Brig.AI: gagnante de Toronto Accelerator Award 2024

2024_AI4GoodLab_Acceleration_Award_Website_TOR

Membres de l’équipe

Doris Zhang, Lauren Yip, Sohee Goo, Shabicha Sureshkumar, Emem Edem

Sommaire

Brig.AI prévient les retards de diagnostic pour l’endométriose et le syndrome des ovaires polykystiques en informant les femmes des tests diagnostiques les plus efficaces en fonction de leurs symptômes. Brig.ai comble le fossé entre les professionnels de la santé et les patients.

Mots-clés

Endométriose, SOPK, psychiatrisation, modèle prédictif, intelligence artificielle (IA), refus de prise en charge, santé reproductive des femmes

brigai-23

Inspiration et contexte du projet

Brig.AI a vu le jour à la suite d’une banale discussion sur les règles à l’heure du dîner. Plusieurs membres de l’équipe ont parlé de leur cycle menstruel irrégulier ainsi que de leur confusion et de leur exaspération devant la fréquente « psychiatrisation » de leur état de santé. Nous avons réalisé que de nombreuses femmes, dont nous-mêmes, ne sont pas prises au sérieux par les prestataires de soins — ce qui entraîne souvent d’importants retards diagnostiques. Ce projet a pour but d’outiller les femmes en les aidant à démystifier leurs symptômes, à consulter en toute connaissance de cause et à savoir quoi faire après une consultation médicale infructueuse.

Technologies utilisées

Python, classification automatique à k moyenne, mise en grappe, AdaBoost, régression logistique, pandas, Scikit-Learn, NumPy, Figma, React.js, ChatGPT, Flask

Développement du projet

Brig.AI prédit la probabilité que les utilisatrices soient atteintes du syndrome des ovaires polykystiques (SOPK) ou d’endométriose en fonction des symptômes qu’elles déclarent. Il formule également des recommandations personnalisées quant aux démarches à entreprendre, telles qu’une demande de test diagnostique. Pour élaborer le modèle, nous avons mis à profit des ensembles de données relatives aux symptômes autodéclarés pour les deux maladies. Nous avons ensuite amélioré ce modèle en éliminant les caractéristiques qui contribuaient peu à l’exactitude prédictive. Notre modèle, qui a été entraîné à l’aide de la régression logistique et d’AdaBoost, affiche un taux de précision de 83 % à 91 %. Nous avons également appliqué la classification automatique à k moyenne pour associer les symptômes à des diagnostics précis et offrir une expérience plus personnalisée à l’utilisatrice. L’ensemble de données comprenait divers symptômes autodéclarés. Ces données ont été nettoyées et prétraitées afin d’optimiser la performance du modèle. Après une période d’entraînement, Brig.AI peut prédire la probabilité de l’une ou l’autre maladie, puis suggérer des démarches à entreprendre selon la nature des symptômes. Il s’agit d’un excellent exemple d’utilisation de l’apprentissage automatique, puisque le SOPK et l’endométriose sont des maladies qui présentent des symptômes communs, ce qui complique le dépistage et le diagnostic précoce. Le modèle de mise en grappe permet de personnaliser davantage le service en associant les symptômes à des tests précis.

brigai-18

Impact et innovation

Brig.AI est un outil à part sur le marché des solutions de santé destinées aux femmes, car il comble une lacune majeure dans l’aide apportée aux personnes dont les problèmes de santé ont été « psychiatrisés ». Si des concurrents comme Ubie et Ovum proposent des bilans de santé, ils négligent souvent les problématiques rencontrées par les utilisatrices qui cherchent à faire valider leurs symptômes et à obtenir conseil après avoir été éconduites par le personnel médical. Conçu pour les femmes qui hésitent quant aux démarches à entreprendre, Brig.AI se veut une ressource informative et bienveillante qui les aide à départager leurs symptômes et les diagnostics possibles.

La particularité de notre solution réside dans sa capacité à outiller les femmes grâce à des analyses fondées sur des données et à des recommandations personnalisées. En appliquant l’apprentissage automatique à l’analyse des symptômes autodéclarés, Brig.AI ne prédit pas seulement la probabilité du SOPK ou de l’endométriose, mais suggère également des mesures à prendre, telles que des tests diagnostiques adaptés. Cette approche renforce non seulement la confiance de l’utilisatrice, mais lui permet de prendre sa santé en main.

Brig.AI pourrait avoir des retombées majeures auprès de la population ciblée. En formulant des prédictions fiables et des recommandations personnalisées, il vise à combler le fossé entre la reconnaissance des symptômes et le diagnostic clinique afin d’améliorer la prise en charge de ces problèmes de santé. La plateforme sert également à informer les utilisatrices et à mieux faire connaître le SOPK et l’endométriose, deux maladies qui échappent souvent au diagnostic et au traitement.

