L'importance de la médecine préventive
À travers nos visions de l’avenir et dans divers médias classiques de science-fiction, nous trouvons souvent une attention particulière aux détails accordée à la santé et à la médecine, et avec ces idéaux de bien-être rendus possibles par une technologie de pointe et globale.
Qu'il s'agisse de la session Bacta Tank de Luke Skywalker, du tricordeur médical de Starfleet ou du système d'anneaux d'habitation de Discovery One. Bien que celles-ci semblent certainement donner du style à leurs mondes, les temps de guérison des diverses pratiques sont généralement aussi courts que l'intrigue de la scène. Néanmoins, tous les contextes explicitement de science-fiction finiront par faire une note passagère sur les soins de santé haut de gamme ou, plus particulièrement, sur les durées de vie sans précédent.
Santé et médecine préventive
Bien sûr, ce n'est pas un hasard si une vision de l'avenir implique des soins de santé très développés. Même en regardant vers le passé, à travers des querelles sur le bon vieux temps ou sur ce qui s'est véritablement amélioré aujourd'hui, il est unanimement admis que nous devrions apprécier nos normes modernes de médecine. En effet, la roue du progrès est essentiellement synonyme d’amélioration continue de la médecine préventive. Mais les avancées récentes ont accéléré l'innovation au sein du secteur de la santé, à mesure que l'image de l'avenir de notre santé commence à prendre forme.
L’une des avancées les plus importantes de ces derniers temps a été l’application de techniques basées sur l’IA aux soins de santé. L'intelligence artificielle est l'utilisation de routines logicielles codées pour effectuer des tâches généralement associées aux fonctions cognitives humaines, telles que le traitement du langage, la reconnaissance des sons et l'apprentissage général de modèles pour les fonctions de résolution de problèmes.
Le domaine a véritablement envoyé des ondes de choc à travers le domaine, mais ne vous attendez pas à voir un hologramme médical d'urgence de sitôt, les chercheurs doutent que nous verrons bientôt des médecins IA remplacer complètement les médecins humains. Cependant, les gains se sont déjà révélés substantiels, car de puissantes techniques d’IA peuvent aider à révéler des informations vitales cachées dans de vastes étendues de monde. données sont échangés dans le cyberespace et dans les secteurs médicaux.
Les solutions basées sur l'IA se répartissent en deux grandes catégories. Le premier type implique des techniques d'apprentissage automatique qui analysent des données structurées, telles que des données génétiques, électrophysiologiques ou d'imagerie, pour regrouper les caractéristiques des patients ou déterminer la probabilité de risques de maladie et leurs conséquences. En outre, cela peut contribuer à réduire les erreurs de diagnostic qui sont bien trop inévitables dans la pratique clinique humaine.
La deuxième catégorie concerne les méthodes de traitement du langage naturel, qui peuvent extraire des informations clés à partir de données non structurées telles que des publications médicales ou des notes cliniques, afin de mettre à jour le vaste répertoire de littérature médicale et de connaissances dont un praticien a besoin, à une vitesse et une efficacité sans précédent. Bien que ces méthodes ne soient pas parfaites au départ, car les algorithmes doivent être formés de manière fiable à partir des données d’activité clinique antérieures avant d’être immédiatement déployés pour des applications de santé.
Bien que la recherche sur l’IA pour la médecine ait été substantielle, elle se concentre le plus souvent sur une poignée de maladies : les maladies du système nerveux, les maladies cardiovasculaires et le cancer. Les exemples incluent l'utilisation d'IBM Watson comme système d'IA fiable dans le diagnostic du cancer ; la détection et l'analyse des timings des décharges des motoneurones spinaux afin de contrôler les prothèses ; ou l'analyse d'images IRM haute résolution dans le diagnostic des maladies cardiovasculaires. Cela ne veut pas dire que les évolutions clés ne se trouvent pas ailleurs.
Un problème particulier en matière de santé est la prévision fiable des conséquences des accidents vasculaires cérébraux, une préoccupation exacerbée par la vaste gamme de scénarios possibles. Un projet a révélé que les prédictions faites à partir de paramètres physiologiques 48 heures après l'AVC étaient plus de deux fois plus précises avec la méthode basée sur l'IA qu'avec le modèle d'analyse de régression standard – une augmentation d'un taux de précision de 43 % à 97.5 %.
La recherche basée sur l'IA s'est accélérée ces derniers temps grâce à l'émergence de modèles d'apprentissage en profondeur, qui peuvent être simplement compris comme des réseaux de neurones dotés d'une multitude de couches activées grâce à une plus grande puissance de calcul. Un cas très médiatisé impliquait un algorithme d'apprentissage en profondeur dont les performances étaient comparables à celles de 21 dermatologues certifiés lors de la classification du cancer de la peau, après avoir été formés sur 130,000 XNUMX images cliniques de lésions cutanées. Cette évolution a été particulièrement importante dans la gestion de la qualité et de la quantité toujours croissantes de données.
Le développement continu de méthodes basées sur l’IA a contribué à nourrir d’autres domaines émergents. Un tel exemple est le domaine naissant de l’épidémiologie numérique.
