ECO.png

 
Validation

Rapport

Vidéos Externes

Visites

 19984 visiteurs

 1 visiteur en ligne

Flag Counter

Les 5 dernières nouvelles

UMBERLAND, Rhode Island, et LA JOLLA, Californie, 16 janvier 2019 /PRNewswire/ -- Les résultats de l'étude de phase 2 sur le NT-501, parrainée par Neurotech Pharmaceuticals, Inc. (Neurotech) en collaboration avec le Lowy Medical Research Institute (LMRI), ont été publiés dans la revue de l'American Academy of Ophthalmology, Ophthalmology1. Cette étude, un essai clinique multicentrique randomisé de phase 2, a évalué l'effet de l'administration par culture cellulaire encapsulée de facteur ciliaire neurotrophique (CNTF) sur la dégénérescence rétinienne chez les patients atteints de télangiectasie maculaire (MacTel) de type 2. L'article a été rédigé par un groupe de médecins hospitaliers et de scientifiques qui ont collaboré au projet via le Macular Telangiectasia Type 2-Phase 2 CNTF Research Group.  

La MacTel de type 2 est une maladie dégénérative maculaire rare habituellement diagnostiquée chez les personnes d'âge moyen. Il s'agit essentiellement d'une maladie neuro-dégénérative, mais elle affecte également les cellules de Müller et les vaisseaux sanguins. Les patients sont rarement victimes d'une perte totale de la vue, mais la maladie a néanmoins des conséquences importantes, avec une perte visuelle, sur la qualité de vie des patients. Le LMRI soutient la recherche clinique et en laboratoire sur la MacTel de type 2 et a collaboré avec Neurotech pour tester le NT-501 chez les patients atteints de MacTel de type 2.

Le NT-501, ou le dispositif Renexus®, est fabriqué par Neurotech. Il s'agit d'un système inédit d'administration médicamenteuse par culture cellulaire. Les cellules encapsulées dans une membrane fibreuse creuse semi-perméable administrent le facteur ciliaire neurotrophique (CNTF) ; il a été montré que le CNTF réduisait la perte cellulaire des photorécepteurs chez des modèles animaux de dégénérescence rétinienne. Le dispositif Renexus® implanté permet une administration soutenue de CNTF localisé sur la rétine, le tissu photosensible à l'arrière de l'œil.

L'article paru dans Ophthalmology décrit les résultats d'un essai clinique randomisé en simple aveugle qui a évalué les effets du CNTF administré par NT-501 chez des participants atteints de la MacTel de type 2. Les participants ont été randomisés 1:1 sur l'implantation chirurgicale du dispositif NT-501, ou par simulation. Les mesures de la santé et de la fonction des photorécepteurs ont été évaluées pendant 24 mois à compter de l'inscription des patients. L'étude a montré que le traitement avec le NT-501 ralentissait la progression de la dégénérescence rétinienne par rapport aux participants qui étaient traités par simulation. En outre, le NT-501 a apporté un avantage fonctionnel, la vitesse de lecture étant stabilisée chez les patients qui avaient bénéficié d'un implant.

Les patients des études de phases 1 et 2 continuent d'être suivis afin d'évaluer les effets à long terme du CNTF sur la dégénérescence rétinienne. 

source : https://www.caducee.net/actualite-medicale/

date : 16/01/2019

Lire la suite Lire la suite

UMBERLAND, Rhode Island, et LA JOLLA, Californie, 16 janvier 2019 /PRNewswire/ -- Les résultats de l'étude de phase 2 sur le NT-501, parrainée par Neurotech Pharmaceuticals, Inc. (Neurotech) en collaboration avec le Lowy Medical Research Institute (LMRI), ont été publiés dans la revue de l'American Academy of Ophthalmology, Ophthalmology1. Cette étude, un essai clinique multicentrique randomisé de phase 2, a évalué l'effet de l'administration par culture cellulaire encapsulée de facteur ciliaire neurotrophique (CNTF) sur la dégénérescence rétinienne chez les patients atteints de télangiectasie maculaire (MacTel) de type 2. L'article a été rédigé par un groupe de médecins hospitaliers et de scientifiques qui ont collaboré au projet via le Macular Telangiectasia Type 2-Phase 2 CNTF Research Group.  

La MacTel de type 2 est une maladie dégénérative maculaire rare habituellement diagnostiquée chez les personnes d'âge moyen. Il s'agit essentiellement d'une maladie neuro-dégénérative, mais elle affecte également les cellules de Müller et les vaisseaux sanguins. Les patients sont rarement victimes d'une perte totale de la vue, mais la maladie a néanmoins des conséquences importantes, avec une perte visuelle, sur la qualité de vie des patients. Le LMRI soutient la recherche clinique et en laboratoire sur la MacTel de type 2 et a collaboré avec Neurotech pour tester le NT-501 chez les patients atteints de MacTel de type 2.

Le NT-501, ou le dispositif Renexus®, est fabriqué par Neurotech. Il s'agit d'un système inédit d'administration médicamenteuse par culture cellulaire. Les cellules encapsulées dans une membrane fibreuse creuse semi-perméable administrent le facteur ciliaire neurotrophique (CNTF) ; il a été montré que le CNTF réduisait la perte cellulaire des photorécepteurs chez des modèles animaux de dégénérescence rétinienne. Le dispositif Renexus® implanté permet une administration soutenue de CNTF localisé sur la rétine, le tissu photosensible à l'arrière de l'œil.

L'article paru dans Ophthalmology décrit les résultats d'un essai clinique randomisé en simple aveugle qui a évalué les effets du CNTF administré par NT-501 chez des participants atteints de la MacTel de type 2. Les participants ont été randomisés 1:1 sur l'implantation chirurgicale du dispositif NT-501, ou par simulation. Les mesures de la santé et de la fonction des photorécepteurs ont été évaluées pendant 24 mois à compter de l'inscription des patients. L'étude a montré que le traitement avec le NT-501 ralentissait la progression de la dégénérescence rétinienne par rapport aux participants qui étaient traités par simulation. En outre, le NT-501 a apporté un avantage fonctionnel, la vitesse de lecture étant stabilisée chez les patients qui avaient bénéficié d'un implant.

Les patients des études de phases 1 et 2 continuent d'être suivis afin d'évaluer les effets à long terme du CNTF sur la dégénérescence rétinienne. 

source : https://www.caducee.net/actualite-medicale/

date : 16/01/2019

Fermer Fermer


Effet anti-cancéreux de la chloroquine : les mécanismes d'action décryptés

Damien Coulomb

| 15.11.2018

Plusieurs essais cliniques évaluent en ce moment l'intérêt de la chloroquine, normalement indiquée dans le traitement du paludisme. Depuis 2005, les chercheurs savent en effet que cette molécule ralentit la multiplication et la croissance des cellules cancéreuses qui pratiquent l'autophagie. On ignorait toutefois quel était son mode d'action. C’est désormais chose faite grâce aux résultats des chercheurs du centre de cancérologie Abramson et de l'université de Pennsylvanie, publiés dans « Cancer Discovery ».

L'équipe dirigée par le Pr Ravi Amaravadi (école de médecine Perelman de l'université de Pennsylvanie) a identifié la cible de la chloroquine au sein les cellules cancéreuses. Il s'agit de l'enzyme PPT1, connue pour agir sur 2 mécanismes : la voie mTOR régulant la croissance des cellulaires d'une part, et sur l'autophagie d'autre part.

Les chercheurs ont observé in vitro que ces deux mécanismes travaillent de concert : l'autophagie fournit les éléments exploités par la voie mTOR pour stimuler la croissance, tandis que la voie mTOR désactive l'autophagie quand les nutriments ne sont plus nécessaires. « Les données de la littérature indiquent que l'enzyme PPT1 est non seulement fortement exprimée dans la plupart des types de cancers, mais aussi qu'une forte expression de PPT1 est associée à un mauvais pronostic », précise le Pr Amaravadi.

