Intelligence artificielle : vers quels usages dans la santé ?

Il y a quelques mois de cela, j’ai reçu Josselin Meylan, étudiant de l’Université de St-Gall, pour discuter de son travail de mémoire de Master, qui allait traiter du sujet combien important de “l’impact potentiel de l’intelligence artificielle sur le secteur de la santé en Suisse”.

Ce mémoire, qu’il a maintenant écrit sous la direction du Prof. Gassmann et avec l’aide du Dr. Linghens, démontre clairement qu’il y a (et aura) beaucoup d’opportunités pour des usages productifs du “machine learning ” en médecine, en Suisse !

Ce travail de Master peut-être résumé comme suit:

Le système de santé suisse est malade. Avec une augmentation de la prime LAMal de plus de 159% depuis l’entrée en vigueur de la loi en 1996 alors que les salaires nominaux n’ont augmenté que de 25% durant la même période, les coûts de la santé ne seront bientôt plus supportables pour les ménages. Afin de lutter contre ce poids, les subventions à l’assurance maladie à la charge des cantons augmentent aussi drastiquement, avec par exemple un Vaudois sur trois percevant une aide en 2017. Cette solution n’est pas durable. Malgré les mesures ciblées proposées par la Confédération (comme par exemple la baisse du TARMED entrée en vigueur au début de cette année), les solutions ne semblent pas être prêtes d’arriver.

Alarmé par ce constat, Josselin Meylan, un étudiant de Master à l’Université de St-Gall, s’est interrogé quant à l’impact potentiel de l’intelligence artificielle sur le système de santé suisse. En effet, les technologies y étant liées, tel que le machine learning (apprentissage machine) arrivant à maturité grâce à la disponibilité combinée de grandes quantités de données, d’algorithmes de qualité et de puissance de calcul, les promesses faites depuis des décennies pourraient se concrétiser. Malgré cela, l’impact précis sur l’ensemble d’un système est difficile à calculer. Afin de résoudre ce problème, l’étudiant a procédé par étude de cas pour trois secteurs différents : le développement de médicaments, l’imagerie médicale ainsi que le processus de gestion du remboursement des prestations en assurance maladie. Pour chacun de ces trois domaines, il a modélisé le processus actuel, puis a choisi une solution utilisant le machine learning pour laquelle il a estimé l’impact coût potentiel. L’intelligence artificielle étant généralement un secteur dans lequel les promesses sont nombreuses mais souvent vagues, l’étudiant a voulu éviter cet écueil en choisissant uniquement des solutions déjà commercialisées ou proches de l’être. Malheureusement, toutes ces solutions ont été trouvées à l’étranger.

Etudes de cas

Les médicaments représentent en Suisse 12.6% des coûts de santé globaux, soit une part relativement importante. Selon des chercheurs américains, le coût typique de développement d’un médicament avoisine les USD 1.8 milliard. Ces coûts élevés sont dus principalement à la complexité du processus de développement de médicaments. Avec seulement 4.1% des projets lancés finissant par passer au travers de toutes les étapes (découverte, optimisation, tests cliniques…) pour finalement être commercialisés, le coût du risque intégré au prix des médicaments est un facteur important contribuant à la cherté de ces produits. La nature même du développement de médicaments explique ce taux d’échec : il s’agit en effet de trouver la bonne molécule (ou en tout cas la meilleure) parmi un espace moléculaire de 1060molécules existantes (sachant qu’il y a 1054atomes dans le système solaire).

Il se trouve que le machine learning est une technologie extrêmement adaptée à cette tâche. En se basant sur différentes bases de données publiques ou privées, des startups telles que l’écossaise Exscientia ou la californienne Numerate parviennent à optimiser ce processus, et à permettre d’une part d’échouer plus rapidement (limitant par là les coûts) mais aussi de prédire quelle molécule sera la plus efficace. Grâce plus particulièrement au produit d’Exscientia, il semble possible d’économiser 25%des coûts, faisant passer le coût du développement d’un produit à un peu moins de USD 1.34 milliard.

Du côté de l’imagerie médicale, le processus implique la secrétaire, le technicien radiologue et finalement le médecin radiologue, soit trois acteurs différents. Malgré cela, selon la modélisation que l’on peut trouver dans le travail de Master de M. Meylan, le médecin représente à lui seul plus de 78% des coûts de personnel (excluant tout autre coût que la main d’œuvre). Suite à des entrevues avec des médecins des HUG et de l’Hôpital Riviera-Chablais, l’auteur a pu comprendre que cela était dû à la complexification du métier. De quatre images analogiques à analyser il y a quelques années, on est maintenant passés à plusieurs dizaines d’images sur plusieurs couches, présentées par un système informatique. L’analyse et la vérification prennent un temps considérable (jusqu’à 80% du temps de travail du médecin), expliquant les coûts élevés liés au travail du médecin.

