Résumé :
L'essor du numérique dans le domaine de la santé, la digitalisation des métiers de santé, avec une focalisation particulière sur la santé animale, notamment celle des chiens est en marche. L'introduction de carnets de santé numériques et de bases de données structurées, telles que le système CLOVIS, représente une avancée significative. Ces bases de données, souvent de grande envergure et qualifiées de "big data", permettent une meilleure compréhension des paramètres liés aux pathologies animales.
L'utilisation d'outils informatiques associés à des techniques d'apprentissage automatique contribue à caractériser les animaux et à identifier des relations mathématiques entre les paramètres de santé enregistrés et les maladies. La qualité des données et de la solidité des modèles obtenus est cruciale.
La capacité de ces bases de données à regrouper des millions de cas permet une analyse approfondie des paramètres confondants des pathologies. Ces analyses automatisées facilitent des diagnostics plus rapides et des recommandations de traitement plus précises. En outre, l'auteur explore le potentiel des modèles obtenus pour prédire les risques de développement de pathologies, déterminer les variables responsables, et détecter l'émergence de nouvelles maladies.
En conclusion, l'enregistrement structuré des informations de santé animale, combiné à des outils d'analyse et de modélisation, représente une avancée prometteuse pour la compréhension, l'anticipation et le traitement des pathologies, visant ainsi à améliorer le bien-être des animaux
Article complet
Le digital, correspondant à l’utilisation de systèmes informatiques pour partager, stocker et valoriser des informations générales ou personnelles, prend une part croissante dans notre vie. Récemment, la mise en place d’un carnet de santé numérique (« mon espace santé ») est en outil permettant de partager des informations utiles avec et entre professionnels de santé, y compris dans des cas d’urgence médicales. Toutes ces évolutions se retrouvent également au niveau de la santé animale, en particulier canine. Ainsi le système CLOVIS (L. Ghyselinck 2006), commun aux structures hospitalières associées aux Ecoles Nationales Vétérinaires permet (1) une structuration des informations de santé, (2) un partage de ces informations entre intervenants de santé, (3) un meilleur diagnostique et (4) suivi de santé. Au-delà d’un simple carnet de santé où sont répertoriées des informations de santé, la notion de base de données de santé structurée, dont la qualité des informations est une exigence forte, est une source de connaissance importante. Ainsi l’expérience d’un professionnel de santé est la somme de sa formation, et des cas rencontrées lors de ses consultations. L’expérience sera d’autant plus grande que la diversité et le nombre de cas sera grand. C’est ce qui fait la puissance des bases de données qui peut regrouper des milliers voire millions de cas. L’exploitation de l’information présente dans ces bases, permet de mieux comprendre une pathologie, sa progression et son traitement. Historiquement, ce fut d’abord des analyses descriptives simples (M. Raghavan et al 2007). L’analyse des informations a également pu mieux comprendre les besoins de santé (V. Serretielo 2022).
Les informations de santé animale, canine en particulier, peuvent être classées en 3 grandes catégorie (A. N. Paynter et al. 2021) : Informations de santé issues du milieu vétérinaire, celles issues des assurances de santé, enfin celles de projets de recherche. Il est à noter que la taille que peuvent atteindre certaines bases permettent d’entrer dans le monde du « big data » (plus de 7 millions d’enregistrements pour la base DVDB partagée par 27 universités entre le Canada et les USA, 15 millions d’animaux dans le cas de la base VetCompass, partagée par 1800 vétérinaires en Grande Bretagne). La taille et la diversité des informations contenues dans ces bases de données associées à l’utilisation d’outils informatiques de trie de données et analyse automatisées permettent de mieux comprendre les paramètres confondants des pathologies, ainsi que d’automatiser les analyses pour des diagnostiques plus rapides, plus performants ainsi que des recommandations de traitement et hygiène de vie plus pertinents.
Les outils utilisés pour exploités ces bases de données font appel à des technologies d’apprentissage automatisés. Un chien est alors caractérisé par un certain nombre de paramètres, appelées variables, (tels que ses constantes physiologiques, biochimiques, voire génétiques, sous forme d’enregistrements d’analyses, de scanners, radiographie, ses habitudes de vie dont l’alimentation, etc.), son état de santé (pathologie par exemple). On étudie une observation qui peut être une pathologie (génétique ou acquise) ou une échelle décrivant par exemple un bien-être animal (V. Davies et al. 2020, A. Schmutz et al. 2022). L’approche consiste alors à utiliser des « outils mathématiques » qui vont rechercher l’existence de relations (modèle) entre la propriété de santé d’intérêt (pathologie par exemple) et les paramètres enregistrés pour chaque animal. Il est clair que (a) plus le nombre de cas sera important et varié plus grande sera la possibilité de trouver la relation si celle-ci existe. (b) la qualité des données jouera directement sur la pertinence des modèles. Il faut enfin que les modèles observés soient robustes, c’est-à-dire indépendants du choix des animaux utilisés, et ne soient pas du au hasard. Si tout est vérifié, on obtient un modèle.