Le DC661, un candidat prometteur

Dans la continuité de ces observations, les chercheurs ont retiré chez la souris le gène codant pour PPT1 à l'aide du ciseau moléculaire CRISPR/Cas9. Ils ont découvert que cette modification du génome ralentit la progression tumorale. Des observations similaires ont été faites au sein de cultures de cellules cancéreuses. Selon les chercheurs, une chloroquine développée à l'université de Pennsylvanie, appelée la DC661, pourrait se révéler particulièrement efficace contre cette voie de signalisation.

Testé avec succès sur des lignées de cellules de mélanome, le DC661 est une forme dimérisée de l'antiprotozoaire quinacrine. « Nous avons maintenant une cible moléculaire précise, et un moyen puissant d'action », se réjouit le Pr Amaravadi.

https://www.lequotidiendumedecin.fr/actualites/article/2018/11/15/effet-anti-cancereux-de-la-chloroquine-les-mecanismes-daction-decryptes_862883

Lire la suite Lire la suite

Effet anti-cancéreux de la chloroquine : les mécanismes d'action décryptés

Damien Coulomb

| 15.11.2018

Plusieurs essais cliniques évaluent en ce moment l'intérêt de la chloroquine, normalement indiquée dans le traitement du paludisme. Depuis 2005, les chercheurs savent en effet que cette molécule ralentit la multiplication et la croissance des cellules cancéreuses qui pratiquent l'autophagie. On ignorait toutefois quel était son mode d'action. C’est désormais chose faite grâce aux résultats des chercheurs du centre de cancérologie Abramson et de l'université de Pennsylvanie, publiés dans « Cancer Discovery ».

L'équipe dirigée par le Pr Ravi Amaravadi (école de médecine Perelman de l'université de Pennsylvanie) a identifié la cible de la chloroquine au sein les cellules cancéreuses. Il s'agit de l'enzyme PPT1, connue pour agir sur 2 mécanismes : la voie mTOR régulant la croissance des cellulaires d'une part, et sur l'autophagie d'autre part.

Les chercheurs ont observé in vitro que ces deux mécanismes travaillent de concert : l'autophagie fournit les éléments exploités par la voie mTOR pour stimuler la croissance, tandis que la voie mTOR désactive l'autophagie quand les nutriments ne sont plus nécessaires. « Les données de la littérature indiquent que l'enzyme PPT1 est non seulement fortement exprimée dans la plupart des types de cancers, mais aussi qu'une forte expression de PPT1 est associée à un mauvais pronostic », précise le Pr Amaravadi.

Le DC661, un candidat prometteur

Dans la continuité de ces observations, les chercheurs ont retiré chez la souris le gène codant pour PPT1 à l'aide du ciseau moléculaire CRISPR/Cas9. Ils ont découvert que cette modification du génome ralentit la progression tumorale. Des observations similaires ont été faites au sein de cultures de cellules cancéreuses. Selon les chercheurs, une chloroquine développée à l'université de Pennsylvanie, appelée la DC661, pourrait se révéler particulièrement efficace contre cette voie de signalisation.

Testé avec succès sur des lignées de cellules de mélanome, le DC661 est une forme dimérisée de l'antiprotozoaire quinacrine. « Nous avons maintenant une cible moléculaire précise, et un moyen puissant d'action », se réjouit le Pr Amaravadi.

https://www.lequotidiendumedecin.fr/actualites/article/2018/11/15/effet-anti-cancereux-de-la-chloroquine-les-mecanismes-daction-decryptes_862883

Fermer Fermer


Demain, la fréquence à laquelle on découvrira de nouveaux médicaments sera décuplée. Les produits pharmaceutiques seront de mieux en mieux ciblés, les médecins assistés dans leur prescriptions, et nous serons capables d’identifier les candidats parfaits parmi les volontaires aux essais cliniques. Et cela coulera de source : Big Data, machine learning et intelligence artificielle redessinent les contours de la médecine et de l'e-santé. 

Si l’industrie pharmaceutique du XIXème et XXème siècle doit son évolution à l’empirisme, celle du XXIème la puisera dans les données et l’IA. Innovations moléculaires, essais cliniques, distribution et prescription médicale, sont autant de domaines transformés par le machine learning. Grâce à la puissance des algorithmes et à l’abondance des données du secteur de la santé (bases de données, comptes rendus de médecins, objets connectés, études scientifiques, rapports de laboratoires, brevets, données démographiques, environnementales, toxicologiques, pharmacologiques) la pharmacologie est à l’aube d’une nouvelle révolution.

L’industrie pharmaceutique se métamorphose en profondeur

Le machine learning investit le terrain des découvertes moléculaires. Ainsi en croisant des molécules qui, sans le big data et l'IA, n’auraient jamais été associées entre elles, les professionnels trouvent par sérendipité des médicaments qu’ils n’auraient jamais découverts.

Autre grand domaine : les essais cliniques. Toute innovation médicale doit être validée par des essais thérapeutiques longs et coûteux. Le Leem, syndicat des entreprises du médicament, évalue à 1 milliard d’euros la production d’une nouvelle molécule. Or aujourd’hui tous les industriels pharmaceutiques évoquent leurs difficultés à trouver des volontaires satisfaisants cliniquement les critères de sélection et s’engageant sur la durée du protocole. Souvent, ils abandonnent les essais cliniques générant alors des retards de commercialisation des produits et des dépassements de coûts colossaux pour les départements de R & D. Selon l'ISR (Industry Standard Research) à chaque jour de test dépassé, l'entreprise perd jusqu'à 600 000 dollars de ventes pour les médicaments les plus simples et jusqu'à 8 millions de dollars pour les plus complexes. Une étude du Centre Tufts révèle que plus d'un tiers des essais cliniques n'atteignent pas leurs objectifs de recrutement et 11% ne parviennent pas à attirer un seul participant.

Dans un tel contexte, le big data et l’IA constituent un moyen efficace d’identifier des profils ad hoc. Ainsi le traitement automatique du langage naturel extrait des informations issues de rapports médicaux, d’articles, de brevets, d’études, et permet aux entreprises de repérer des profils sous-représentés dans les essais cliniques. Le laboratoire Pfizer utilise cette technologie pour analyser plus d'un million d'articles publiés dans des revues médicales, 20 millions d'abrégés d'articles de revues et 4 millions de brevets pour alimenter sa plateforme analytique dédiée à la recherche en immuno-oncologie.

Une distribution optimisée

Ces technologies sont aussi de puissants outils pour repérer où sont les patients. Expédier des médicaments coûte cher, notamment lorsque les plus onéreux exigent des conditions très spécifiques de transfert (température, rapidité, mode de conservation..). En 2012, la valeur totale du fret pharmaceutique était de 269 milliards de dollars, le fret aérien représentant à lui seul 213 milliards de dollars. Aussi collecter et traiter les données sur les types de pathologies présentent dans le monde permet d’anticiper la demande des produits et de les distribuer de façon ciblée.

Autre application : le réapprovisionnement. Afin de définir le volume de réassortiment nécessaire pour couvrir la demande, les entreprises ont pour habitude de consulter l’historique de leurs ventes et de prévoir la demande en intégrant de nouveaux paramètres (épidémies, variation de température, évènements…). Dans un système traditionnel ces calculs reposent généralement sur des données faussées comme un stock initial insuffisant incitant les acheteurs à se rabattre sur des produits similaires ou des promotions et ne reflétant donc en rien le volume de vente qui aurait pu être réalisé sans rupture de stock. Pour éviter ces dérives, le machine learning s’appuie sur un stock théorique infini, modélise l’impact des promotions, intègre toute une masse de données et, via des algorithmes, calcule le volume de réapprovisionnement pour satisfaire la demande clients. 

