Neuralia

Neuralia

Algorithmes médicaux prédictifs

Algorithmes médicaux prédictifs

Création d’algorithmes d’aide à la décision dans le domaine médical utilisant des procédures de Machine Learning (ML) et d’IA explicatives avancées

But du projet

Evaluer l’efficacité de traitements anti-âges à court terme. 

Technologies utilisées

Temps de développement

8 mois

Résultats

Une preuve de concept d’un algorithme capable de prédire un âge biologique en vu d’évaluer l’efficacité de traitements anti-âge. 

Ce magnifique projet d’envergure a eut pour but de mettre au point une preuve de concept d’algorithme de prédiction de l’âge biologique et des pathologies associées d’un individu à partir de bio-marqueurs sanguin et physiologiques de ce dernier. Concrètement, lorsque nous parlons d’âge, nous nous référons la majeure partie du temps à l’âge chronologique qui est le temps qui court depuis notre naissance et il est rare d’aborder la notion d’âge biologique qui est l’âge réel de notre organisme. L’âge biologique s’éloigne souvent de quelques années de notre âge chronologique et est influencé par une incroyable quantité de facteurs tels que l’hygiène de vie et la génétique. Le but de l’algorithme était non seulement de quantifier cet âge biologique mais ensuite, en utilisant les dernières techniques d’IA explicative, de mettre en évidence les causes de cet âge biologique prédit. Grâce à ces résultat, il est ainsi possible de quantifier le vieillissement réel d’un individu et de comprendre. en fonction de plus de 20 biomarqueurs analysés, pourquoi cet individu vieillit moins vite ou plus vite par rapport à son âge chronologique. Cette différence entre l’âge biologique et l’âge chronologique donne également un excellent indicateur de risque de mortalité surtout lorsque les différences sont élevées. 

Sur la base des biomarqueurs utilisés, un second algorithme fut développé pour détecter le risque de développement d’un diabète. La précision de cette algorithme était relativement élevée et permettait de démontrer toutes les possibilités offertes par l’IA dans la prévention et l’aide au diagnostique de pathologies. 

De nombreux défis ont du être surmontés en termes de qualité de donné mais également en termes d’IA explicative dans la mesure où tout l’intérêt du projet résidait dans la capacité à pouvoir interprété et prendre des actions médicales préventives concrètes sur la base des résultats de l’aglorithme et pas uniquement d’obtenir « un chiffre » tout droit sorti d’une boîte noire. Par ailleurs, l’explicabilité du modèle permet non seulement une confiance accrue des résultats mais également de mieux optimiser les performances et la précision des modèles de Machine Learning. 

Vous désirez en savoir plus sur les formidables possibilités de l'Intelligence Artificielle explicative ?

Comments are closed.