L’évolution de la santé numérique

Kam Kafi,
Directeur, Oncologie et stratégie clinique, Imagia
Shelley Epstein,
Vice-présidente, Affaires corporatives et publiques, Imagia

La santé devient numérique, englobant tout, des dossiers électroniques des patients (DME) à la télémédecine et à la santé mobile – sous l’impulsion de la pandémie. Mais la prochaine évolution concernera l’intelligence artificielle (IA). Si le potentiel de l’IA est énorme, il reste un certain nombre de défis à relever pour fournir des solutions efficaces en vue d’une adoption clinique.

Si la santé numérique n’est pas une nouveauté, l’adoption de cette technologie, lente et décousue, est encore loin d’être acquise. Nous pouvons déjà faire beaucoup de choses aujourd’hui, depuis les diagnostics numériques et le suivi des patients à distance jusqu’aux interventions thérapeutiques basées sur des logiciels. Alors, quelle est la place de l’IA?

Digital Health

Comment l’IA s’intègre dans la santé numérique

Nous avons besoin de collaboration pour la découverte, car aucune institution n’est représentative de la population dans son ensemble et chacune a ses propres biais. Afin de parvenir à un processus de découverte collaborative, les organismes de soins de santé doivent d’abord accéder à leurs données à partir des silos des différents départements. Ces données doivent ensuite être contextualisées, explorées et annotées (afin d’étiqueter les données pour les applications d’IA) pour pouvoir être utilisées pour la conception d’études basées sur les données et le développement de modèles d’IA. Il est essentiel de normaliser ce processus de découverte, en le rendant répétable et reproductible. Tout au long du processus, les organismes de soins de santé doivent tenir compte de la protection de la vie privée et des biais potentiels.

Chacune de ces étapes comporte toutefois des défis. La préparation des données d’imagerie médicale pour l’apprentissage machine, par exemple, pose des problèmes de disponibilité des données annotées et de biais potentiels qui pourraient affecter la généralisation des algorithmes d’IA, selon un article paru dans Radiology. De nouvelles approches telles que l’apprentissage fédéré et les rapports interactifs pourraient à terme améliorer la disponibilité des données pour les applications d’IA dans le domaine de l’imagerie.

Aux États-Unis, il y a eu une forte poussée pour l’adoption clinique des dossiers médicaux électroniques (DME), qui commence par la numérisation des dossiers médicaux pour fournir des informations au niveau du patient et, éventuellement, au niveau de la population. Les recommandations peuvent ensuite être renvoyées vers les DME pour une aide à la décision clinique.

Au Canada, nous sommes encore plus en retard; les DME ne sont pas largement utilisés dans tous les aspects des soins. L’un des principaux obstacles à l’utilisation plus répandue des DME est que les médecins consacrent plus de la moitié de leur temps à la saisie de données et à des tâches administratives plutôt qu’à des visites en personne avec les patients, entraînant une baisse de la qualité des soins. Mais ces outils numériques deviennent plus conviviaux (par exemple, l’IA peut écouter et transcrire une conversation), d’autant que la pandémie accélère la transition vers la santé numérique.

Avec la santé mobile, nous mettons également des outils en libre-service entre les mains des patients – nous passons ainsi d’une médecine basée sur la rencontre à des soins centrés sur le patient. Par exemple, un outil de surveillance sur le dispositif portable d’un patient pourrait surveiller sa tension artérielle 24 heures sur 24 et 7 jours sur 7 entre deux (2) rendez-vous.

Mais ces types d’outils numériques produisent une grande quantité de données et cela s’accompagne d’une série de défis connexes. Quel est le contexte de ces données? Quelle est la qualité de ces données? Y a-t-il des biais inhérents? La numérisation des mégadonnées crée de nouveaux défis lorsqu’il s’agit d’interpréter les données et de faire des prédictions ou de prendre des décisions.

Digital Health

Les défis qui se présentent

L’être humain ne peut traiter que cinq (5) à 15 paramètres lorsqu’il prend une décision. Ainsi, avec trois (3) mois de données et des millions de points de données, il est impossible pour une seule personne de faire une recommandation éclairée. L’IA est entraînée sur des données spécifiques et « apprend » à partir de nouvelles données, offrant un niveau d’automatisation de portée limitée mais extrêmement rapide.