L’objectif fondamental de l’épidémiologie est de comprendre la dynamique sanitaire des populations et les schémas de ces maladies afin d’aider à comprendre leurs causes et par la suite de consolider la médecine préventive et de promouvoir la santé. L’épidémiologie numérique, en revanche, implique bien plus qu’une simple épidémiologie basée sur des données numériques, mais concerne davantage la collecte de données épidémiologiques en dehors du secteur clinique, donc des données qui ne sont pas initialement générées à des fins épidémiologiques.
Un exemple est Google Flu Trends, un service Web qui effectue des prédictions sur la grippe sur la base des résultats globaux des requêtes de recherche. Alternativement, les plateformes publiques de médias sociaux telles que Twitter constituent des sources de données inestimables qui peuvent être utilisées à des fins épidémiologiques.
L’adoption généralisée des technologies mobiles, notamment les téléphones, les montres intelligentes et Fitbit, a joué un rôle déterminant dans la génération de ces données. En raison de la masse d’informations échangées via ces canaux, il n’est pas surprenant que l’apprentissage automatique ait joué un rôle essentiel dans ce domaine. Mais une préoccupation majeure concerne la question de l’accès aux données et de la confidentialité.
L’approche d’apprentissage profond dépend fortement de très grands ensembles de données à partir desquels les algorithmes DL peuvent apprendre. Le problème est aggravé par la nature sensible des soins de santé, qui exige que l’IA soit formée selon des normes élevées lorsqu’elle traite de la santé humaine.
Par conséquent, cela a suscité une forte demande d’accès libre à de grandes quantités de données pour les professionnels de la santé, dans l’intérêt du public. Bien que l’IA soit très prometteuse pour l’avenir de la santé, cette collecte, ce stockage et cette utilisation de grandes quantités de données soulèvent diverses préoccupations éthiques en matière de sécurité, de confidentialité, de propriété et de réglementation, notamment en ce qui concerne les données utilisées pour certains algorithmes. ou les critères sur lesquels ces algorithmes ont été construits en premier lieu. Compte tenu du caractère récent du sujet, les efforts de réglementation en sont encore à leurs balbutiements.
Ce n'est qu'à la mi-juillet 2018 que le Organisation mondiale de la Santé en collaboration avec l’Union internationale des télécommunications, elle lancerait officiellement des efforts pour développer un processus d’analyse comparative des modèles d’IA en santé. Le 15 juin de cette année, bien au milieu de la récente épidémie, 11 entités, dont l'UE, les États-Unis, le Royaume-Uni, le Japon, la France et l'Allemagne, se sont finalement réunies pour lancer le Partenariat mondial sur l'intelligence artificielle.
Cette initiative accompagne les tensions accrues et confuses entre les sphères technologiques de différents pays, comme les pressions accrues sur les « Big 4 » (Google, Amazon, Apple et Facebook), l’interdiction des appareils Huawei ou la guerre contre TikTok.
Mais plus important encore, la récente pandémie a mis en lumière divers problèmes qui sous-tendent les lois sur la confidentialité des données. Le règlement général sur la protection des données de l'UE s'est révélé être un véritable frein à l'adoption de méthodes visant à aplanir la courbe, notamment l'utilisation restrictive des données GPS des utilisateurs. Cela contraste avec les libertés, par exemple, en Corée du Sud, qui est parfois critiquée pour ses efforts intensifiés dans l'utilisation du GPS, de l'historique des cartes de crédit, des images de vidéosurveillance et des données SMS pour suivre l'évolution du COVID-19. Les efforts visant à développer une application paneuropéenne sur le coronavirus ont rapidement échoué une fois que la réalité des différentes attitudes à l’égard des données et de la vie privée est apparue dans les différents États membres.
Aujourd’hui plus que jamais, nous sommes à la croisée des chemins dans le secteur de la santé. Même si nous ne pouvons pas ignorer la valeur de mesures telles que le RGPD, la valeur indéniable de la méthodologie basée sur l’IA, en particulier dans de telles périodes, nous oblige à repenser une fois de plus la façon dont nous abordons les données. Il est indéniable que l’IA continuera à accroître sa présence et son utilisation dans nos vies, même si les prochaines étapes seront cruciales pour déterminer la voie à suivre par l’intelligence artificielle.
Thibaut Faddy
Sources:
Emanuel, Ezekiel J. et Robert M. Wachter. \"L'intelligence artificielle dans les soins de santé : la valeur sera-t-elle à la hauteur du battage médiatique ?.\" Jama 321.23 (2019) : 2281-2282.
Parc, juin. \"Suivi du COVID-19 à l'ère de l'IA et des guerres technologiques.\", Bulletin Asie-Pacifique (2020).
Jiang, Fei et coll. \"L'intelligence artificielle dans les soins de santé : passé, présent et futur.\" AVC et neurologie vasculaire 2.4 (2017) : 230-243.
Salathé, Marcel. \"Épidémiologie numérique : qu'est-ce que c'est et où va-t-elle ?.\" Sciences de la vie, société et politique 14.1 (2018) : 1.
Wiegand, Thomas et coll. \"L'OMS et l'UIT établissent un processus d'évaluation comparative de l'intelligence artificielle dans le domaine de la santé.\" The Lancet 394.10192 (2019) : 9-11.
Zandi, Diana et coll. \"Nouveaux défis éthiques des technologies numériques, de l'apprentissage automatique et de l'intelligence artificielle en santé publique : un appel à communications.\" Bulletin de l'Organisation mondiale de la santé 97.1 (2019) : 2-2.