Malgré cela, à nouveau, l’imagerie médicale est un bon terrain pour le machine learning, si ce n’est le meilleur. Il semblerait en effet que ce domaine médical soit celui dans lequel les technologies sont les plus avancées. En effet, en ingérant les dizaines de millions d’images sur lesquelles une analyse médicale a déjà été faite, un algorithme d’apprentissage machine est capable de repérer les lésions et autres tumeurs avec une précision impressionnante, bien plus haute que les systèmes actuels de détection assistée par ordinateur. En utilisant les produits de startups comme Zebra Medical Vision (Israël), qui sont déjà en contact avec les HUG, ou encore lunit.io (Corée du Sud), des économies de coûts de 38%peuvent être prédites grâce à leur système de facturation « flat » de USD 1 par image analysée. Cela permettrait d’une part de faire baisser les coûts de l’imagerie médicale (qui sont élevés, étant une des cibles principales de la baisse 2018 du TARMED), tout en permettant aux médecins de passer plus de temps avec leurs patients.

La gestion des cas (un cas étant défini comme une facture envoyée pour remboursement) en assurance maladie est le dernier secteur étudié par l’auteur, et pas le moins important étant donné que ces sociétés sont souvent la cible de la vindicte populaire. A nouveau, l’effet d’une baisse des coûts pourrait être importante, les frais de fonctionnement d’une assurance étant situés entre 2% et 5% du montant des primes. Ces coûts peuvent être expliqués par la finesse de la ligne entre trop automatiser et être en proie à l’erreur de facturation et de remboursement, ou tout vérifier et faire exploser les coûts administratifs. L’assurance étudiée pour ce travail de Master, un des plus gros groupes en Suisse, bénéficie déjà d’un système relativement moderne et automatisé pour la gestion des cas, avec un moteur de règle analysant automatiquement les cas au travers d’une quinzaine de milliers de règles appliquées aux factures. Malgré cela, seules 32% des factures sont payées de façon totalement automatisée, signifiant que la grande majorité des cas sont vus par un gestionnaire. Ce dernier a un coût certain.

Dans le cas de l’assurance maladie, deux effets pourraient être vus grâce à la solution utilisant le machine learning de la startup Shift Technology (France) : une réduction des coûts de fonctionnement mais aussi de la fraude. Dans le premier cas, les économies peuvent être estimées à 55% des coûts de fonctionnement, grâce à une augmentation à 81% des cas traités sans intervention humaine. Du côté de la fraude, les bienfaits potentiels sont bien plus élevés : une des grandes forces du machine learning est en effet la reconnaissance de schémas, par exemple de fraude. Dans ce cas-ci, grâce aux millions de factures frauduleuses accumulées et analysées par Shift Technology et à la connaissance accumulée, une augmentation des économies sur fraude d’entre 276% et404%pourrait être vue ! Un impact important.

Répercussions politiques

Afin de permettre au système de santé, et aux primes par ricochet, de bénéficier de ces économies potentielles, plusieurs pistes pourraient être suivies par le monde politique fixant le cadre dans lequel ce système évolue :

  • Digitalisation et modernisation du système : le monde politique doit donner la possibilité et les moyens à l’ensemble du système de santé de se digitaliser. Que ce soit au niveau des systèmes informatiques, des données des patients, de grands progrès doivent être faits. Selon le cabinet de conseil McKinsey, il ne sert à rien de penser à l’intelligence artificielle si l’entité n’est pas déjà très avancée au niveau digital, ce qui n’est pas le cas des acteurs sanitaires suisses.
  • Disponibilité des données : au contraire d’autres pays ou régions, la Suisse est très en retard au niveau du dossier électronique du patient. Suite à des interviews avec le CHUV et les HUG, l’auteur du mémoire s’est aperçu qu’aucune centralisation des données médicales des patients n’existe, ce qui est un énorme handicap à l’installation de solutions utilisant le machine learning. Les données sont en effet au machine learning ce que l’essence (ou l’électricité) sont à nos voitures, les algorithmes ne pouvant pas fonctionner sans. A côté de cela, le partage de données anonymisé entre entités pourrait être encouragé par le cadre légal, afin que les algorithmes puissent atteindre une connaissance profonde des patients suisses et être d’autant plus efficaces et économes.
  • Formation de spécialistes :les hautes écoles suisses ne forment que peu de spécialistes en machine learning, avec pour résultat que les solutions innovantes sont développées à l’étranger. Un soutien à de telles formations est nécessaire, afin que les compétences nécessaires au développement de solutions adaptées à notre pays soient disponibles.

Généralement, ce n’est pas par des mesures ciblées que le système de santé suisse se sauvera, mais plutôt par un changement de mentalités et de fonctionnement. La seule possibilité dans cette direction semble être la numérisation. L’innovation doit être encouragée et le système doit se digitaliser afin de permettre la réalisation des importantes économies promises.

Xavier Comtesse

Xavier Comtesse

Dans les années 70/80, Xavier Comtesse est 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» comme Directeur Romand. En 2015 il lance avec quelques experts «HEALTH@LARGE», un nouveau Think Tank sur la santé numérique. Il est mathématicien et docteur en informatique. Il est l'auteur du livre: Santé 4.0 paru récemment aux éditions Georg, Genève.

Laisser un commentaire

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