 Le grand bond de l’aide à la prescription médicale

Le machine learning est aussi une aide précieuse à la prescription médicale. Ainsi des algorithmes peuvent révéler l’incompatibilité de deux médicaments prescrits par un médecin, la dangerosité d’une molécule en cas de pathologie chez un patient, ou le dépassement d’une posologie. Le big data et le machine Learning ont également permis de constater en croisant des données que certaines molécules destinées à guérir une maladie pouvaient s’avérer efficaces dans d’autres pathologies.   

Enfin, on peut imaginer que le machine learning permette dans le futur plus ou moins proche une pharmacologie personnalisée, c’est à dire des médicaments adaptés à la génétique des patients. Mais cette santé personnalisée ne sera techniquement possible qu’avec de grands volumes de données, des algorithmes performants et une forte puissance de calculs.

Avec l’ampleur du volume de données sur le secteur de la santé, l’industrie pharmaceutique est sans nul doute l’un des domaines moteurs du machine learning. L’industrie pharmaceutique du XXI ème siècle sera orientée données.

http://www.economiematin.fr/news-comment-intelligence-artificielle-machine-learning-redefinissent-sante

Lire la suite Lire la suite

Demain, la fréquence à laquelle on découvrira de nouveaux médicaments sera décuplée. Les produits pharmaceutiques seront de mieux en mieux ciblés, les médecins assistés dans leur prescriptions, et nous serons capables d’identifier les candidats parfaits parmi les volontaires aux essais cliniques. Et cela coulera de source : Big Data, machine learning et intelligence artificielle redessinent les contours de la médecine et de l'e-santé. 

Si l’industrie pharmaceutique du XIXème et XXème siècle doit son évolution à l’empirisme, celle du XXIème la puisera dans les données et l’IA. Innovations moléculaires, essais cliniques, distribution et prescription médicale, sont autant de domaines transformés par le machine learning. Grâce à la puissance des algorithmes et à l’abondance des données du secteur de la santé (bases de données, comptes rendus de médecins, objets connectés, études scientifiques, rapports de laboratoires, brevets, données démographiques, environnementales, toxicologiques, pharmacologiques) la pharmacologie est à l’aube d’une nouvelle révolution.

L’industrie pharmaceutique se métamorphose en profondeur

Le machine learning investit le terrain des découvertes moléculaires. Ainsi en croisant des molécules qui, sans le big data et l'IA, n’auraient jamais été associées entre elles, les professionnels trouvent par sérendipité des médicaments qu’ils n’auraient jamais découverts.

Autre grand domaine : les essais cliniques. Toute innovation médicale doit être validée par des essais thérapeutiques longs et coûteux. Le Leem, syndicat des entreprises du médicament, évalue à 1 milliard d’euros la production d’une nouvelle molécule. Or aujourd’hui tous les industriels pharmaceutiques évoquent leurs difficultés à trouver des volontaires satisfaisants cliniquement les critères de sélection et s’engageant sur la durée du protocole. Souvent, ils abandonnent les essais cliniques générant alors des retards de commercialisation des produits et des dépassements de coûts colossaux pour les départements de R & D. Selon l'ISR (Industry Standard Research) à chaque jour de test dépassé, l'entreprise perd jusqu'à 600 000 dollars de ventes pour les médicaments les plus simples et jusqu'à 8 millions de dollars pour les plus complexes. Une étude du Centre Tufts révèle que plus d'un tiers des essais cliniques n'atteignent pas leurs objectifs de recrutement et 11% ne parviennent pas à attirer un seul participant.

Dans un tel contexte, le big data et l’IA constituent un moyen efficace d’identifier des profils ad hoc. Ainsi le traitement automatique du langage naturel extrait des informations issues de rapports médicaux, d’articles, de brevets, d’études, et permet aux entreprises de repérer des profils sous-représentés dans les essais cliniques. Le laboratoire Pfizer utilise cette technologie pour analyser plus d'un million d'articles publiés dans des revues médicales, 20 millions d'abrégés d'articles de revues et 4 millions de brevets pour alimenter sa plateforme analytique dédiée à la recherche en immuno-oncologie.

