L'intelligence artificielle au service de la santé
L’intelligence artificielle est appelée à jouer un rôle central dans la révolution médicale en cours. Issues du secteur médical et des patients, avec l’avènement des objets connectés de santé, les données de santé permettent d’améliorer considérablement les diagnostics de nombreuses pathologies.
La France dispose, dans le domaine de l’IA au profit de la santé, d’un écosystème extrêmement dynamique composé à la fois d’équipes de recherche académique d’excellence et d’un réseau médical de renommée mondiale, de grandes entreprises pharmaceutiques et technologiques très actives et de startups innovantes, notamment sur les technologies de rupture.
Objectifs poursuivis
Avec pour ambition d’améliorer la santé des patients et leur expérience du système de santé sur le long terme, la SNIA vise principalement à soutenir la mutualisation des données de santé. En effet, l’accès et le partage des données de santé sont indispensables au développement de solutions numériques efficaces.
Un tel objectif ne peut toutefois être poursuivi sans l’implication pleine et entière des citoyens. La transparence sur les projets réutilisant leurs données, le partage des principaux résultats, sont des prérequis à leur soutien dans des démarches de partage de données de santé à large échelle.
Enfin, si la France a toutes les cartes en main pour devenir un leader mondial dans la santé numérique, cela ne sera possible qu’en multipliant les formations sur l’IA en santé et en soutenant les innovations, leur entrée sur le marché français et leur export à l’international.
Un renouveau des approches préventives, diagnostiques et thérapeutiques
Avec l’allongement de la durée de vie et les progrès de la médecine, les contextes cliniques des patients se complexifient. Par exemple, les personnes âgées souffrent de plus en plus d’une pluralité de pathologies et sont amenées à être suivies par différents professionnels de santé et structures médicales. Le praticien doit alors arbitrer pour offrir le meilleur traitement tout en prenant garde à la qualité de vie du patient, notamment lorsque les traitements sont lourds et admettent d’importants effets secondaires.
Analyser des jeux de données en mobilisant les approches dites d’« intelligence artificielle » peut alors éclairer sur la stratégie thérapeutique à adopter, patient par patient. On constate également d’importants progrès dans la prise en charge du cancer. De nombreuses molécules innovantes dont l’indication dépend des anomalies moléculaires détectées dans les tumeurs sont actuellement à l’étude et arrivent sur le marché. Les patients connaissent ainsi plusieurs phases de traitement qu’il faut orchestrer. Si le choix d’une première stratégie thérapeutique est souvent aisé, cibler et évaluer les lignes de traitement suivantes devient déterminant pour la recherche et conditionne l’accès des patients à ces thérapies innovantes et coûteuses.
Un système de santé plus efficient
L’analyse des données de santé permet également de mieux piloter le système dans son ensemble. Les analyses de données de « vie réelle » (par opposition aux données collectées dans le cadre d’essais cliniques) permettent ainsi de mesurer l’efficacité thérapeutique avérée des traitements, dans le contexte de vie des patients et pour une population plus large que celle sélectionnée dans le cadre de l’essai clinique.
Ces analyses permettent également de détecter des effets indésirables et doivent être mobilisées au maximum dans l’exercice des missions des agences sanitaires, en particulier pour garantir la sécurité sanitaire et éviter des crises.
Enfin, elles constituent un matériau indispensable à la formulation de recommandations en matière de politiques publiques en santé et à l’évaluation de leur implémentation. On l’a vu, les cas d’usage sont nombreux et dans ce secteur sans doute plus que dans d’autres, l’enjeu de souveraineté nationale est prégnant. L’Etat a un devoir de garantir au citoyen une médecine de pointe tout en s’assurant de l’éthique de l’usage des données et de la fiabilité des innovations dont il bénéficiera.
Récolter et analyser des données médicales
Pour garantir les meilleures chances de succès, il faut mobiliser une expertise médicale beaucoup plus large, prendre en compte la réaction du patient aux premiers traitements reçus et ses spécificités individuelles. A cette fin, il devient indispensable de constituer de grands jeux de données mobilisant des dossiers patients de plusieurs centres hospitaliers pour avoir une base d’informations suffisante permettant de dresser des conclusions performantes et précises.
De plus, dans un contexte de médecine ambulatoire, la recherche ne peut plus reposer uniquement sur les données des dossiers médicaux hospitaliers, elle doit également mobiliser ceux de la médecine de ville, ainsi que les données produites par les patients eux-mêmes. Par conséquent, elle sera de plus en plus difficile à réaliser sans recourir à une part d’automatisation pour extraire de l’information pertinente dans de grands jeux de données hétérogènes.
