Attribuer le bon organe au bon moment: l’intelligence artificielle à la rescousse

Héloïse Cardinal et Andrea Lodi cherchent à déterminer si un patient devrait accepter ou refuser un rein provenant d’un donneur décédé.

Héloïse Cardinal et Andrea Lodi cherchent à déterminer si un patient devrait accepter ou refuser un rein provenant d’un donneur décédé.

Crédit : Thinckstock

En 5 secondes

Attribuer le bon organe à la bonne personne est toujours un défi. Deux chercheurs de l’UdeM pensent que l’intelligence artificielle peut contribuer à améliorer ce processus.

En termes de greffes d’organes, tout est une question de chance. La réussite d’une greffe dépend d’un certain nombre de facteurs, comme l’âge et l’état de santé du donneur et du receveur, la compatibilité biologique entre le donneur et le receveur et la capacité du patient à recevoir la greffe.

Mais si le système pouvait s’appuyer sur de meilleures statistiques, cela augmenterait-il les taux de réussite?

C’est ce que des chercheurs de l’Université de Montréal et de Polytechnique Montréal tentent de découvrir en travaillant à la conception d’une méthode d’apprentissage-machine informatisée qui permettra de mieux prédire le taux de réussite d’une greffe standard.

Au Centre hospitalier de l’Université de Montréal (CHUM) et au Département de mathématiques et de génie industriel de Polytechnique, des spécialistes unissent leurs efforts pour répondre à des questions qui déconcertent même les plus éminents scientifiques:

  • Et si un chirurgien pouvait utiliser de meilleures données mathématiques pour prédire la durée de vie d’un organe donné avant de le greffer à son patient?
  • Et si le patient pouvait savoir exactement en quoi un autre organe provenant d’un meilleur donneur lui serait plus favorable s’il attendait?
  • Et si ce patient pouvait aussi savoir précisément combien de temps il devrait attendre, s’il passait son tour cette fois-ci, pour bénéficier d’un don d’organe optimal?

Double approche

Héloïse Cardinal

Ces hypothèses peuvent être une question de vie ou de mort. Ainsi, grâce à une subvention de deux ans du Programme national de recherche en transplantation du Canada, deux scientifiques de l’UdeM – Héloïse Cardinal, néphrologue transplantologue au Centre de recherche du CHUM et professeure à la Faculté de médecine de l’Université, et Andrea Lodi, titulaire de la Chaire d’excellence en recherche du Canada sur la science des données pour la prise de décision en temps réel – s’intéressent à une double approche en matière de gestion des dons d’organes en cherchant à déterminer si un patient devrait accepter ou refuser un rein provenant d’un donneur décédé.

Tout d’abord, les deux scientifiques souhaitent utiliser l’apprentissage-machine pour concevoir un nouvel outil de soutien – un calculateur de risque – qui pourrait aider les médecins et les patients à décider si un rein convient à un receveur. En s’appuyant sur la Scientific Registry of Transplant Recipients, une base de données américaine rassemblant de l’information sur les personnes greffées, ils ont mené une étude de cohorte rétrospective sur tous les patients américains ayant reçu un rein entre 2000 et 2015. Ils comparent ainsi les anciennes et les nouvelles manières de modéliser la durée de vie des organes tout en tenant compte de l’optimisation mathématique et des algorithmes d’apprentissage-machine.

Ensuite, ils chercheront à établir précisément de quelle information les médecins et les patients ont besoin pour prendre des décisions communes plus éclairées en vue d’accepter ou non un rein. Pour cela, Héloïse Cardinal et Marie-Chantal Fortin, une autre néphrologue du CHUM, ont formé six groupes de consultation comprenant de 6 à 10 participants chacun. Elles espèrent déterminer, par exemple dans l’éventualité où les patients accepteraient des dons habituellement considérés comme étant «à haut risque», si les mathématiques permettraient de démontrer que ces dons étaient en fait moins risqués.

De longs délais d’attente au Québec

Au Québec, le don d’organe n’est pas une mince affaire. La demande excède l’offre et l’attente peut être longue. En 2016, 275 patients ont subi une chirurgie de greffe rénale, dont environ un quart d’entre eux au CHUM. La même année, 565 patients attendaient de subir une greffe de rein, et le temps d’attente moyen était de 641 jours. Au cours des 10 dernières années, l’âge moyen des donneurs d’organes était d’environ 49 ans et celui des receveurs d’organes de 50 ans.