Une distribution optimisée

Ces technologies sont aussi de puissants outils pour repérer où sont les patients. Expédier des médicaments coûte cher, notamment lorsque les plus onéreux exigent des conditions très spécifiques de transfert (température, rapidité, mode de conservation..). En 2012, la valeur totale du fret pharmaceutique était de 269 milliards de dollars, le fret aérien représentant à lui seul 213 milliards de dollars. Aussi collecter et traiter les données sur les types de pathologies présentent dans le monde permet d’anticiper la demande des produits et de les distribuer de façon ciblée.

Autre application : le réapprovisionnement. Afin de définir le volume de réassortiment nécessaire pour couvrir la demande, les entreprises ont pour habitude de consulter l’historique de leurs ventes et de prévoir la demande en intégrant de nouveaux paramètres (épidémies, variation de température, évènements…). Dans un système traditionnel ces calculs reposent généralement sur des données faussées comme un stock initial insuffisant incitant les acheteurs à se rabattre sur des produits similaires ou des promotions et ne reflétant donc en rien le volume de vente qui aurait pu être réalisé sans rupture de stock. Pour éviter ces dérives, le machine learning s’appuie sur un stock théorique infini, modélise l’impact des promotions, intègre toute une masse de données et, via des algorithmes, calcule le volume de réapprovisionnement pour satisfaire la demande clients. 

 Le grand bond de l’aide à la prescription médicale

Le machine learning est aussi une aide précieuse à la prescription médicale. Ainsi des algorithmes peuvent révéler l’incompatibilité de deux médicaments prescrits par un médecin, la dangerosité d’une molécule en cas de pathologie chez un patient, ou le dépassement d’une posologie. Le big data et le machine Learning ont également permis de constater en croisant des données que certaines molécules destinées à guérir une maladie pouvaient s’avérer efficaces dans d’autres pathologies.   

Enfin, on peut imaginer que le machine learning permette dans le futur plus ou moins proche une pharmacologie personnalisée, c’est à dire des médicaments adaptés à la génétique des patients. Mais cette santé personnalisée ne sera techniquement possible qu’avec de grands volumes de données, des algorithmes performants et une forte puissance de calculs.

Avec l’ampleur du volume de données sur le secteur de la santé, l’industrie pharmaceutique est sans nul doute l’un des domaines moteurs du machine learning. L’industrie pharmaceutique du XXI ème siècle sera orientée données.

http://www.economiematin.fr/news-comment-intelligence-artificielle-machine-learning-redefinissent-sante

Fermer Fermer


Amazon lance un service qui utilise l'apprentissage automatique pour extraire des informations médicales clés à partir des dossiers des patients

Le , par Jonathan, Chroniqueur Actualités

Une consultation chez un médecin, on en a tous passé une, mais ce qu’il faut savoir est que chaque patient a un dossier médical contenant des informations telles que des notes médicales, des ordonnances, des transcriptions d'interviews audio et rapports de pathologie et de radiologie, tout ceci parfois stocké de façon non structurée. Le traitement de ces données peut s’avérer être fastidieux, car nécessite soit la saisie de données par des experts médicaux hautement qualifiés, soit des équipes de développeurs écrivant un code personnalisé et des règles permettant d'extraire automatiquement les informations. Heureusement pour ces prestataires de santé, Amazon s’est penché sur ce problème et a pu mettre au point un service qui permettra probablement de le résoudre une fois pour toutes.

En effet, la société américaine a annoncé mardi dernier le lancement d’Amazon Comprehend Medical, un service de traitement de langage naturel qui facilite l'utilisation de l'apprentissage automatique pour extraire des informations médicales pertinentes d'un texte non structuré et d'identifier des informations telles que le diagnostic du patient, les traitements, les doses, les symptômes, etc. Cette annonce fait suite à un reportage de CNBC en juin selon lequel Amazon travaillait depuis plusieurs années à un effort, baptisé en interne Hera, afin de mieux utiliser les données médicales numérisées, en capturant les informations dont un médecin pourrait manquer et en aidant à éliminer les inexactitudes.
 


