Projets en cours

Considérant l'importance que l'on attribue aux résultats des outils provenant de l'intelligence artificielle dans les domaines de la médecine, la capacité de comprendre ce qui permet à un réseau de neurones d'obtenir ses résultats est un atout majeur lorsqu'il faut décider si la prédiction est fiable ou non. 
Afin d'arriver à cet objectif, le projet a passé au travers de deux phases : l'évaluation du modèle et l'interprétation du modèle. Dans cette première phase a permis l'implémentation de méthodes généralisées pour évaluer la qualité de différents modèles en fonction de métriques communes préétablie. Une fois la qualité du modèle vérifié, le projet entre dans la deuxième phase où il était question d'implémenter des méthodes pour interpréter les prédictions du modèle afin de mieux comprendre ce qui permettait au modèle d'arriver à ses résultats.
Une troisième et dernière phase consistait en l'analyse des résultats d'interprétation obtenue et la présentation de ces derniers aux collègues travaillant sur le même réseau de neurones afin d'accroître la compréhension de ce dernier.
 

Le stagiaire a développé un outil de conversion de données d’annotation de nodules pulmonaires enregistrés dans des fichiers HDF5 vers le format de fichier DICOM. L’outil permet d’effectuer l’extraction des données d’annotation dans le fichier HDF5 ainsi que les données de tomodensitométrie des poumons des patients enregistrés dans une banque de données. Ensuite, l’outil génère et enregistre un fichier d’annotation DICOMen suivant la structure indiquée par le DICOM Standard Browser. L’étudiant a programmé cet outil en python tout en effectuant un suivi des versions à l’aide de Gitlab.

Le projet du stagiaire a permis la conversion d’une centaine de patients. Finalement, l’outil pourra être réutilisé par d’autres membres du groupe de recherche à l’avenir pour d’autres projets nécessitant une conversion de données d’annotation vers DICOM.

L'un des principaux défis du diagnostic de la maladie d'Alzheimer réside dans sa progression à travers deux décennies silencieuses. Le manque de symptômes chez les patients pendant cette période entrave manifestement leurs chances de suspecter la maladie ou de simplement obtenir une imagerie cérébrale préventive. De plus, les premiers signes endogènes et les symptômes perceptibles coïncident souvent avec le vieillissement des individus sans aucun diagnostic de maladie neurologique. Malgré ces défis diagnostiques, les efforts de recherche fondamentales et cliniques ont fourni une multitude d'informations disparates sur la physiopathologie en retraçant les événements qui se déroulent par rapport aux composants à petites et grandes échelles. Pour saisir la nature multifactorielle de la maladie d'Alzheimer face à ce vaste délai de diagnostic, il devient inextricable d'essayer de tenir compte de l'abondance de facteurs candidats causaux pour la maladie d'Alzheimer en utilisant des techniques statistiques analytiques standard.
Au lieu de retracer les signes et symptômes de la maladie d'Alzheimer, notre objectif est de simuler le vieillissement normal en avançant dans le temps, dans l'espoir de détecter des signes précoces plus précis de la maladie d'Alzheimer au fur et à mesure qu'ils apparaissent, et qu'ils divergent ensuite des anomalies généralement associées au vieillissement. Par conséquent, nous proposons de restructurer les connaissances sur la maladie d'Alzheimer en plusieurs niveaux d'abstraction ou d'échelles. En utilisant des techniques de modélisation mathématique, nous représenterons la maladie d'Alzheimer de manière plus complète, en nous basant du processus de vieillissement normal chez les individus de 18 à 100 ans.
Nous allons effectuer une recherche exhaustive dans la littérature pour déterminer les valeurs paramétriques nécessaires à notre système d'équations différentielles, conçu pour simuler le vieillissement normal. Nous adopterons une approche Agile pour classer les éléments qui jouent un rôle dans le vieillissement, à différentes échelles , telles que 1) à l'échelle nanométrique avec des composés tels que le glucose et l'insuline, et des protéines telles que l'amyloïde et la tau ; 2) à l'échelle microscopique en fonction des populations neuronales et gliales ainsi que de l'endothélium vasculaire ; 3) en les réunissant pour simuler et prédire la trajectoire des biomarqueurs à l'échelle méso-scopique (par exemple, l'intégrité neuronale via l'épaisseur corticale, l'intégrité métabolique via la FDG-PET). Le modèle utilisera ensuite ces valeurs paramétriques estimées, qui seront validées à l'aide de données humaines, afin d'orienter son développement en suivant la trajectoire du vieillissement humain au fil du temps.
La hiérarchie multi-échelle des maladies neurologiques, composée d'un interactome incroyablement complexe, nous incite de manière alarmante à disséquer plus minutieusement les entités les plus influentes, tout en tenant compte de leur interconnexion au cours du vieillissement. Ce cadre peut servir de point de départ pour une détection plus précoce de la neurodégénérescence liée à la maladie d'Alzheimer et faciliter éventuellement l'identification de voies plus spécifiques à la maladie d'Alzheimer pour de futures interventions pharmacologiques.
 

