Machine learning dans la santé, la médecine du futur

“Faites-vous entièrement confiance à votre médecin ?” 


Voici la question quelque peu déconcertante que va poser Marzyeh Ghassemi, chercheuse canadienne en médecine computationnelle à l’occasion du TEDxUofTSalon.


Elle aborde alors le sujet de l'utilisation d'une machine learning dans la santé

Machine learning preview

Cette question d'introduction n’a pas pour but de dénoncer de mauvaises pratiques ou de remplacer les professionnels de santé par les machines.


Néanmoins, elle pose les bases de plusieurs problématiques rencontrées aujourd’hui, lors de la prise en charge et du diagnostic des patients : 

  • Dans un premier temps, comment s’assurer que le médecin pose les bonnes questions ? 
  • Par ailleurs, obtient-il à chaque fois les réponses utiles lui permettant alors de pouvoir déterminer quel sera le meilleur traitement ? 
  • Enfin, est-ce que l’on peut garantir à tous les patients qu’ils pourront bénéficier d’une prise en charge égale, que ce soit en termes de temps ou d'attention ? 


C’est là qu’intervient le travail de certaines entreprises de la tech cherchant à développer un type de machine learning* dans la santé capable d'optimiser la récolte et l'utilisation des données médicales. 


*Machine learning ? Nous le verrons en détail, il s’agit là d’une catégorie d'intelligence artificielle permettant de récolter efficacement les données pour ensuite pouvoir développer de nouvelles fonctionnalités utiles aux professionnels de santé.


Dès lors, comment une machine learning peut-elle venir assister le personnel soignant et optimiser les soins et traitements ? C’est ce que nous allons voir dans ce nouvel article.

Machine learning

Les problématiques qu'une machine learning dans la santé pourrait changer


1/ Des softwares et logiciels de travail obsolètes 

Aujourd’hui, les médecins et autres professionnels de santé vont avoir recours au dossier DPI d’un patient ainsi qu’à des logiciels de métier afin de pouvoir assurer leur prise en charge.


En France, le DPI par exemple, a été introduit au cours de l’année 2021. Dans d’autres pays, on le retrouve sous divers noms comme le DSE (Dossier de santé électronique) ou encore l’EMR (electronic medical record) aux USA.


Ces derniers possèdent à priori les mêmes objectifs

  • Améliorer la qualité, la sécurité et l’efficacité des soins,
  • Engager les patients et leur famille,
  • Améliorer la coordination des soins,
  • Améliorer la santé publique, 
  • Assurer la confidentialité et la sécurité des informations personnelles.

Or, ce que l'on constate, c'est que ces projets ne peuvent être pertinents que dans certaines infrastructures où le fonctionnement est globalement satisfaisant.


Ce qui n'est pas le cas aujourd'hui pour l'ensemble des hôpitaux, cliniques et autres centres. En tout cas, dans l'hexagone.


Prenez l’exemple d’un établissement A qui reçoit plus de subventions et bénéficiant de plus de moyens qu’un établissement B d'une autre région. 


Comment assurer une mise à jour constante du software/logiciel de l’établissement B quant on sait que les investissements doivent être axés prioritairement sur d’autres sujets ?


Le problème majeur des DPI et des software médicaux ne vient pas de leurs objectifs respectifs, mais plutôt du fait qu’ils nécessitent un service de maintenance quotidien. Des mises à jour doivent constamment être installées. 


Or, pour cela, il faut recourir à des ingénieurs et à des développeurs spécialisés. Autrement dit, cela coûte de l’argent. 


Quelles sont les conséquences alors si les logiciels ne suivent pas ? Les données récoltées ne seront plus pertinentes, voire inexploitables.  

Machine learning 1

2/ Des données non-pertinentes et non-exploitables   


Les données médicales erronées, un personnel de Santé débordé 

Nous l’avons dit précédemment, le risque avec des logiciels qui ne sont pas mis à jour, ou qui dépendent de la mise en marche d’un personnel est de voir des données erronées ou non pertinentes. 


Dans une enquête réalisée sur 3 mois de Kaiser Health News et Fortune Magazine, il ressort que 21% des dossiers médicaux électroniques américains contiennent des erreurs. Bien entendu, ce nombre s’inscrit dans ce système de santé en particulier. Mais notre système est-il si différent ?

 

Les données qui sont erronées peuvent provenir d'autres facteurs : manque de temps pour le personnel de santé, manque de communication avec les patients eux-mêmes (une minute passée sur un logiciel réduit le temps d'attention accordé aux patients), une surcharge de travail...etc. 


[Sur ce point, Healthcare Information and Management Systems Society révèle que sur un panel de 400 médecins et infirmiers sélectionnés dans 11 pays différents, 98% ont déjà ressenti un sentiment professionnel d’épuisement semblable au burn-out. Or, dans ce type de situation, on sait que la fatigue joue nécessairement sur la qualité du travail et peut conduire les personnes à perdre de l’empathie envers ces mêmes patients]. 


Les limites de la méthode comparative des données entre patients

Parfois aussi, les logiciels médicaux n’aident tout simplement pas les médecins à poser les bonnes questions


Prenez un patient qui se rend dans un hôpital et qui présente un trouble en particulier (ex : il a du mal à respirer). 


Les premiers réflexes vont être de demander à ce patient son dossier médical, ses antécédents, s’il fume…etc. 