Ce nouveau service permet aux développeurs d’identifier automatiquement les principaux types d’informations médicales clés, avec une grande précision et sans nécessiter un grand nombre de règles personnalisées. Les développeurs n’auront aucun serveur à mettre en service ni à gérer, ils ne devront uniquement fournir un texte médical non structuré au service en question et ce dernier le lira puis identifiera et renverra les informations médicales qu’il contient. Il faut également préciser que ce service mettra en évidence les informations de santé protégées, mais rassurez-vous aucune donnée traitée par le service n'est stockée et grâce à l'API Comprehend Medical, ces nouvelles fonctionnalités peuvent être facilement intégrées aux services et systèmes de santé existants. 

L’entreprise a mentionné au passage qu’elle était en étroite collaboration avec le centre de recherche sur le cancer Fred Hutchinson de Seattle afin de soutenir leurs objectifs d'éradication du cancer à l'avenir. C’est dans ce sens que Comprehend Medical aide à identifier les patients pour les essais cliniques susceptibles de bénéficier de traitements spécifiques contre le cancer. Pour les patients atteints de cancer et les chercheurs dédiés à leur guérison, le temps est la ressource limitante. Le processus de développement des essais cliniques et de leur mise en relation avec les bons patients nécessite des équipes de recherche qui passent au crible et étiquettent des montagnes de données de dossiers médicaux non structurées. Amazon Comprehend Medical réduira ce fardeau temporel d’heures par enregistrement à quelques secondes. Il s'agit d'une étape essentielle pour que les chercheurs aient rapidement accès aux informations dont ils ont besoin, au moment où ils en ont besoin, afin de pouvoir obtenir des informations concrètes pour faire progresser les thérapies qui sauvent des patients.

Il s’agit donc là d’une grande évolution dans le domaine de la médecine qui semble tout avoir pour révolutionner ce domaine. Le travail revient donc aux développeurs de s’approprier ce service, l’éprouver afin d’y déceler d’éventuels manquements et les signaler à Amazon qui se chargera de les corriger.

Sources : Amazon

https://www.developpez.com/actu/235589/Amazon-lance-un-service-qui-utilise-l-apprentissage-automatique-pour-extraire-des-informations-medicales-cles-a-partir-des-dossiers-des-patients/

Lire la suite Lire la suite

Amazon lance un service qui utilise l'apprentissage automatique pour extraire des informations médicales clés à partir des dossiers des patients

Le , par Jonathan, Chroniqueur Actualités

Une consultation chez un médecin, on en a tous passé une, mais ce qu’il faut savoir est que chaque patient a un dossier médical contenant des informations telles que des notes médicales, des ordonnances, des transcriptions d'interviews audio et rapports de pathologie et de radiologie, tout ceci parfois stocké de façon non structurée. Le traitement de ces données peut s’avérer être fastidieux, car nécessite soit la saisie de données par des experts médicaux hautement qualifiés, soit des équipes de développeurs écrivant un code personnalisé et des règles permettant d'extraire automatiquement les informations. Heureusement pour ces prestataires de santé, Amazon s’est penché sur ce problème et a pu mettre au point un service qui permettra probablement de le résoudre une fois pour toutes.

En effet, la société américaine a annoncé mardi dernier le lancement d’Amazon Comprehend Medical, un service de traitement de langage naturel qui facilite l'utilisation de l'apprentissage automatique pour extraire des informations médicales pertinentes d'un texte non structuré et d'identifier des informations telles que le diagnostic du patient, les traitements, les doses, les symptômes, etc. Cette annonce fait suite à un reportage de CNBC en juin selon lequel Amazon travaillait depuis plusieurs années à un effort, baptisé en interne Hera, afin de mieux utiliser les données médicales numérisées, en capturant les informations dont un médecin pourrait manquer et en aidant à éliminer les inexactitudes.
 