Le projet d’Alexandre Boulay porte sur l’analyse des phages et bactéries du microbiote intestinal à partir d’un jeu de données métagénomiques de l’Institut sur la nutrition et les aliments fonctionnels (INAF) de l’université Laval, par des méthodes bio-informatique et d’intelligence artificielle (IA). Le jeu de données provient d’une étude récente ayant examiné l'interaction de l'axe endocannabinoïde avec les facteurs environnementaux de l'hôte ainsi que l'état de santé intestinal, métabolique et mental chez des adultes québécois présentant divers statuts métaboliques et modes de vie. L’objectif général est d’entraîner des algorithmes d’IA interprétables afin d’identifier des phages et bactéries biomarqueurs de la santé métabolique et mentale des individus, et étudier les interactions entre bactéries et phages. Ce projet pourrait avoir d’importantes retombées pour la compréhension des interactions entre bactéries et phages qui sont très peu connues, mais aussi pour les connaissances sur le microbiote intestinal de la population québécoise en lien avec leur santé métabolique et mentale.

Le projet de Rose-Marie porte sur l’analyse des interactions entre bactériophages – les virus des bactéries – et bactéries du microbiote intestinal à partir de jeux de données issus d’expérimentations réalisées par l’étudiante, en collaboration avec des membres de l’Institut sur la Nutrition et les Aliments Fonctionnels (INAF) de l’Université Laval. Le premier objectif est d’étudier l’impact des phages sur les dynamiques bactériennes dans un microbiote simplifié, composé de 8 souches bactériennes clés du microbiote intestinal humain. Le deuxième objectif est d’étudier les dynamiques bactéries-phages dans un microbiote complexe représentatif du microbiote intestinal humain. Pour les deux objectifs, suite aux expérimentations et à l’acquisition des données de séquençage, Rose-Marie effectuera l’analyse des données par méthodes bio-informatiques. Ce projet pourrait avoir d’importantes retombées pour la compréhension des interactions entre bactéries et phages qui sont très peu connues, mais aussi pour les connaissances sur le microbiote intestinal en lien avec la nutrition et la santé des individus.

Les ensembles de données de santé synthétiques sont utiles pour soutenir le développement de techniques d'analyse de données et d'apprentissage automatique dans le domaine de la santé, en offrant un accès à des données représentatives pour expérimenter et générer des modèles, tout en atténuant les problèmes associés au traitement de données hautement sensibles liées à des sujets humains. Cependant, la performance et l'utilité des méthodes d'analyse de données et d'apprentissage automatique appliquées dépendent de la qualité de ces ensembles de données synthétiques et de leur représentativité du phénomène à modéliser.

L'objectif du projet est de développer des méthodes d'apprentissage automatique pour générer des ensembles de données synthétiques sur les soins de santé qui préservent la distribution et la temporalité des ensembles de données administratives réelles de soins de santé tout en garantissant que la confidentialité des informations sensibles sur les personnes trouvées dans l'ensemble de données réel est préservée. Cela signifie qu'il faut avoir certaines garanties que la capacité d'identifier des personnes réelles à partir de l'ensemble de données original est impossible ou très improbable, et que les attributs des enregistrements réels (par exemple, historique des soins de santé d’individus) ne peuvent pas être déduits de l'ensemble de données synthétiques.

En fonction des garanties que nous pouvons obtenir pour assurer la confidentialité des données médicales ouvertes réelles utilisées pour générer les ensembles de données synthétiques, il serait envisagé de produire des versions synthétiques d’ensembles de données de la RAMQ, et même de les divulguer plus ouvertement à des fins de recherche et d'analyse si cela est jugé acceptable.

Il est souvent difficile, voire impossible, de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. Les jeux de données synthétiques pourraient permettre de simplifier ce partage de données. Cependant, plusieurs méthodes actuelles, qui utilisent des concepts d’imputation de données manquantes, affectent le potentiel d’analyse et la qualité des résultats produits.

Ce projet consiste donc à évaluer les garanties de confidentialité d’une nouvelle méthode de génération de données synthétiques prometteuse. Cette dernière intègre un mécanisme de masquage à une technique d’imputation multiple pour adapter le modèle génératif au risque de chaque observation. En particulier, les risques de divulgation d’attributs, c’est-`a-dire la révélation de certaines valeurs d’attributs en fonction d’autres attributs connus, seront testés.

La faisabilité et la qualité des résultats sera également testée sur un jeu de données fourni par l’Institut de la statistique du Québec.

Alors que certaines études font état des effets positifs du développement professionnel continu (DPC) sur les comportements cliniques, peu de travaux abordent la pérennité de ces effets ainsi que des types d'approches qui pourraient améliorer cette pérennité.