Dans un second temps, on réalisera quelques examens basiques, comme prendre la température, la tension…etc. 


Et puis, il faudra faire un diagnostic. Dans ce cas, le médecin va se rendre dans la base de données disponibles, et faire des comparatifs avec des patients ayant eu des symptômes similaires.


Hormis le temps que cela peut prendre, il a été prouvé que même si plusieurs patients présentent les mêmes troubles, cela ne signifie pas qu’ils suivent tous le même schéma médical.


Une étude de l’OHDSI a d’ailleurs démontré que si vous preniez le dossier médical de 250 millions de patients dans 4 pays différents, une infime partie seulement suivraient le même traitement en ce qui concerne les cas de diabète (10%), de dépression (11%) et d’hypertension (24%). 


Chaque individu est un être unique et ne réagit pas de la même façon.

Machine learning 2

Achetez votre première cryptomonnaie facilement en euro avec Galeon

3/ Le manque d'empathie et discrimination envers les patients

Enfin, une problématique dont on parle moins, mais qui existe pourtant dans notre société : celle de l’inégalité de traitement entre les patients (ou si vous préférez, le manque d'attention). 


Par inégalité, on entend par là, une différenciation faite au moment de la prise en charge selon divers éléments : le sexe, la nationalité, l’aspect physique, la religion…etc.


Car oui, la discrimination dans le milieu de la santé existe, c'est même répréhensible par la loi.


De nombreux faits ont été rapportés dans divers médias et sur internet concernant par exemple,  les cas de grossophobie envers les patients. Certains professionnels ne souhaitant par s'attarder sur le diagnostic de telle ou telle maladie, considérant le fait que le patient est "responsable" de sa condition. 


L’absence d’empathie dans la prise en charge est un réel problème qui affecte tout autant le patient. 


Et si une machine learning était la solution pour réduire ces cas d'inégalités afin d'assister le professionnel de santé dans son diagnostic ?

Machine learning 5

Machine learning dans la santé comme nouvel outil pour les professionnels

Dès lors, en quoi une machine learning se verrait-elle plus performante que tous les outils utilisés jusqu'à maintenant par les médecins ? Comment pourrait-elle améliorer la prise en charge ?


Une machine learning en santé est une "sous-catégorie" d'intelligence artificielle (IA)


Elle permet ainsi de récolter des données, d’enregistrer des questions posées par les cliniciens, tout cela de manière automatique


Une fois que le processus est bien rodé et que la machine a été nourrie d’informations utiles, elle peut suggérer de nouvelles questions afin d’aiguiller les professionnels de santé. 


L’avantage étant que tout cela se fait en un temps record. Ce qui n’est pas le cas d’un cerveau humain ou d’un ordinateur lambda qui traitent des tonnes et des tonnes d’informations. 


Au-delà de cet aspect, une machine learning pourrait permettre de personnaliser la prise en charge de chaque patient sans le confondre dans une masse de données de santé qui semblent similaires. Autrement dit, on arrête de considérer que tous les patients présentant les mêmes symptômes doivent suivre le même traitement. 


In fine, les médecins disposeraient alors de meilleurs outils pour prendre des décisions, gagnant alors du temps sur leurs consultations, et retrouvant une proximité égale avec leurs patients.   

Machine Learning 3

D'autres exemples de machines learning et d'IA dans la santé 

  • Atomwise est une société américaine développant une IA capable de comparer de 10 à 20 millions de codes génétiques par jour afin de trouver l'origine de maladie comme Ebola et la sclérose en plaques. Notez que c'est 100 fois plus rapide que des laboratoires pharmaceutiques. 
  • Caption Health associe IA et technologie ultrasons afin de pouvoir détecter plus tôt des maladies cardiaques. L’IA permet alors de guider les ultrasons au cours de la procédure, apportant alors une meilleure qualité d’image pour une interprétation à postériori.
  • Freenome sert à fournir des images et autres tests médicaux permettant de détecter des cancers de stade 1.  
  • Vicarious Surgical associe à la fois IA et outils robotisés dans le but d’assister les chirurgiens sur des actes minimalistes. Ainsi, c’est à distance que les professionnels peuvent intervenir, sans devoir effectuer des opérations trop intrusives. Dans ce domaine, on peut encore citer Intuitive Surgical.

Bref, de nombreuses technologies de type machine learning et IA se développent, comme celle portant sur l'évaluation des données et de l'établissement de diagnostics précis, afin d’améliorer le système de santé.


Tout comme Galeon, l’idée est de personnaliser la prise en charge de chaque patient, tout en permettant au personnel de santé de bénéficier des bons outils et des bonnes données pour prendre les meilleures décisions.


Ainsi, ce sont des établissements de santé plus efficaces qui s’organisent.


Retrouvez également notre article sur la blockchain et la santé.

Machine learning

 Le but de cet article est avant tout de simplifier des concepts techniques liés à la crypto-monnaie, afin de les rendre accessibles à tous. Ces mots n’engagent donc que leur auteur. Il ne s’agit pas de conseiller le lecteur sur ses investissements. 

Cliquez pour évaluer cet article !
[Total : 3 Moyenne : 5]

Vous souhaitez être informé des avancés de Galeon en avance ?

Inscrivez-vous à la Newsletter !

Copyright © 2022 Galeon, tous droits réservés.

Suivez-nous