Les techniques d’intelligence artificielle visent également à prédire des événements au sein d’une séquence. La capacité à anticiper est un enjeu essentiel pour la prise en charge tout au long du parcours de soin, par exemple pour prévenir, voire éviter un recours aux urgences dans le cas d’un patient insuffisant cardiaque. Dans la prise en charge de l’obésité, on pourra, par exemple, être en mesure de prédire, pour un patient donné, si l’opération n’est pas trop risquée. Dans le même ordre d’idée, on peut prévenir un rejet de greffon, une récidive de tentative de suicide ou une ré-hospitalisation, etc.
Passer d’une médecine curative de masse à une médecine personnalisée, et ce pour toutes les spécialités, nécessite d’être capable de rassembler des grands jeux de données issus de plusieurs sources (remboursements de l’assurance maladie, données cliniques hospitalières ou de ville, données de population issues notamment des cohortes, objets connectés…) et des expertises pour les exploiter (cliniciens, spécialistes en informatique médicale, épidémiologie, biologie humaine…).
Des outils d’aide au diagnostic, à la décision et à l’interprétation de plus en plus performants
Dans la pratique, la mobilisation de ces approches sur des données médicales se concrétise par la publication d’articles scientifiques mais aussi par le développement de nouveaux outils qui mobilisent cette connaissance pour la restituer de façon opérationnelle au professionnel en fonction du contexte clinique. On parle alors d’outils d’aide à la décision diagnostique ou thérapeutique. Les options de prise en charge suggérées par ces outils pourront contribuer à enrichir les raisonnements des professionnels. Plus les données seront disponibles et de qualité, moins les outils développés à partir de celles-ci seront biaisés et plus ils seront efficaces.
Cela signifie qu’ils prendront davantage en compte le contexte et produiront des recommandations plus pertinentes. A titre d’exemple, des startups travaillent au développement d’outils permettant de détecter une anomalie sur un électrocardiogramme et de gagner des heures précieuses pour venir en aide à un patient dans une situation d’urgence et en absence de cardiologue.
En analyse d’image, les algorithmes témoignent également d’une efficacité très intéressante pour le secteur de la santé. La FDA (Food and Drug Administration) a ainsi autorisé le premier dispositif médical utilisant de l’intelligence artificielle pour dépister la rétinopathie diabétique à partir de photos de la rétine en 2018 et une trentaine d’autres dispositifs médicaux depuis. En automatisant certaines analyses routinières, on permet ainsi aux experts de passer davantage de temps sur des cas plus complexes où ils devront interpréter des signes non présents dans les données.
Aujourd’hui, l’élaboration de ces algorithmes requiert une annotation manuelle des signaux ou images par des spécialistes, mais on peut imaginer que le chaînage avec d’autres sources de données pourrait faciliter la qualification des données et dynamiser l’innovation en la matière. D’autres tâches peuvent être facilitées par des algorithmes ; plusieurs expériences visent à mobiliser les comptes-rendus médicaux pour automatiser le codage des actes et diagnostics à l’hôpital dans le cadre de leur remboursement par l’Assurance maladie.
Actions clés
- De nouveaux programmes d’enseignement croisant IA et santé :
- Lancement d’une Chaire intelligence artificielle en santé, comprenant notamment le D.U. IA appliquée à la santé de la faculté de médecine de l’Université de Paris en janvier 2020.
- Un master en IA et Santé lancé en 2019 par l’EMLyon : Master in Health and Data Intelligence.
- Création du Health Data Hub avec pour objectif de promouvoir l’accès aisé et unifié, transparent et sécurisé aux données de santé, dans le respect des droits des citoyens, pour l’amélioration de la qualité des soins et l’accompagnement du patient.
- Trois instituts 3IA (Instituts Interdisciplinaires d’Intelligence Artificielle) Nice, Paris et Grenoble ont mis l’accent sur les applications en santé.
- Le Grand défi « Amélioration des diagnostics médicaux par l’intelligence artificielle » a pour objectif de soutenir l’usage de l’IA en santé depuis la production des données jusqu’aux applications industrielles.
- L’appel à projets « L’IA pour une expérience améliorée du système de santé » en 2020, co-piloté par le Health Data Hub et le Grand Défi, a sélectionné et soutenu 10 projets innovants associant startups et équipes médicales ou de recherche académique.
- Mise en place d’un cycle inédit d’écoles d’IA en santé AI4Health, co-organisé par le Health Data Hub et les Instituts 3IA (Prairie, MIAI Grenoble, 3IA Côte d’Azur), réunissant les plus grands experts mondiaux.
- PariSanté Campus, lancé le 4 décembre 2020 par la Président de la République, est un projet ambitieux de campus en santé numérique associant acteurs publics et privés pour construire la médecine du futur.
Liens et téléchargements
Mis à jour le 01/03/2023