences particulières
et les antécédents. En fonction des signes spécifiés (clic sur les items du dictionnaire à gauche de l’écran pour sélection, cf. fig.
f f
10), « Le Sémiologiste » propose
une liste de maladies probables, classées par ordre de pertinence (en bas à droite
de l’écran).
7.5 Conclusions et perspectives
Avec le développement de l’informatique, et du fait de l’augmentation
constante des connaissances médicales, l’idée d’utiliser la puissance de calcul
et les capacités mémoire des ordinateurs s’est rapidement imposée et de
nombreux systèmes informatisés d’aide au diagnostic médical ont été développés. Les premiers utilisaient des approches numériques et avaient de bonnes
performances. Pourtant, la présentation des résultats sous la forme de diagnostics probables n’a pas convaincu et ces systèmes n’ont pas été utilisés en routine
clinique. Avec l’avènement de l’intelligence artificielle, des systèmes experts qui
avaient l’ambition de simuler les activités humaines d’expertise ont été développés. Ils ont initialement séduit les médecins attirés par une technoscience
futuriste : les systèmes experts pouvaient expliquer leur raisonnement dans un
langage quasi naturel. Pourtant, en dépit de ces qualités, les systèmes experts
n’ont pas non plus été utilisés en routine clinique.
D’abord, les performances des premières versions des systèmes experts se sont
avérées insuffisantes dès lors qu’on s’attachait à résoudre de « vrais » problèmes
diagnostiques hors des « micro-mondes » sur lesquels ils avaient été développés.
Par ailleurs, l’évaluation systématique de ces systèmes, pré requis indispensable
à une utilisation effective, n’a pas été réalisée, en particulier du fait d’un manque
de méthodologie. Sur le plan technique, la qualité d’un système expert médical
repose sur la qualité de sa base de connaissances et sur la qualité de son moteur
d’inférence, il est difficile d’évaluer séparément les deux modules. De plus, la
construction de ces deux modules est complexe. Ainsi, la construction de la base
de connaissances a longtemps été considérée comme l’étape limitante du développement des systèmes experts, les experts utilisés comme sources de connaissance ont en effet toujours eu des difficultés à formaliser leurs connaissances
par définition « compilées » par l’expérience. Aussi, de nombreux travaux ont
été conduits en apprentissage automatique pour apprendre les bases de connaissances, par exemple à partir de dossiers de patients résolus. Actuellement, les
sources de connaissances utilisées sont les guides de bonne pratique ou référentiels qu’il s’agit de formaliser, ce qui reste compliqué du fait de incomplétude et
de l’ambiguïté structurelle de ces documents. De la même manière, le moteur
d’inférence doit conduire des raisonnements complexes où les chaînages avant
et arrière s’imbriquent (chaînage mixte) et les logiques se diversifient (logique
multivaluée, logique floue, gestion des exceptions, conflit entre les règles, etc.).
Pour finir, ces systèmes doivent s’envisager intégrés dans les applications du