Celui peut permettre :
(a) de prédire le risque que l’élément de santé (par exemple une pathologie) soit développé par un animal avant que les premiers symptômes n’apparaissent uniquement à partir des observations disponibles (on parle alors d’un modèle prédictif).
(b) de déterminer les variables responsables de la manifestation de l’élément de santé, (on parle alors de modèle explicatif).
(c) de mettre en évidence l’émergence de nouvelles pathologies (P.-J. M. Noble et al. 2021)
Lorsque la quantité d’information est très importante (plusieurs millions d’enregistrements) ou très complexe (analyse d’images), ce sont des outils d’intelligence artificielles qui sont employées (P. Ezanno et al. 2020). A titre d’exemples, l’analyse de plus de quatre million de consultations vétérinaires a permis de mieux comprendre l’utilisation d’antibiotiques et permettra un meilleur usage (B. Hur et al. 2018). Même ChatGPT a été utilisé dans le cas du suivi de l’obésité lors de suivis vétérinaires (I.S. Fin et al. 2023).
Cette capacité de traitements (« intelligence artificielle ») permet à des automates – tels que des chatbots, des assistants numériques, ou des outils de génération intelligente de documents – d’une part de prendre en charge des taches administratives répétitives, d’assurer une relation cliente performante ainsi que des taches automatisables. Ceci permet : D’une part maitriser les coûts de fonctionnement, d’autre part d’exploiter de façon personnalisé les informations disponibles, et enfin permettre au professionnel de santé de se concentrer sur son patient canin. De plus, l’évolution des interfaces homme-machine, tend à faire permettre une interaction directe, en faisant disparaitre le côté impersonnel des périphériques tels que clavier, souris et écran (grâce en particulier aux outils de reconnaissance et commandes vocales). En amont de la consultation, l’automate prépare une synthèse personnalisée des informations utiles, puis assiste le praticien lors de la consultation. Le processus de diagnostic est amélioré par une séquence logique d'étapes bien définies, permettant un meilleur diagnostic et un suivi de santé plus précis.
En conclusion, l’enregistrement des informations de santé animales en bases structurée, associée à l’utilisation d’outils d’analyse et de modélisation adaptés aux informations disponibles sont des outils de plus en plus performants permettant de mieux comprendre, anticiper et traiter différentes pathologies, permettant d’améliorer grandement le bien-être animal.
Bibliographie
L. Ghyselinck 2006, Réalisation d’une application informatique de suivi clinique en clientèle canine, thèse de doctorat vétérinaire
M. Raghavan et al 2007, Prevalence of and Risk Factors for Canine Tick Infestation in the United States, 2002–2004, Vector-borne and Zoonotic Diseases 7(1) 65-75
V. Serretielo 2022, Profilage de la clientèle canine et de sa consommation de services en médecine préventive au centre hospitalier universitaire de l’Ecole Vétérinaire Nationale de Toulouse
A. N. Paynter et al. 2021, Veterinary Big Data: When Data Goes to the Dogs, Animals, 11(7), 1872. https://doi.org/10.3390/ani11071872
V. Davies et al. 2020, Development of an Early Warning System for Owners Using a Validated Health-Related Quality of Life (HRQL) Instrument for Companion Animals and Its Use in a Large Cohort of Dogs, Front. Vet. Sci. 7:575795. doi: 10.3389/fvets.2020.575795
A. Schmutz et al. 2022, Development and initial validation of a dog quality of life instrument, Scientific Reports 12:12225, https://doi.org/10.1038/s41598-022-16315-y
P. Ezanno et al. 2020, Intelligence artificielle et santé animale, INRAE Prod. Anim., 33 (2), 95-108
P.-J. M. Noble et al. 2021, Using topic modelling for unsupervised annotation of electronic health records to identify an outbreak of disease in UK dog, PLoS ONE 16(12): e0260402. https://doi.org/10.1371/journal.pone.0260402
B. Hur et al. 2018, Using natural language processing and VetCompass to understand antimicrobial usage patterns in Australia, Australian Veterinary Journal 97(8) 298-300
I.S. Fin et al. 2023, Evaluating ChatGPT text-mining of clinical records for obesity monitoring, arXiv 2308.01666v1, https://arxiv.org/abs/2308.01666
コメント