Le futur Dr. House, champion des diagnostics les plus complexes, sera une IA, nul doute à cela. Les logiciels ont déjà atteint le niveau des meilleurs spécialistes et leur pertinence ne fera que croître. Pour autant, devons nous leur livrer toute notre vie numérique ?
Les technologies Big Data et d'Intelligence Artificielle progressent à grand pas dans le domaine médical. Pratiquement chaque semaine une nouvelle application du Machine Learning prouve son efficacité dans le diagnostic de maladies graves. Avec Watson, IBM avait beaucoup communiqué sur le travail mené avec le service oncologie de l'hôpital Memorial Sloan Kettering de New-York. En compilant toutes les données relatives aux patients, l'intelligence artificielle aide désormais les oncologues à établir leur diagnostic et à choisi le traitement le plus approprié au patient. Depuis ce projet pilote, "Watson for oncology" a été déployé en Thaïlande, dans 6 hôpitaux en Inde et IBM a annoncé la mise en place de son IA dans 21 hôpitaux chinois. L'informatique devient une aide dans la compilation des données patient, elle devient imbattable dans l'analyse de l'imagerie médicale.
Avec Watson for oncology, IBM est en train de pousser l'intelligence artificielle dans de plus en plus d'hôpitaux dans le monde. L'outil peut sauver des vies, faut-il aussi y voir un danger pour la confidentialité des données ?
Récemment, des chercheurs de l'UCLA ont démontré qu'en couplant un algorithme de Machine Learning à un microscope à échantillonnage optoélectronique, le logiciel parvenait à identifier les cellules cancéreuses dans une biopsie de manière plus efficace que les méthodes traditionnelles mais à un rythme de... 36 millions d'images par seconde ! Dès 2014, des chercheurs du CIFAR (Canadian Institute for Advanced Research) avaient montré que le Deep Learning pouvait efficacement détecter certaines mutations dans les gènes d'un patient pouvant conduite à l'autisme, des cancers du colon et une Amyotrophie spinale.
L'IA dans la médecine, une vague amorcée dès les années 70
Utiliser des techniques d'intelligence artificielle à des fins de diagnostic médial n'est pas nouveau, les premières expérimentation remontent à 1972 avec le logiciel AAPHelp, mais les récents progrès réalisés en intelligence artificielle, notamment en analyse d'image, font voler en éclat les limites de ces systèmes.
Il y a quelques jours, Google annonçait que sa filiale dédiée à l'intelligence artificielle DeepMind travaillait avec l'hôpital opthalmologique britannique de Moorfields sur le dépistage de la dégénérescence maculaire et de la rétinopathie diabétique. Les algorithmes de Deep Learning mis au point par DeepMind vont été entrainés à lire les images de fond d'œil des patients réalisées en 3D par Tomographie en cohérence optique (TCO). Un échantillon d'un million d'images anonymisées vont permettre à l'algorithme d'apprendre à lire ces fonds d'oeil et délivrer son diagnostic. Une startup française, DreamUp Vision a déjà démontré la pertinence de cette approche pour dépister la rétinopathie diabétique. "Notre algorithme de Deep Learning a appris comment dépister cette maladie et comme en faire le diagnostic à différents stades" a expliqué Ekaterina Besse, CEO de DreamUp Vision lors du dernier salon Big Data. "Celui-ci réalise une détection rapide de modèles complexes sur l'image rétinienne et a compris comment établir son diagnostic avec une précision comparable ave celle des ophtalmologistes professionnels."
Son algorithme a déjà démontré une précision de diagnostic de 97,5%, contre 96% à 98% pour un ophtalmologiste. Le logiciel a l'efficacité d'un spécialiste mais peut être utilisé par n'importe quel professionnel de santé, depuis le médecin généraliste, un médecin du travail, un diabétologue jusqu'à une infirmière. "Pour le patient, cela permet un dépistage à un stade précoce et le diagnostic est immédiat. Il y a 285 millions de gens atteints de cécité dans le monde, 80% de ces cas auraient pu être évités par un dépistage précoce. La rétinopathie diabétique étaient une première étape, demain, notre logiciel pourra dépister d'autres maladies causes de cécité." On imagine aisément tout l'intérêt de tels systèmes de diagnostic automatisés dans les pays en voie de développement où les médecins spécialistes sont rares et concentrés dans les grandes villes ou même dans les pays tels que la France où le nombre de praticien tends à diminuer dans certaines spécialités.
L'intelligence artificielle frappe à la porte des hôpitaux et le Big Data va s'imposer dans la médecine de demain avec le concept de la médecine des 4P (personnalisée, préventive, prédictive et participative). L'analyse de l'ensemble des données biomédicales du patient mais aussi des données issues de capteurs divers dont les trackers d'activité va permettre à la fois d'anticiper le risque de certaines maladie via des algorithmes prédictif, mais aussi de créer des traitements sur-mesure pour chaque patient afin de minimiser les effets secondaires tout en accroissant l'efficacité des médicaments sélectionnés.