D’un point de vue éthique et sociotechnique, nous sommes tout à fait conscientes de la nécessité de répondre aux préoccupations entourant la vie privée des patientes et la protection des renseignements personnels. Comme Brig.AI n’enregistre aucune donnée médicale sensible, les utilisatrices peuvent interagir avec la plateforme sans craindre de voir leurs renseignements personnels compromis. Cela dit, nous sommes sensibles aux préjudices que notre solution pourrait entraîner, tels que le risque d’erreur de diagnostic et de faux positifs (ou négatifs). Pour atténuer ces risques, l’outil comprend des mises en garde claires et propose des ressources éducatives qui soulignent l’importance de consulter pour confirmer le diagnostic et le protocole de traitement.

En définitive, Brig.AI promet d’apporter une contribution importante à la santé des femmes en priorisant l’empathie, l’éducation et le pouvoir-agir, tout en gérant consciencieusement les implications de la technologie sur le plan éthique.

Défis rencontrés et solutions apportées

L’un des principaux défis que nous avons rencontrés lors de l’élaboration de Brig.AI a consisté à trouver des ensembles de données adaptés et faciles d’accès. La plupart des ensembles à notre disposition comportaient des symptômes difficiles à autodéclarer en l’absence de dossier médical — le nombre de follicules, par exemple. Si bon nombre de ces symptômes sont indispensables au diagnostic de SOPK et d’endométriose, ils sont difficiles à recueillir selon une méthode valable et éthiquement responsable. Pour remédier à ce problème, nous avons recentré notre attention sur des symptômes faciles à décrire et à déclarer par les utilisatrices. En évitant que l’élimination des caractéristiques peu utiles vienne compromettre la précision du modèle, nous avons épuré notre ensemble de données tout en maintenant une solide capacité de prédiction.

Un autre défi de taille s’est posé quand est venu le temps d’examiner les conséquences d’un diagnostic erroné ou de faux positifs (ou négatifs). Cette préoccupation nous a fait prendre conscience de l’importance de la précision et de la fiabilité de nos prédictions. Nous avons résolu ce problème en mettant en œuvre des processus de validation rigoureux, dont des techniques de validation croisée, afin de garantir la fiabilité du modèle pour différents profils symptomatiques. Nous souhaitons améliorer prochainement nos prédictions en recueillant des ensembles de données plus complets comprenant à la fois des données autodéclarées et des données sur les signes cliniques, ce qui contribuera à accroître la précision et la fiabilité des prédictions.

Nous avons également été sensibles au défi que représentait le fait de gagner la confiance des utilisatrices et de susciter leur adhésion. Les utilisatrices peuvent avoir des doutes sur la validité des recommandations formulées par l’outil, d’autant plus que celles-ci ne proviennent pas d’une source clinique. Pour pallier ce problème, nous avons intégré des mises en garde claires concernant les limites des prédictions et souligné l’importance de consulter pour confirmer le diagnostic. Cette approche vise à inspirer confiance tout en expliquant clairement le but de l’outil et l’usage auquel il est destiné.

En somme, nous avons rencontré plusieurs obstacles au cours du développement de Brig.AI, mais nos stratégies en amont nous ont permis de les surmonter avec succès. En privilégiant les données autodéclarées par les utilisatrices, en renforçant les processus de validation et en inspirant confiance grâce à la transparence des communications, nous préparons la voie pour que Brig.AI puisse aider les femmes à mieux s’orienter dans le dédale du SOPK et de l’endométriose.

Apprentissages et réalisations

Le AI4Good Lab nous a apporté des connaissances inestimables grâce à des conférences, à des exposés inspirants, à des services de mentorat et à un formidable réseau de personnes vers qui nous tourner pour obtenir de l’aide. Le volet formation a été d’une grande utilité en nous inculquant les connaissances pratiques et théoriques dont nous avions besoin pour donner vie à ce projet. Nous sommes fières de l’aboutissement de notre projet et du travail d’équipe qui l’a rendu possible. Nous avons appris à concrétiser notre concept, à définir notre solution et à la présenter avec confiance.

Prochaines étapes du projet

Notre projet achevé, nous sommes impatientes de le présenter dans le cadre de concours. Nous l’avons déjà soumis au concours Summer Innovation Challenge de Virtual Accelerate, dont il nous tarde de connaître les résultats.

Remerciements

Remerciements

Nous souhaitons exprimer notre gratitude à notre assistant d’enseignement, Raiyan Rahman, qui a généreusement mis son temps et ses connaissances à notre disposition et nous a aidées à élaborer ce projet. Nous tenons également à remercier notre mentore Tahniat Khan, qui nous a aidées à perfectionner notre présentation en nous faisant profiter de son expérience des affaires lors de nos rencontres hebdomadaires. Enfin, nous remercions le AI4Good Lab de nous avoir réunies et de nous avoir permis de bénéficier de la formation et des ressources nécessaires à la réalisation de ce projet.

Consultez les ressources suivantes pour en savoir plus!