Ce nouveau service permet aux développeurs d’identifier automatiquement les principaux types d’informations médicales clés, avec une grande précision et sans nécessiter un grand nombre de règles personnalisées. Les développeurs n’auront aucun serveur à mettre en service ni à gérer, ils ne devront uniquement fournir un texte médical non structuré au service en question et ce dernier le lira puis identifiera et renverra les informations médicales qu’il contient. Il faut également préciser que ce service mettra en évidence les informations de santé protégées, mais rassurez-vous aucune donnée traitée par le service n'est stockée et grâce à l'API Comprehend Medical, ces nouvelles fonctionnalités peuvent être facilement intégrées aux services et systèmes de santé existants. 

L’entreprise a mentionné au passage qu’elle était en étroite collaboration avec le centre de recherche sur le cancer Fred Hutchinson de Seattle afin de soutenir leurs objectifs d'éradication du cancer à l'avenir. C’est dans ce sens que Comprehend Medical aide à identifier les patients pour les essais cliniques susceptibles de bénéficier de traitements spécifiques contre le cancer. Pour les patients atteints de cancer et les chercheurs dédiés à leur guérison, le temps est la ressource limitante. Le processus de développement des essais cliniques et de leur mise en relation avec les bons patients nécessite des équipes de recherche qui passent au crible et étiquettent des montagnes de données de dossiers médicaux non structurées. Amazon Comprehend Medical réduira ce fardeau temporel d’heures par enregistrement à quelques secondes. Il s'agit d'une étape essentielle pour que les chercheurs aient rapidement accès aux informations dont ils ont besoin, au moment où ils en ont besoin, afin de pouvoir obtenir des informations concrètes pour faire progresser les thérapies qui sauvent des patients.

Il s’agit donc là d’une grande évolution dans le domaine de la médecine qui semble tout avoir pour révolutionner ce domaine. Le travail revient donc aux développeurs de s’approprier ce service, l’éprouver afin d’y déceler d’éventuels manquements et les signaler à Amazon qui se chargera de les corriger.

Sources : Amazon

https://www.developpez.com/actu/235589/Amazon-lance-un-service-qui-utilise-l-apprentissage-automatique-pour-extraire-des-informations-medicales-cles-a-partir-des-dossiers-des-patients/

Fermer Fermer


Novartis annonce le lancement de deux études de phase III sur son traitement expérimental ligelizumab (QGE031) contre l'urticaire spontané chronique.

Cet anticorps monoclonal a été conçu pour offrir de nouvelles options thérapeutiques aux patients chez qui les antihistaminiques ne parviennent pas à contrôler les symptômes de manière adéquate.

Les volets cliniques Pearl1 et Pearl2 enrôleront au total plus de 2000 patients, précise un communiqué du mastodonte pharmaceutique rhénan mardi.

Les essais cliniques de phase IIb ont démontré une supériorité du ligelizumab sur l'administration tant d'un placebo que du Xolair (omalizumab), commercialisé par Roche.

Lire la suite Lire la suite

Novartis annonce le lancement de deux études de phase III sur son traitement expérimental ligelizumab (QGE031) contre l'urticaire spontané chronique.

Cet anticorps monoclonal a été conçu pour offrir de nouvelles options thérapeutiques aux patients chez qui les antihistaminiques ne parviennent pas à contrôler les symptômes de manière adéquate.

Les volets cliniques Pearl1 et Pearl2 enrôleront au total plus de 2000 patients, précise un communiqué du mastodonte pharmaceutique rhénan mardi.

Les essais cliniques de phase IIb ont démontré une supériorité du ligelizumab sur l'administration tant d'un placebo que du Xolair (omalizumab), commercialisé par Roche.

Fermer Fermer


Calendrier
Préférences

Se reconnecter :
Votre nom (ou pseudo) :
Votre mot de passe
2gWZaG
Recopier le code :

Compte Dropbox

dropbox.png
Si vous n'avez pas encore un compte Cloud Dropbox,
cliquer sur le lien. Ouvrir un compte