Surveillance des plaies chroniques par intelligence artificielle

Les plaies chroniques touchent des millions de patient·es, et la tendance est à la hausse. Parallèlement, les centres spécialisés dans le traitement des plaies ainsi que le personnel formé font souvent défaut. Les applications mobiles et le recours à l’intelligence artificielle peuvent apporter une réponse à cette problématique.

Une documentation complète est essentielle, en particulier dans la prise en charge à long terme des plaies chroniques – mais elle est souvent difficile à mettre en œuvre au quotidien en raison de contraintes de temps. Il existe également un manque de consensus quant aux méthodes de mesure. La mesure peut être effectuée soit par la détermination de la surface de la plaie, soit par la mesure de sa longueur et de sa largeur (ainsi que, le cas échéant, de sa profondeur). Dans la pratique, les efforts de standardisation ne sont malheureusement pas appliqués de manière systématique. L’utilisation de différentes méthodes comporte le risque de sous-estimer ou de surestimer la taille de la plaie. C’est pourquoi de nombreuses solutions commerciales ont été développées ces dernières années afin de mesurer de manière objective les surfaces des plaies à l’aide d’applications mobiles pour téléphones portables ou de caméras spécifiques.

Imito (CH), Swift Medical (CAN) et CARE4WOUNDS (SPG) en sont des exemples, en tant qu’applications mobiles établies pour la documentation et la mesure des plaies. Le groupe cible est constitué d’utilisateur·trices professionnel·les (médecins, personnel soignant, expert·es en plaies). Alors qu’imito se distingue par son applicabilité en pratique clinique, sa grande précision de mesure grâce à une approche basée sur des marqueurs, ainsi que son intégration fluide dans les systèmes cliniques existants – et qu’il est déjà utilisé dans de nombreux hôpitaux de la région DACH – Swift Medical mise sur une analyse sans marqueurs assistée par intelligence artificielle (IA), avec un accent sur la reconnaissance des surfaces et des couleurs.CARE4WOUNDS, quant à lui, propose une solution conviviale pour le personnel soignant et les soins ambulatoires, avec une documentation photographique intégrée et un suivi simplifié de l’évolution. Les trois applications permettent une prise en charge structurée et numérique des plaies et améliorent la communication entre les professionnel·les de santé.

Soins centrés sur les patient·es

Il est toutefois surprenant de constater qu’il existe très peu d’applications centrées sur les patient·es dans le domaine des plaies. Cela s’explique probablement par l’âge moyen élevé des personnes concernées et la faible affinité technologique qui en découle. Dans une étude que nous avons menée,¹ une seule application pour téléphone portable a convaincu à la fois les médecins et les patient·es. L’application autrichienne WUND APP ( https://wundapp.at ) a été développée spécifiquement pour les patient·es souffrant de plaies chroniques. Elle vise une amélioration durable de la qualité de vie des patient·es et de leurs proches, en permettant une documentation continue réalisée par les personnes concernées elles-mêmes, au moyen d’une fonction de journal et d’une caméra intégrée. Cela permet non seulement d’améliorer l’efficacité de la prise en charge médicale, mais offre également aux utilisateur·trices une aide précieuse pour s’orienter dans la gestion de leur plaie chronique. Afin de relier l’approche des applications centrées sur les soignant·es et celles centrées sur les patient·es, nous avons développé, l’Universitätsklinikum Würzburg en collaboration avec l’Institut d’informatique II de l’Université de Würzburg (Pr Samuel Kounev et Vanessa Borst), une application mobile destinée aux patient·es ainsi qu’un tableau de bord correspondant pour les médecins traitant·es. L’application renforce l’autogestion et permet une détection précoce des infections ainsi que la mise en évidence des charges psychiques – ce qui permet, dans certains cas, d’éviter des hospitalisations.

Contexte technique

Sur le plan technique, le système repose sur un modèle d’IA dit «explainable AI» (XAI), c’est-à-dire une IA explicable. Pour visualiser les processus décisionnels, des «Gradient-weighted Class Activation Maps» (Grad-CAM) sont utilisées – des cartes thermiques codées par couleur qui indiquent quelles zones de l’image ont contribué de manière déterminante à la classification («Quel type de plaie est présent?») ou à la segmentation («Où se situe précisément le bord de la plaie?»). Cela permet de comprendre sur quels éléments l’IA se base, par exemple lors de la détection des bords de la plaie ou de modifications inflammatoires, et les décisions restent toujours vérifiables par les professionnel·les de santé (Fig.1). XAI désigne des systèmes d’IA dont les décisions sont compréhensibles pour les humains, ce qui en favorise l’acceptation.²Dans l’application, la taille de la plaie est automatiquement détectée et marquée visuellement. Les incertitudes de l’IA sont visualisées sous forme de carte de chaleur, et l’application s’améliore en continu grâce à l’ajout de nouvelles images – la décision finale reste ainsi entre les mains des professionnel·les de santé, soutenue par une technologie transparente et explicable.