L'IA fait encore peur
Face à cette effervescence d'innovation venue d'acteur de l'informatique, de l'internet et des startups, les réglementations relatives à la protection des données de santé sont-elles devenues obsolètes ? Dans une tribune publiée par la plateforme The Conversation, Owen Johnson, chercheur en informatique médicale de l'université de Leeds pointe les freins à l'essor de ces systèmes qui pourraient pourtant sauver des vies. Il pointe les lenteurs du secteur médical à adopter l'intelligence artificielle, soulignant que 40 ans après son invention, AAHelp n'est toujours pas utilisé. Selon lui, l'intelligence fait peur et les patients ne souhaitent pas être réduits à une statistique. Un scandale à éclaté outre-manche, quand le NHS britannique a donné un accès à Google DeepMind à 1,6 million de dossiers médicaux nominatif. L'objectif initial était d'alimenter les algorithmes de diagnostic de son application mobile de dépistage des maladies rénales mais une erreur à permet à DeepMind d'accéder aux dossiers dans leur totalité.
Pour Owen Johnson, dans ce type de projet la difficulté n'est pas dans la création des algorithmes, mais dans les efforts nécessaires pour rester d'une part dans la rigueur scientifique mais aussi dans le respect des contraintes réglementaires liées aux données de santé. Ainsi pour mener une étude de 50 million de dossiers patients, plutôt que de livrer les données à IBM pour que l'analyse soit réalisé via le Cloud, l'institut d'analyse des données de l'université de Leeds a du installer la solution sur ses propres machines pour ne pas transférer à IBM ces millions de dossiers patient.
La France défend une approche structurée
Les géants du high-tech américain s'intéressent beaucoup aux données de santé. En prenant le contrôle de Truven Health Analytics pour 2,6 milliards de dollars, IBM mettaient la main sur 215 millions de profils patients, un excellent terrain de jeu pour son IA Watson. Vu de France, cette mainmise des industriels sur les données patients semble une hérésie. L'ASIP Santé (Agence des Systèmes d'Information Partagés de Santé) veille au grain. Cette structure qui dépend du Ministère des Affaires sociales et de la Santé a publié un cadre commun des projets de e-Santé, une liste d'exigences qui permet de cadrer précisément les acteurs qui souhaitent créer des offres. "C'est un cadre qui donne des repères juridiques et techniques qui leur permet de comprendre à la fois le cadre actuel et la façon dont il va se transformer à l'avenir" résume Pascale Sauvage, directrice de la stratégie de l’ASIP Santé. "Le Big Data ouvre un champ des possibles formidable dans la prise en charge des patients, mais nous voulons avancer par étapes successives. Une étape majeure, c'était mettre en place ce cadre qui garantisse que la donnée de base soit une donnée fiable, une donnée de qualité. Le Big Data, c'est bien, mais si on court vers les usages, rien ne va garantir la qualité des données et aucun cas d'usages intéressants ne pourront apparaître." Pour héberger des données de santé de patients français, un prestataire doit appliquer à la lettre le cadre commun établi par ASIP Santé et ce dernier assure l'instruction des dossiers avec la CNIL avant que la ministre de la santé n'accorde finalement son agrément.
Outre définir des référentiels de sécurisation des données stockées et des échanges, l'ASIP travaille sur une structuration précise des données de santé, un héritage direct du projet de Dossier Médical Personnel (DMP) lancé... en 2004. Face à l'arrivée du Big Data, Pascale Sauvage défend cette approche très structurée : "Pour pouvoir travailler sur les données à grande échelle, il faut que les données soient le moins hétérogène possible et pour articuler les données les unes avec les autres, il faut que ces données soient le plus structurées possible. La couche métier du cadre d'interopérabilité structure les données pathologie par pathologie pour permettre à l'ensemble des logiciels de partager des "sets" de données communes. C'est beaucoup plus complexe si les données ne sont pas structurées, le traitement automatisé du langage c'est l'avenir à long terme. Nous réfléchissons à terme sur ce qu'il faudra mettre en place pour ce traitement automatisé du langage mais cela prendra quelques décennies."
La protection des données est-elle une entrave à l'innovation ?
Face à cette vision de la donnée de santé "à la française" hyper sécurisée, centralisée et structurée, des startups de tous pays qui créent presque chaque jour de nouvelles solutions innovantes, de gros acteurs tels qu'IBM, Google qui créent des solutions de diagnostic. Est-ce pour autant une entrave à l'innovation ? Prend-on le risque de priver les malades français de l'accès à ces innovations sous prétexte de les protéger ? "Ce cadre n'est pas un frein en soi" estime Pascale Sauvage. "Les industriels doivent l'intégrer en amont, au moment où ils conçoivent un nouveau service. Il y a aujourd'hui en France de nombreux hébergeurs qui peuvent héberger de la donnée de santé pour le compte d'une startup et résoudre ainsi facilement cette question de l'agrément. La principale difficulté, c'est intégrer les spécificités du cadre dès l'amont du projet." Reste à convaincre les startups de la Silicon Valley et aux géants de Web de se plier aux exigences du cadre commun français..
Jeu de briques
Snake
Pacman
Bubble