Digital Health

C’est la promesse de l’IA: décharger le traitement manuel des données et fournir des recommandations rapides sur de multiples variables, pour finalement fournir des soins plus centrés sur le patient. Mais nous n’en sommes pas encore là. Les instituts de soins de santé disposent d’une abondance de nouvelles données, mais ils ne sont pas certains de leur valeur. Et il pourrait réduire l’équité en matière de santé, car tous n’y ont pas accès.

Si la qualité et la quantité des recherches sur l’IA dans le domaine des soins de santé augmentent rapidement, le nombre et la portée des produits utilisables sont encore limités. Si l’on considère la part de cette recherche qui se traduit dans l’utilisation par les médecins ou les soins aux patients, nous avons vu un nombre très limité d’algorithmes approuvés par la FDA. Parmi ceux-ci, la majorité a un spectre d’utilité très étroit. Ils ont déjà été signalés par la FDA comme présentant des risques en raison de l’absence avérée de données complètes, ce qui signifie qu’ils ne sont pas assez diversifiés pour le monde réel.

Digital Health

(source: https://www.nature.com/articles/s41746-020-00333-z)

Alors que nous voyons des applications intéressantes de l’IA dans tous les secteurs, dans le domaine des soins de santé, elle est non seulement à la traîne, mais il y a des problèmes fondamentaux qui doivent encore être résolus. Selon un article de Digital Medicine sur la « vérité qui dérange » de l’IA dans les soins de santé, deux (2) problèmes fondamentaux doivent être résolus avant que nous puissions réaliser le potentiel de l’IA dans l’ensemble des systèmes de santé: les questions de propriété et de confiance des données, et l’investissement dans l’infrastructure de données pour travailler à grande échelle.

Propriété des données, confiance et échelle

Nous devons renforcer la qualité, la gouvernance, la sécurité et l’interopérabilité des données pour que les systèmes d’IA fonctionnent. Mais l’infrastructure permettant de réaliser cela à grande échelle n’existe pas encore. Il existe une multitude de données non structurées sur les soins de santé, provenant de sources fragmentées, qui sont cloisonnées dans les hôpitaux, les systèmes administratifs et les bases de données de dispositifs, ce qui retarde l’accès à la recherche et à l’analyse. Ils ne sont pas harmonisés et sont de qualité variable. En raison de la variabilité existante, il est difficile pour les médecins d’exploiter ces données et de prendre des décisions équitables et centrées sur le patient.

Un système de santé apprenant basé sur usage de l’apprentissage profond nécessite d’abord une base de connaissances numérique (comprenant les données démographiques et cliniques du patient, ainsi que les résultats cliniques antérieurs), suivie d’analyses d’IA pour le diagnostic et la sélection du traitement, ainsi qu’une aide à la décision clinique où les recommandations sont discutées entre le patient et le clinicien. Ces données sont ensuite ajoutées à la base de connaissances pour poursuivre le processus.

Mais ce processus pose plusieurs problèmes. Du côté des données, les modèles d’IA ont souvent un biais inhérent en faveur envers l’ensemble de données de l’institut où les paramètres ont été appliqués – sans mécanisme permettant de « former » l’IA ailleurs ou de laisser différents systèmes apprendre les uns des autres. Par conséquent, il n’est pas en mesure de surmonter les biais inhérents au modèle.

Digital Health

(source: https://librarycarpentry.org/Top-10-FAIR/2018/12/01/aus-government-data/)

D’un point de vue commercial, il est également difficile de vendre la transformation institutionnelle. La plupart des organismes de soins de santé optent pour une solution logicielle en tant que service avec un modèle pré-entraîné, qui s’applique à un ensemble de données très limité. Ces algorithmes ont une utilité dans un cadre particulier – et cela signifie qu’il n’en résulte aucun changement structurel ou de prise à long terme au sein des organisations de soins de santé.

 

Adopter une approche d’apprentissage profond

Pour que les entreprises adoptent réellement une approche d’apprentissage profond, celle-ci doit être profondément ancrée dans leur infrastructure afin de répondre à de multiples questions précises de manière évolutive. Les données doivent être accessibles, consultables et utilisables, que ce soit sur site ou dans le nuage. Elles nécessitent un contrôle de la qualité, une structuration et un étiquetage.

