L’IA pour la détection précoce de la tuberculose chez les personnes vivant avec le VIH

Santé
Muhimbili University of Health and Allied Sciences

Aperçu

Un outil de diagnostic basé sur l’intelligence artificielle, développé en Tanzanie, aide les cliniciens à détecter la tuberculose chez les patients vivant avec le VIH à partir de radiographies thoraciques avec une précision de 92 %, transformant potentiellement le diagnostic de la tuberculose dans certains des systèmes de santé les plus sous‑ressourcés au monde.

La tuberculose reste l’une des principales causes de décès chez les personnes vivant avec le VIH, pourtant le diagnostic précis dans les zones à forte prévalence est constamment limité par le manque de spécialistes et la surcharge des systèmes de santé. En Tanzanie, comme dans une grande partie de l’Afrique subsaharienne, les retards dans la détection de la tuberculose se traduisent directement par des décès évitables.

Pour y remédier, des chercheurs ont développé un modèle d’apprentissage profond utilisant des réseaux de neurones convolutifs (CNN) entraînés sur des radiographies thoraciques d’environ 3 000 patients dans des cliniques publiques en Tanzanie. Le modèle identifie les cas de tuberculose avec une précision de 92 %, aidant les cliniciens à prendre des décisions diagnostiques plus rapides et cohérentes, sans nécessiter la présence de radiologues spécialistes sur place. Pour garantir que l’outil soit fiable et explicable, une visualisation par carte thermique a été intégrée, montrant aux cliniciens exactement quelles parties de la radiographie ont influencé le résultat du modèle, renforçant ainsi la confiance dans les décisions assistées par l’IA.

Avec des taux de co‑infection TB‑VIH restant critiques dans la région, un outil de diagnostic précis, explicable et évolutif de ce type pourrait réduire significativement les délais de diagnostic, améliorer les résultats des traitements et alléger la charge des travailleurs de santé déjà surmenés, offrant un modèle d’IA responsable pour un déploiement clinique dans les contextes à forte prévalence et ressources limitées.

enfr