© Hautklinik Würzburg

Fig.1: Différents cas de plaies, présentés en plusieurs colonnes. Sur la ligne supérieure, les bords des plaies sont indiqués tels qu’ils ont été marqués manuellement par des professionnel·les de santé (servant de référence pour l’évaluation de l’IA). En dessous, sont présentés les résultats de différents modèles d’IA. Les superpositions colorées – appelées Grad-CAM (cartes thermiques) – permettent de visualiser quelles zones de l’image ont été utilisées par l’IA concernée pour la prise de décision. Selon le modèle, le positionnement, la netteté et la forme des zones de plaies détectées diffèrent. Le comportement d’un système d’IA est fortement influencé par son architecture et son entraînement

Utilisation pour déterminer les causes des plaies

Dans un autre projet, la distinction des causes des plaies à l’aide de l’IA est également à l’étude. En particulier, l’identification de types de plaies rares tels que le pyoderma gangrenosum, l’ulcère hypertensif de Martorell ou la vasculopathie livédoïde peut améliorer la qualité du traitement, réduire précocement la charge de la maladie pour les personnes concernées et limiter les séquelles à long terme. Dans ce contexte, les travaux de Birkner et al. à la Paracelsus Medizinische Privatuniversität de Nuremberg méritent d’être mentionnés.³ Dès 2022, ce groupe de recherche a montré qu’il était possible de distinguer avec succès un pyoderma gangrenosum (parfois très difficile à diagnostiquer en pratique clinique) d’un ulcère veineux grâce à l’IA. Ce résultat a également été validé de manière externe dans un rapport de cas ultérieur.⁴ L’utilisation de XAI est également pertinente pour déterminer les causes des plaies. L’IA est parfois qualifiée de «boîte noire» et critiquée pour cette raison. Cela peut notamment poser problème lorsque les résultats obtenus semblent «trop beaux pour être vrais». Un aspect important est le «surapprentissage» (overfitting), c’est-à-dire le fait qu’un modèle d’IA est trop fortement ajusté aux données d’entraînement et apprend des détails non pertinents qui ne sont pas transférables à de nouvelles données. Un exemple en est présenté à la Figure 2. Dans le cadre d’une tâche visant à distinguer les différents types de plaies, le système identifie à tort des règles (à gauche) ou des sutures chirurgicales (à droite) comme des plaies et les associe ensuite à la cause de la plaie. Il est donc essentiel de procéder en amont à un traitement approprié des données d’entraînement (par exemple en recadrant des images) afin d’harmoniser au mieux les données d’entrée. Par la suite, les éventuelles erreurs d’interprétation de l’IA peuvent en outre être rendues explicables grâce à XAI.

© Hautklinik Würzburg

Fig.2: Deux exemples négatifs de classification automatisée des plaies par IA. Au lieu des régions de plaie proprement dites, le modèle se focalise sur des éléments d’image non pertinents: à gauche, le système reconnaît principalement la règle (flèche noire), utilisée comme échelle de taille; à droite, c’est surtout le matériel de suture après une biopsie (flèche noire) qui est pris comme base de décision. Une IA explicable (par exemple à l’aide de visualisations Grad-CAM) est essentielle pour identifier et corriger précocement ce type de mécanismes décisionnels indésirables

Perspectives

Notre application, développée de manière interdisciplinaire, se trouve actuellement en phase d’évaluation clinique. Une intégration ultérieure dans la prise en charge clinique est prévue et se fera en étroite collaboration avec l’association Initiative Chronische Wunden e.V., qui soutient également le projet sur le plan financier. L’objectif est d’assurer une prise en charge des plaies structurée et intersectorielle, fondée sur une collecte de données standardisée et un diagnostic assisté par IA. À plus long terme, une utilisation est envisageable non seulement pour les plaies chroniques, mais aussi pour les plaies postopératoires.