Un nouvel outil alimenté par l’IA pourrait améliorer

Une équipe de chercheurs de l’Université d’Oxford, en collaboration avec la police de Thames Valley, la National Crime Agency, l’hôpital John Radcliffe, Lurtis Ltd. et l’Université de Cardiff, a développé un outil avancé basé sur l’IA pour aider à l’enquête médico-légale sur les lésions cérébrales traumatiques (TBI).

L’étude, publiée dans Génie des communicationsintroduit un cadre d’apprentissage automatique axé sur la mécanique pour aider les équipes de police et médico-légales à prédire avec précision les résultats TBI basés sur des scénarios d’assaut documentés.

Le TBI est un problème de santé publique critique, avec des conséquences neurologiques graves et à long terme. Dans les enquêtes médico-légales, déterminer si un impact aurait pu causer une blessure signalée est crucial pour les procédures judiciaires, mais il n’y a actuellement aucune approche standardisée et quantifiable pour le faire.

La nouvelle étude montre comment les outils d’apprentissage automatique informés par les simulations mécanistiques pourraient fournir des prévisions de blessures fondées sur des preuves, pour améliorer la précision et la cohérence des enquêtes TBI.

Le chercheur principal Antoine Jérusalem, professeur de génie mécanique au Département de sciences de l’ingénierie de l’Université d’Oxford, a déclaré: « Cette recherche représente une étape importante de la biomécanique médico-légale. En tirant parti de l’IA et de la physique, nous pouvons fournir des forces de l’ordre avec un outil sans précédent pour évaluer les TBI objectivement. »

Le cadre d’IA de l’étude, formé sur des rapports de police réels et anonymisés et des données médico-légales, a atteint une précision de prédiction remarquable pour les blessures liées au TBI:

• Précision de 94% pour les fractures du crâne
• Précision de 79% pour la perte de conscience
• Précision de 79% pour l’hémorragie intracrânienne (saignement dans le crâne)

Dans chaque cas, le modèle a montré une spécificité élevée et une sensibilité élevée (un faible taux de résultats faux positifs et faux négatifs).

Le cadre utilise un modèle mécaniste de calcul général de la tête et du cou, conçu pour simuler comment différents types d’impacts, tels que des poinçons, des gifles ou des frappes contre une surface plane – affichent diverses régions. Cela fournit une prédiction de base quant à savoir si un impact est susceptible de provoquer une déformation ou un stress tissulaire.

Cependant, il ne prévoit pas de risque de blessure. Cela se fait par une couche AI ​​supérieure qui intègre ces informations à toute métadonnée pertinente supplémentaire, telle que l’âge et la taille de la victime, avant de fournir une prédiction pour une blessure donnée.

Les chercheurs ont formé le cadre global sur 53 rapports anonymisés de la police anonymisés de cas d’agression. Chaque rapport comprenait des informations sur un éventail de facteurs qui pourraient affecter la gravité du coup (par exemple, l’âge, le sexe, la construction corporelle de la victime / délinquant). Cela a abouti à un modèle capable d’intégrer des données biophysiques mécaniques avec des détails médico-légaux pour prédire la probabilité de blessures différentes.

Lorsque les chercheurs ont évalué quels facteurs avaient le plus d’influence sur la valeur prédictive pour chaque type de blessure, les résultats étaient remarquablement cohérents avec les résultats médicaux.

Par exemple, pour prédire la probabilité de fracture du crâne, le facteur le plus important était la quantité la plus élevée de stress ressenti par le cuir chevelu et le crâne lors d’un impact. De même, le prédicteur le plus fort de la perte de conscience a été les mesures de stress pour le tronc cérébral.

L’équipe de recherche insiste sur le fait que le modèle n’est pas destiné à remplacer l’implication des experts judiciaires et cliniques humains pour enquêter sur les cas d’assaut. L’intention est plutôt de fournir une estimation objective de la probabilité qu’une agression documentée soit la véritable cause d’une blessure signalée.

Le modèle pourrait également être utilisé comme un outil pour identifier les situations à haut risque, améliorer les évaluations des risques et développer des stratégies préventives pour réduire l’occurrence et la gravité des blessures à la tête.

Le professeur Jérusalem a ajouté: « Notre cadre ne sera jamais en mesure d’identifier sans aucun doute le coupable qui a causé une blessure. Tout ce qu’il peut faire est de vous dire si les informations qui lui sont fournies sont corrélées avec un certain résultat. Étant donné que la qualité de la production dépend de la qualité des informations alimentées dans le modèle, avoir des déclarations de témoins détaillées est toujours cruciale. »

Mme Sonya Baylis, directrice principale de la National Crime Agency qui a soutenu ce projet de recherche, a déclaré: « Comprendre les lésions cérébrales utilisant une technologie innovante pour soutenir une enquête policière, précédemment dépendante d’informations limitées, améliorera considérablement l’interprétation requise du point de vue médical pour soutenir les poursuites. »

Le Dr Michael Jones, chercheur à l’Université de Cardiff, et consultant en médecine légale, a déclaré: «Un« talon d’Achille »de la médecine médico-légale est l’évaluation de savoir si un mécanisme de blessure témoin ou déduit, souvent la force, correspond aux blessures observées.

« Avec l’application de l’apprentissage automatique, chaque cas supplémentaire contribue à la compréhension globale de l’association entre le mécanisme de cause, les blessures primaires, la physiopathologie et les résultats. »

L’étude a été menée par une équipe interdisciplinaire d’ingénieurs, de médecins légistes et de professionnels de la santé de l’Université d’Oxford, de la police de Thames Valley, de la National Crime Agency, de l’Université Cardiff, de Lurtis Ltd., de l’hôpital John Radcliffe et d’autres institutions partenaires.