Aucune statistique n’est disponible sur le taux de refus des dons d’organes, mais Héloïse Cardinal sait, par expérience, que les refus sont courants. En fait, l’idée de réaliser son étude actuelle lui est venue quand elle s’est rendu compte que, aussi bien localement qu’à l’étranger, certains de ses collègues recommandaient d’accepter des organes alors que d’autres préconisaient de les refuser. Une question de point de vue plutôt que de science pure.

Une partie du problème vient du fait que les médecins transplantologues et leurs patients manquent d’indications fiables pour décider d’accepter ou de refuser un organe. Les néphrologues se fient maintenant à l’indice Kidney Donor Risk Index (KDRI), le système américain d’évaluation des risques qui est aussi utilisé au Canada. La capacité de l’indice KDRI à prédire la durée de vie d’un organe greffé est considérée comme étant moyennement fiable. Comme le dit Héloïse Cardinal, le KDRI donne des estimations qui sont «bonnes pour tous» et ne tient pas compte des particularités de chaque receveur.

L’intelligence artificielle peut faire la différence

Andrea Lodi

C’est là qu’intervient l’intelligence artificielle de l’apprentissage-machine. «Il y a différents types d’interactions entre l’organe donné et le receveur qui peuvent influer sur la réussite de la greffe. Or, lorsqu’on utilise une analyse statistique standard, on ne peut pas tenir compte de toutes ces interactions. On ne peut pas tenir compte de 20 types d’interactions, explique Héloïse Cardinal. Nous pensons que l’apprentissage-machine pourrait être une meilleure façon de faire.»

Par exemple, «si l’on sait que les caractéristiques négatives d’un certain type de donneur n’ont pas autant d’effets négatifs sur un certain type de patient, on peut être plus enclin à recourir à ce donneur moins “universel”, plus atypique, pour un patient sur qui les effets ne seront pas aussi négatifs. Cela aidera incontestablement, car on manque actuellement d’organes au Québec et l’on doit en utiliser autant que possible».

Non seulement une prise de décision plus éclairée serait bonne pour la société, mais elle constituerait aussi un exemple d’utilisation responsable de l’intelligence artificielle qui, dans l’imaginaire populaire, est souvent associée à des craintes concernant des pertes d’emploi et des atteintes à la vie privée causées par des robots et d’autres appareils qui travaillent et «pensent» pour les êtres humains. Grâce à l’intelligence artificielle, les médecins et les patients seraient en mesure de mieux décider ensemble si une chirurgie devrait avoir lieu; c’est ce qu’en pensent ses défenseurs.

«L’apprentissage-machine est conçu pour tenir compte d’immenses quantités de données et les utiliser avec beaucoup plus de certitude», mentionne Andrea Lodi, un chercheur italien de Bologne qui travaillait sur l’optimisation mathématique des dons de rein provenant de donneurs vivants dans son pays d’origine avant de venir occuper un poste à Polytechnique Montréal au milieu de l’année 2015.

«Nous nous attendons à ce que cette nouvelle étude révolutionne notre manière de faire des prédictions en matière de greffe d’organes en la rendant plus précise, déclare-t-il. Cela entraînera de grands changements pour les patients. S’ils refusent un don, ils sauront quelles sont leurs chances d’obtenir un meilleur don s’ils attendent. Et cela augmentera aussi la probabilité que l’organe qu’ils refusent aille à quelqu’un à qui il conviendra mieux.»

Il ajoute qu’à long terme «il ne s’agit pas seulement de prédire [les résultats], mais aussi de les optimiser. Si nos études nous amènent à mieux comprendre comment ces choses-là fonctionnent, nous aurons accès à un tout nouvel ensemble d’algorithmes que des organismes, comme Transplant Québec et bien d’autres, pourront utiliser pour aider plus de patients. C’est une approche de théorie des jeux: il faut partager assez d’informations pour satisfaire le plus grand nombre de personnes possible».

En somme, dit Andrea Lodi, «si l’on est capable de mieux prédire l’avenir, on peut réorganiser la liste d’attente de façon que plus de gens obtiennent ce dont ils ont besoin».

Relations avec les médias