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 de machine learning dans le cadre des recherches médicales

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 expose plusieurs problématiques rencontrées aujourd’hui, lors de la prise en charge et le diagnostic des patients : 

  • Comment s’assurer par exemple, que le médecin pose les bonnes questions ? 
  • Et à ce titre, obtient-il à chaque fois les réponses utiles pour déterminer quel sera le meilleur traitement, selon tel ou tel patient ? 

C’est là qu’entre en jeu les entreprises HealthTech qui cherchent à développer un type de machine learning* dans la santé capable d'optimiser la récolte et l'utilisation des données médicales. 

*Machine learning ? Détaillé ci-après, il s’agit là d’une catégorie d'intelligence artificielle (IA) pouvant récolter efficacement les données pour ensuite pouvoir développer de nouvelles fonctionnalités utiles aux professionnels de santé.

Dès lors, comment le machine learning peut-elle venir assister le personnel soignant et optimiser les soins et traitements ? Et mieux encore, comment peut-elle faire avancer la recherche médicale ?

Machine learning

Machine learning dans la santé, une solution pour :

1/ Compléter l'utilisation des DPI

Aujourd’hui, dans le cadre d'une prise en charge d'un patient, les médecins et autres professionnels de santé vont avoir recours au DPI (Dossier patient informatisé) et aux logiciels métier.

En France, le DPI par exemple, a été introduit au cours de l’année 2021 et on peut le retrouver dans d'autres pays sous divers noms comme le DSE (Dossier de Santé Électronique) ou encore l’EHR (Electronic Health Record) aux US.

Globalement, les objectifs sont les mêmes : 

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

Malheureusement, le constat est tout autre.

En effet, ces projets ne sont effectifs que dans les infrastructures où le fonctionnement est à peu près normal. Ce qui n'est pas le cas aujourd'hui pour l'ensemble des établissements qui ne disposent pas des mêmes fonds.

Dès lors, comment assurer une mise à jour constante de ces logiciels dans un contexte où les priorités sont tournées vers d'autres fondamentaux (ex : rénovation des bâtiments, réapprovisionnement...ect) ? 

Le problème majeur des DPI et des software médicaux vient donc de ce besoin continu de mise à jour. Et pour cela, il faut faire appel à des ingénieurs  ou des développeurs spécialisés. Autrement dit, cela coûte de l’argent. 

Mais sans une exploitation continue de ces DPI, la récolte des données médicales est vouée à sa perte (80% chaque année sur le nombre de données récoltées).  

Le machine learning dans la santé serait la solution pour compléter l'utilisation des DPI, dans la continuité, et d'éviter ainsi la perte des données collectées. 

Machine learning 1

2/ Simplifier la récolte et l'utilisation des données médicales

Dès le premier examen par le personnel de santé

Nous l'avons vu, la récolte des données médicales peut se faire via le DPI. Toutefois, à défaut de tri ou d'optimisation, on peut obtenir des données erronées et/ou des données qui ne sont pas forcément utiles à la recherche. 

Note : dans une enquête réalisée sur 3 mois de Kaiser Health News et Fortune Magazine, on peut y lire que 21% des dossiers médicaux électroniques américains contiennent des erreurs. Bien entendu, ce chiffre doit être pris avec du recul. Les erreurs médicales trouvent différentes sources.

Mais les donnés s'obtiennent aussi et surtout, par l'intermédiaire du corp médical qui est au contact permanent des patients. D'où la nécessité à ce titre, de leurs fournir des outils professionnels performants et adaptés à leur rythme de travail*.   

Rappelons une étude de Healthcare Information and Management Systems Society qui révèle que sur un panel de 400 médecins et infirmiers sélectionnés dans plus de 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 sur le temps accordé aux patients. 

Machine learning 2

À la pose du diagnostic

À postériori, la récolte des données tend à être utilisée par les médecins pour pouvoir tirer des conclusions sur la situation de leurs patients, afin de poser un diagnostic

Pour cela, ils peuvent s'aider de logiciels médicaux. Néanmoins, ces logiciels ne posent pas forcément les bonnes questions. Du moins, ils sont assez limités, notamment avec toutes les données récoltées.

Prenez un patient qui se rend dans un hôpital et qui présente un trouble particulier. Les premiers réflexes vont être de demander à ce patient son dossier médical, ses antécédents…etc. Dans un second temps, on réalisera quelques examens et puis, il faudra faire un diagnostic. 

Dans ce cas, le médecin va se rendre dans la base de données déjà disponibles. Puis, il fera des comparaisons avec des cas déjà enregistrés ayant des symptômes similaires. C'est ce qu'on appelle : la méthode comparative.

Outre le fait que cela soit chronophage, rien ne permet de garantir au patient, un traitement personnalisé*.

*Note : une étude de l’OHDSI a 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. 

Le machine learning viendrait donc poser les bases d'une médecine personnalisée. 

Achetez votre première cryptomonnaie facilement en euro avec Galeon

Machine learning dans la santé d'un point de vue technique

Concrètement, comment le machine learning dans la santé fonctionne-t-il ?

Le 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 le 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 face à des tonnes d’informations. 

Au-delà de cet aspect, le 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 avec leurs patients.   

Machine Learning 3

D'autres cas d'utilisation possible de machine learning 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 ou 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'accéler la recherche médicale.

Tout comme Galeon, l’idée est de personnaliser la prise en charge de chaque patient, et ce, à partir de données médicales structurées.

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 au Web3, 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 : 4 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