La médecine “de précision”entame sa phase d’apprentissage avec l’IA!

En collaboration avec Daniel Walch, Directeur G.H.O.L

La médecine change de dimension en devenant « de précision ». Si l’on voudrait être tout à fait précis, il faudrait ajouter qu’il y a deux courants distincts derrière cette notion : l’un est basé sur la connaissance génétique et les diagnostics et thérapies qui lui sont liés ; l’autre sur les Big Data, les capteurs et les algorithmes auto-apprenants (l’IA en quelque sorte). Ces deux approches se réuniront un jour sans doute dans un seul courant de recherche mais actuellement elles représentent deux branches distinctes. Nous allons particulièrement nous pencher sur celle des Big Data et de l’IA.

Car que l’on veut démontrer, c’est l’apport spécifique de l’IA dans la transformation en cours. Evidemment, on n’ignore pas que biens d’autres découvertes et transformations d’importance ont lieu en parallèle.

L’informatique est construite autour des algorithmes, sorte de procédures de traitement des données. Elle a été jusqu’à très récemment purement déterministe. A chaque Input correspondait un Output prévisible. Aujourd’hui tout change. A un groupe important de données (Big Data) correspond un traitement qui ressemble à un apprentissage avec pour conséquence un Output non déterminé à l’avance. On est dans le monde du « prédictif » plus que du « prévisible ». On ne prévoit plus, on observe une prédiction, une croyance. L’incertain fait surface. Il ouvre un champ des possibles bien plus immense. A travers l’histoire, l’intelligence s’est définie principalement comme la capacité à accepter un nombre élevé d’incertitudes ! La médecine prédictive mesure les risques, plus ou moins probables, sans pouvoir les garantir. L’IA fera des suggestions au médecin qui restera l’expert mais sera nettement plus rapide et plus performant.

L’achat récent de l’entreprise de santé digitale, Flatiron Health par Roche est une expression d’un tel virage propre à cette approche. Les données (Big Data) sont plus que nécessaires dans le « prédictif » si elles sont de qualité. C’est d’ailleurs un des problèmes majeurs dans la santé, c’est la qualité des données. Souvent non-structurées (notes des médecins, enregistrements codifiés, etc.), peu interopérables ou disséminées, les données sont rarement utilisables sans un travail de nettoyage.  Le dossier médical d’un patient peut être paramétré « sain » pour telle ou telle pathologie alors que la maladie n’avait pas encore été décelée au moment de l’hospitalisation.

La collecte et la mise en forme de celles-ci, sont souvent la première étape de tout modèle « prédictif ». Ensuite, il faudra choisir les bons algorithmes de réduction pour en extraire du sens. Puis, il faudra y apposer un bon diagnostic ou une bonne analyse. L’IA reste aujourd’hui un travail très artisanal avant que les systèmes informatiques marchent de manière autonome. Regardez combien de kilomètres les voitures dites autonome doivent rouler (pour acquérir de l’expérience) avant de maîtriser une conduite parfaite. Il en est aujourd’hui de même de tout logiciel IA. L’apprentissage prend du temps et beaucoup d’efforts.

Le « prédictif » en médecine entame sa phase d’apprentissage. Il serait cependant faux d’adopter une attitude d’attente passive. Tout se joue en ce moment. Soyons actifs pour garantir notre avenir.

Au service des urgences du GHOL en 2016, 47% des urgences hospitalisées concernaient des patients de plus de 65 ans. Les maladies chroniques cardiovasculaires et respiratoires ainsi que les fractures du fémur sont les causes principales des hospitalisations urgentes des personnes âgées. On estime plus généralement que près des 3/4 des dépenses de santé sont causées par les patients chroniques. L’idée clé devient d’anticiper les situations à risques dans le système, d’identifier les patients à risques élevés d’être de gros consommateurs de soins de santé (urgences, situations de crise…). En améliorant leur prise en charge, en appliquant des mesures préventives aux patients identifiés, l’on peut diminuer les coûts de la santé. L’objectif ponctuel de guérison est ici remplacé par le maintien en bonne santé. L’essentiel de l’état de santé du patient est fonction de son comportement dans son environnement. L’addition des objets connectés, du Big Data et de l’IA permettront de connaître et de mieux suivre le patient chronique. En partageant ces données entre les prestataires de soins du réseau (médecins installés, services de soins à domicile, hôpitaux, etc.), la médecine prédictive devrait diminuer les coûts de la santé !

La médecine “de précision”entame sa phase d’apprentissage. Il serait cependant faux d’adopter une attitude d’attente passive. Tout se joue en ce moment. Soyons actif pour garantir notre avenir.

 

Xavier Comtesse

Xavier Comtesse

Mathématicien et docteur en informatique, il est dans les années 70/80 le co-créateur de trois start-ups à Genève : les éditions Zoé, la radio locale Tonic et « Le Concept Moderne ». Il est ensuite haut fonctionnaire à Berne auprès du Secrétaire d'État à la Science avant de rejoindre l'Ambassade Suisse à Washington comme diplomate. En 2000, il crée la première Swissnex à Boston puis rejoint le Think Tank Avenir Suisse. Dès 2014 il se lance comme spécialiste de la transformation numérique. Il accompagne ainsi des entreprises ou des organismes publiques comme SwissTopo ou les SITG (Services de l’Information du Territoire Genevois). Il publie plusieurs articles et blogs ainsi que 4 livres dans le domaine de la transformation numérique. Il est reconnu comme l'un des 100 digital « shapers » suisses par le journal BILANZ en 2016/17.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *