Le « Machine Learning » ou le changement de paradigme du système de soins…


  • Nathalie Barrès
  • Résumé d’articles
L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte. L'accès à l'intégralité du contenu de ce site est reservé uniquement aux professionnels de santé disposant d'un compte.

Qu’est-ce que le « Machine Learning » ?

Derrière le terme « Machine Learning » se cache une technologie d’intelligence artificielle (IA) qui permet aux ordinateurs d’apprendre sans avoir été programmés explicitement pour cette action. Il s’agit donc d’un moyen d’exploiter au maximum les Big Data.

Comment le « Machine Learning » pourrait être utilisé en médecine ?

Les systèmes interprétables par l’homme sont basés sur des règles prédéfinies par l’homme lui-même : par exemple un programme informatique utilisant une approche traditionnelle proposera un traitement adapté à un patient qui présente une hypertension artérielle en s'appuyant sur des recommandations prédéfinies. Les modèles utilisant le « Machine Learning » apprennent par l’exemple plutôt que par des règles. Des algorithmes croisent des millions de caractéristiques (notes médicales, données de suivi des patients, clichés médicaux, …) pour ensuite permettre de déterminer par exemple, un diagnostic avec une bonne précision.  Le « Machine Learning » propose d’apporter un diagnostic et une prise en charge médicale personnalisée en temps réel à partir de l’ensemble des données patients disponibles et en intégrant les enseignements de l’expérience collective. Ainsi, cette technologie intègre les données de milliards de patients – ce qui dépasse largement la capacité de synthèse du cerveau humain.

Mais que reste-t-il à l’homme ?

L’intelligence artificielle peut compiler des milliards de données provenant de millions de dossiers médicaux basées sur l’historique des patients, alors qu’un même médecin ne verra finalement que quelques dizaines de milliers de patients au cours de sa carrière. L’être humain peut, quant à lui, contrairement à l'IA, établir des relations entre différentes caractéristiques à partir de peu de données et il est également doté d’un sens commun.

Quels intérêts pour les médecins à travailler avec l’IA ?

L’IA peut apporter des données aux médecins au-delà de leur propre expérience, comme indiquer une probabilité : de durée avant un retour au travail après une fracture du tibia favorisant ains l’organisation individuelle ; ou la rapidité de progression des complications d’un diabète de type 2, stimulant ainsi la mise en place de stratégies thérapeutiques sans délai. Le bénéfice peut également être perçu au niveau sociétal et préventif en apportant des prévisions de recours à certains soins selon le développement d’une pathologie sur une tranche d’âge et en permettant d’anticiper les ressources nécessaires pour y faire face. Ces modèles pourraient également suggérer des questions ou des tests à réaliser face à telle ou telle situation clinique, ce qui peut être utile lorsque le médecin a un doute.

Quelles limites à ces systèmes de « Machine Learning » ?

Un modèle tel que celui décrit est basé sur l’apprentissage à partir de milliard de données historiques, sur l’expérience acquise et les habitudes des prescripteurs sans forcément intégrer la pratique idéale, les nouvelles recommandations, ou les nouveaux traitements. D’ailleurs, des tentatives récentes d’utilisation du "Machine learning" ont mis en évidence cette difficulté à laquelle il faudra remédier. 

Comment construire un tel système ?

La construction de ces systèmes d’IA nécessite le recueil des données longitudinales des patients. Or, aujourd’hui ses données sont principalement hébergées par des systèmes qui ne sont pas interconnectés (clichés radiographiques, données payeurs, données pharmaceutiques, applications mobiles, …). Une solution consisterait à faire en sorte que les données du patient soient systématiquement remises et véhiculées par le patient lui-même. Des interfaces s’appuyant sur cette vision existent déjà. Elles présentent également l’intérêt de conserver le contrôle des données au niveau des patients eux-mêmes.