Il y a aussi l’IA pour arrêter de fumer

L’environnement visuel quotidien d’un fumeur peut l’inciter à fumer et à mettre en péril ses tentatives de sevrage. Il est vrai que chaque fumeur a ses endroits de prédilection pour s’adonner à son addiction. Il y a un cadre optimal pour cela, un décor, une ambiance avec des objets ou des images, source d’inspiration,  indépendamment des cigarettes, des briquets ou de tous les autres instruments requis par la pratique du tabagisme. L’activation du cortex insulaire sous l’effet de tels stimuli visuels est ainsi susceptible de déclencher la prise d’une cigarette. L’exposition réitérée à ces environnements plus ou moins spécifiques est donc à éviter chez les fumeurs et, d’une façon générale, en cas d’addiction. Téléphones mobiles, appareils photos et caméras permettent désormais de filmer tous les environnements, y compris ceux qui incitent à fumer. Le recueil de ces images en temps réel et leur confrontation à une base d’images déjà étiquetées pourraient indiquer à un fumeur qu’il est en danger de succomber à son addiction au moyen d’un signal ad hoc.

Le concept JITAI et les nouvelles technologies

Cette démarche s’inscrit dans un concept anglosaxon intitulé JITAI (just-in-time adaptive intervention) et utilisé avec succès dans le sevrage tabagique. L’apprentissage profond ou deep learning est une forme d’intelligence artificielle (IA) où la machine, en fait un réseau de neurones, est apte à apprendre par elle-même, sans qu’il y ait besoin de la programmer à cette fin. Les progrès accomplis dans cette technique permettent d’analyser les images de l’environnement et de les intégrer dans un protocole du type JITAI. Les réseaux neuronaux, dits convolutifs, les plus efficients – ceux qui ont besoin d’un minimum de paramètres pour fonctionner - sont, à cet égard, précieux car ils permettent un traitement rapide des images de l’environnement quotidien via un smartphone : leur analyse en temps réel donne accès à des variables prédictives du risque de céder compulsivement à l’attrait de la cigarette. Pour illustrer ce propos, il a été demandé à 169 fumeurs américains de photographier les environnements quotidiens où il leur est donné de fumer, en prenant soin d’exclure tous les objets visibles à caractère incitatif, qu’il s’agisse de cigarettes, de briquets ou de cendriers. La seconde partie de leur mission a consisté à photographier les endroits quotidiens où il ne leur arrivait jamais de fumer.

Les 4 902 photos ainsi prises ont  été utilisées pour alimenter les réseaux neuronaux de deep learning et leur permettre d’associer les images à la probabilité de fumer. Les valeurs obtenues ont permis d’évaluer le potentiel incitatif d’environnements nouveaux et l’incidence de ces estimations sur les comportements individuels. Les photos ont été réparties en deux groupes selon qu’elles étaient (n = 2 457) ou non (n = 2 445) associées à la consommation de cigarettes. Les performances de l’IA ont été déterminées par rapport à l’avis de quatre experts du sevrage tabagique.

Des photos bien utiles

Sur les 169 participants, 106 (62,7 %) étaient originaires de Durham (femmes : 50 % ; âge moyen : 41,4 ± 12 ans et 63 (37,3 %) de Pittsburgh (femmes : 51,7 % ; âge moyen : 35,2 ± 13,8 ans). La majorité des photos a été prise à Durham, soit 3 386 et les 1 516 autres à Pittsburg (24,1 ± 0,5 par participant). Le modèle final combinant IA et régression logistique multiple a permis de séparer les images propices à l’acte de fumer des autres de manière très satisfaisante, l’AUC étant en effet estimée à 0,840 ± 0,024 et l’exactitude à 76,5 ± 1,6 %.

Un modèle n’utilisant que les images des participants de Durham pour s’entraîner a correctement classé les images prises à Pittsburg et inversement, ce qui plaide en faveur d’une généralisation réussie d’une région géographique à l’autre. Un seul expert a été significativement plus performant que la machine. Par ailleurs, une excellente corrélation a été établie entre les prédictions du modèle et les déclarations des fumeurs sur les lieux les incitant le plus à fumer  (ρ = 0,894 ; p= 0,003).

Pour conclure, l’apprentissage profond semble permettre l’identification des environnements les plus propices au tabagisme à partir de photographies de lieux identifiés par les fumeurs eux-mêmes. Cette reconnaissance d’images, qui est l’une des grandes applications de l’IA, permettra-t-elle d’aider au sevrage ou d’éviter les rechutes en provoquant des interventions potentielles fondées sur ces résultats ? C’est une possibilité à explorer, en sachant que d’autres cibles que le tabagisme s’offrent à cette approche, notamment dans le domaine des maladies mentales, et aussi des pathologies organiques.

Dr Philippe Tellier

Référence
Engelhard MM et coll. : Identifying smoking environments from images of daily life with deeplearning. JAMA Netw Open., 2019 ; 2(8) :e197939. doi: 10.1001/jamanetworkopen.2019.7939.

Copyright © http://www.jim.fr

Réagir

Vos réactions

Soyez le premier à réagir !

Les réactions aux articles sont réservées aux professionnels de santé inscrits
Elles ne seront publiées sur le site qu’après modération par la rédaction (avec un délai de quelques heures à 48 heures). Sauf exception, les réactions sont publiées avec la signature de leur auteur.

Réagir à cet article