social_innov_ia-sante_medecine_de_demain

Sans nul doute, le nombre croissant des données de santé disponibles a vocation à transformer la médecine. Tout comme les astrophysiciens doivent compter avec près de 300 milliards d’étoiles dans la Voie Lactée, dans un Univers contenant plusieurs centaines de milliers de galaxies, les médecins exercent désormais leur art diagnostic et thérapeutique dans un univers contenant 2,3 milliards de giga-octets de données de santé.

Quelle place l’intelligence artificielle aura-t-elle dans la médecine de demain? Cette question se pose avec d’autant plus d’acuité que les nouvelles technologies en santé ne cessent de progresser.


Cet article rend compte d’un entretien mené avec le Docteur Ziad Obermeyer, professeur adjoint de médecine d’urgence au Brigham & Women’s Hospital et professeur adjoint de politique de santé à la Harvard Medical School. Docteur Obermeyr est membre affilié du corps professoral de l’Institut des sciences sociales quantitatives de Harvard et de l’Ariadne Labs de la Harvard School of Public Health.

Dans un article récemment publié dans le New England Journal of Medicine, le Docteur Obermeyer défend l’argument selon lequel les ordinateurs du futur aideront à traiter et à synthétiser les données médicales et à améliorer la réflexion clinique.

A partir de quel moment peut-on considérer que le volume de données de santé disponibles est devenu trop important pour être efficacement traité par les médecins?

Il est compliqué de répondre à cette question en invoquant une date précise. Néanmoins, il existe plusieurs séries d’indicateurs permettant de mesurer l’apparition de ce phénomène. On date ce momentum à partir d’un sentiment de dépassement ressenti par le corps médical. Aussi, on peut prendre en considération le taux d’épuisement des médecins, le temps nécessaire au traitement des données stockées dans les systèmes d’information hospitaliers, mais aussi de l’inadéquation entre les ressources disponibles (nombre de données croissantes) et leurs apports encore très mesurées dans la prise en charge médicale. En d’autres termes, l’augmentation de l’information disponible ne s’accompagne pas encore d’une meilleure capacité d’analyse diagnostique ou thérapeutique.

Dans quels autres secteurs l’intelligence artificielle est-elle utilisée, et quels en sont les bénéfices? les défis à relever ?
Le secteur commercial fut l’un des premiers secteurs d’application de l’intelligence artificielle et du machine learning. Il n’y a qu’à se représenter toutes les fois où Nextflix vous suggère de visionner un film, où une plateforme commerciale vous suggère d’acheter un produit ou encore lorsque votre iPhone reconnaît les traits de votre visage pour mesurer l’omniprésence de ces outils dans notre expérience quotidienne.

Les secteurs académiques, dont celui de la médecine, n’échappent pas à ce phénomène et doivent dans leurs pratiques appréhender la complexité des données qu’ils traitent. Cela est vrai pour les écologistes par exemple, qui disposent de données complexes sur les écosystèmes, pour les neuroscientifiques qui traitent de données sur la structure et la fonction des neurones ou encore pour les généticiens analysant les données génomiques.

La science du machine learning permet aujourd’hui permet de développer de puissants algorithmes et de venir en appui à la structuration de ces données.

Docteur Obermeyer cite deux exemples emblématiques de l’utilisation des algorithmes en médecine : l’identification des variations du rythme cardiaque liées à certains décès cardiaques et l’identification de nouvelles formes de diabète de type 2.

Les algorithmes d’apprentissage automatique ont une formidable capacité de prédire l’avenir.

En médecine, un des domaines d’utilisation le plus sous-estimé est celui du pronostic, c’est-à-dire la prédiction médicale concernant le développement futur de l’état du patient. Docteur Obermeyer prend l’exemple des services d’urgences. Les patients sont souvent amenés à prendre des décisions difficiles (ventilation médicale, acte de chirurgie…) en un minimum de temps et sous pression. Docteur Obermeyer nous dit que les facultés pronostiques d’un médecin sont limitées, ce qui obère d’autant les moments d’échanges avec le patient. La lecture pronostique de l’intelligence artificielle, nous dit Obermeyer, permettra très probablement de faciliter la conversation entre le médecin et son patient à partir d’une information qui sera fournie équitablement à l’un comme à l’autre.

D’ici 10 à 20 ans, l’intelligence artificielle s’appliquera également à l’amélioration des diagnostics. De nombreuses informations sous déjà numérisées (analyse des antécédents médicaux, radiographies, etc) et permettent la construction d’algorithmes pour reproduire les performances de radiologues ou de pathologistes. Indubitablement, les algorithmes aideront les médecins à poser des diagnostics ou à déterminer quel traitement bénéficiera le mieux au patient. C’est l’avènement même de la médecine de précision.

Mais Docteur Obermeyer nous dit que cette capacité des algorithmes masque un problème plus profond : il y a encore beaucoup de choses que nous ignorons en médecine. La médecine de précision demande beaucoup plus que de simples entraînements d’algorithmes car il existe une incertitude méthodologique fondamentale. Les algorithmes ne peuvent pas nous aider à savoir ce que nous ne savons pas (encore)…

Comment peut-on s’assurer que les algorithmes n’apprendront pas à partir des erreurs humaines, inhérentes à la pratique ?

Nombreux sont ceux qui soulignent les biais existants au coeur même des décisions médicales prises tous les jours. Lorsqu’un radiologue examine une imagerie ou qu’un pathologiste analyse un tissu, les décisions s’apparentent à des jugements fondés sur l’état actuel des connaissances médicales. Méthodologiquement parlant, ces décisions humaines sont prises dans le cadre d’un système de soins défini et particulier, avec des incitations structurelles et des biais liés à l’accès aux soins. Il serait donc erroné de considérer les décisions médicales comme de pures données biologiques, chacune pouvant comporter une erreur, une disparité ou un biais.

Nous courons donc effectivement le risque que les algorithmes reproduisent les limitations, voire les erreurs humaines.

L’enseignement médical doit-il préparer les jeunes médecins à la réalité de l’intelligence artificielle?
Est-ce que les universités de médecine s’adapteront, personne ne peut le dire. Doit-elle s’adapter, c’est évident.

Les universités de médecine, rétrospectivement, ont toujours su adapter leurs programmes aux évolutions de la science et de la technologie. Il n’y a qu’à considérer qu’aujourd’hui, tout jeune médecin a reçu un enseignement en matière de génétique ou de biochimie.

A l’échelle individuelle, les médecins peuvent-ils déjà améliorer leurs pratiques grâce à l’apprentissage automatique?

Malheureusement, non. A ce jour, on ne recense aucune “killer app” capable d’aider le médecin dans le pronostic, le diagnostic ou le traitement de son patient. Il est frappant d’ailleurs d’observer à quel point l’intelligence artificielle contribue très peu à la médecine de tous les jours.
Cela peut certainement s’expliquer. Il faudrait que les nouvelles technologies soient plus régulièrement validées dans le cadre d’essais cliniques randomisés, qui reste le standard de l’évolution des pratiques médicales. A juste titre.