Notre objectif était de comparer la pérennité de l’intention des professionnels de la santé d’avoir des conversations avec les patients dans les cas de maladies graves, après une formation selon une approche interprofessionnelle ou une approche individuelle. Nous avons effectué un essai clinique randomisé en grappes avec des mesures immédiatement (T1), à 1 an (T2) et à 2 ans (T3) après l'intervention dans des cliniques de soins primaires au Canada et aux États-Unis. Nous en rapportons les résultats selon les lignes directrices CONSERVE (2021). Les cliniques ont été assignées au hasard à une formation en équipe interprofessionnelle (intervention) ou à une formation individuelle (comparateur). Notre principal résultat d’intérêt, l’intention des professionnels de la santé d’avoir des conversations dans les cas de maladie grave, et les variables psychosociales associées (norme sociale, norme morale, croyances sur les conséquences et croyances sur les capacités) ont été mesurées à l’aide du questionnaire DPC-Réaction. Les données ont été collectées à l'aide de questionnaires auto-administrés aux 3 étapes après la formation (T1, T2 et T3). Des analyses statistiques bivariées et multivariées ont été réalisées à l'aide d'un modèle mixte linéaire pour chaque temps d’étude avec un terme d'interaction entre le temps et le bras. Les 373 participants étaient âgés en moyenne de 35 à 44 ans et 79 % étaient des femmes. Sur une échelle de 1 à 7, à T1, l'intention moyenne était de 6,0 (SD 1,12) pour le bras interprofessionnel et de 6,4 (SD 0,7) pour le bras individuel. À T2, elle était de 5,65 (SD 1,39) et 6,04 (SD 0,88) respectivement dans les bras interprofessionnels et individuels. À T3, elle était de 5,5 (SD 1,53) dans le bras interprofessionnel et de 6,3 (SD 0,74) dans le bras individuel. La valeur p de l’interaction entre le bras d’étude et le temps était de 0.05. La différence de moyenne d'intention entre les deux bras d'étude était de 0,02 (IC -0,26 à 0,31), -0,07 (IC -0,49 à 0,34), -0,55 (-1,00 à -0,10) à T1, T2 et T3 respectivement. En conclusion, l'intention des professionnels de la santé d'avoir des conversations dans les cas de maladie grave varie dans le temps en fonction de l'approche de formation. Cette intention était plus faible lors du suivi à 1 et 2 ans après une formation selon une approche interprofessionnelle comparativement à celle selon une approche individuelle.

Nos résultats pourraient contribuer à l’amélioration du développement professionnel continu et de fait, la qualité de l’offre de soins.

Devant la décision de faire ou non le dépistage prénatal des trisomies 21, 18 et 13, il est important que les femmes enceintes et leurs partenaires soient informés et accompagnés par leurs professionnels de la santé. Les impliquer dans la prise de décision partagée (PDP) permettrait de répondre à leurs besoins décisionnels. Aussi, l’utilisation d’un outil d’aide à la décision (OAD) faciliterait la PDP. L’objectif de ce projet est d’évaluer l’effectivité d’une intervention de mise à l’échelle d’un OAD sur le niveau d’implication des femmes enceintes et leurs partenaires dans la PDP pour le dépistage prénatal des trisomies 21, 18 et 13 (issue primaire). Ce projet sera mené dans la province de Québec et utilisera un essai randomisé par grappes et par étapes. Les principaux participants seront des services prénataux, des professionnels de la santé et des femmes enceintes et leurs partenaires. Les principales composantes de l’intervention seront une formation en ligne sur la PDP pour les professionnels de la santé et un OAD en ligne. L’issue primaire sera mesurée avec l’échelle validée SDM-Q-9 remplie par les femmes enceintes et leurs partenaires.

Les résultats de cette étude montreront l’effectivité de nos stratégies de mise à l’échelle d’un OAD pour favoriser l’adoption de la PDP.

La prédiction et l'identification précoce d'accidents vasculaires cérébraux (AVC) sont cruciales afin de prévenir les revisites aux urgences et de débuter le traitement, réduisant ainsi la morbidité et la mortalité.

Ce projet porte sur l'analyse de tomodensitométries (TDM) sans contraste de la tête pour prédire la revisite précoce aux urgences de patient.e.s qui reviennent avec diagnostic d’AVC. Le premier objectif sera de recueillir des TDM open-source ainsi que des TDM du Centre intégré de santé et de services sociaux de Chaudière-Appalaches (CISSS-CA) pour classifier la présence/absence d'AVC à l'aide d'un modèle existant. Le deuxième objectif sera de développer et de tester un modèle d'apprentissage automatique avec des poids du modèle précédent et d'autres données cliniques pertinentes pour classifier les revisites précoces aux urgences.

D'un point de vue clinique, le développement d'un tel outil pourrait aider les neuroradiologues aux urgences à l’interprétation d'images et à la prise de décisions cliniques.