Mais chacune de ces étapes est lente et laborieuse. Pour former un seul modèle d’IA, il faut d’abord ingérer des données pertinentes, les traiter pour les rendre accessibles et consultables, puis permettre aux utilisateurs de les annoter et de les contextualiser. S’il existe des mécanismes assistés par l’IA qui peuvent accélérer ce processus, ces mécanismes doivent faire partie de l’infrastructure.

En outre, les données des instituts de soins de santé sont généralement de faible qualité en termes de maturité ; elles ne sont pas anonymisées et n’ont pas de contexte, de sorte qu’elles ne sont pas toujours utilisables. Lorsqu’ils conçoivent un modèle d’IA sur un site unique où ils éliminent les risques de biais institutionnels ou géographiques, ils doivent pouvoir répéter ce processus dans d’autres instituts et permettre au modèle de s’entraîner et d’apprendre à partir de données plus diverses.

C’est un grand défi, c’est le moins que l’on puisse dire. Si chacune de ces tâches peut être traitée par la technologie, si elles ne sont pas normalisées et interopérables – entre les technologies et les instituts – elles ne sont pas évolutives. Et c’est là où nous en sommes aujourd’hui, ce qui signifie que beaucoup de ces algorithmes approuvés par la FDA échouent dans la nature.

 

Surmonter les préjugés dans les modèles d’IA

Alors comment surmonter ces limites et s’assurer que vous n’introduisez pas de biais dans vos modèles? Notre approche consiste à fournir un cadre de collaboration, en mettant des outils conviviaux directement entre les mains des experts cliniques et en permettant aux modèles d’IA de surmonter les limitations ou les points de friction actuels à chaque étape du processus.

Dans chaque institut de soins de santé, nous fournissons un centre de données qui ingère et indexe les données, les rendant ainsi consultables et accessibles. Nous utilisons le traitement du langage pour passer en revue les données, les contextualiser et permettre aux cliniciens de rechercher plus facilement et plus rapidement un groupe approprié de patients qu’ils souhaitent utiliser dans leurs études.

Lorsque les cliniciens examinent ces données, on leur demande également leur expertise sur un cas d’utilisation particulier – et ces connaissances deviennent accessibles à tous les autres. Cela permet aux instituts de tirer parti de leur expertise et de traduire les connaissances des experts du domaine, tout en accélérant la maturation des données.

Et comme l’ensemble de ce processus est normalisé et reproductible dans différents établissements, deux (2) hôpitaux différents – même dans deux (2) langues différentes – peuvent en bénéficier. Si nous autorisons l’échange des enseignements, plutôt que des données elles-mêmes, nous sommes en mesure de préserver la vie privée des patients et la propriété des données, ce qui résout deux (2) problèmes cruciaux de l’IA dans le domaine des soins de santé.

Digital Health

Grâce à ces enseignements, les instituts de soins de santé peuvent collaborer pour mettre au point un méta-modèle qui exécute une tâche d’une manière qui leur permet de tenir compte de la variabilité d’une population de patients. Ce méta-modèle comprend non seulement les biais, mais il peut être redéployé avec des paramètres qui peuvent être ajustés pour une pratique particulière.

Cela peut, à son tour, contribuer à résoudre la question de l’équité en matière de santé numérique. Les essais cliniques sont généralement réalisés dans quelques centres d’excellence, ce qui signifie que les données ne sont collectées que sur des personnes situées dans un certain rayon autour de ces centres. Dans un cadre d’apprentissage distribué, l’infrastructure est fournie à tous les instituts, ce qui réduit la partialité de ces centres d’excellence. Cela signifie que si des données sur la santé sont saisies au Nunavut, par exemple, elles peuvent être incluses dans les enseignements, même sans la présence d’experts en IA sur place.

L’avenir de l’IA dans les soins de santé

Pendant la pandémie, nous avons constaté une utilisation accrue de la santé virtuelle, qui génère un nouveau flux de données dans le système de soins de santé – ce qui offre à l’IA d’énormes possibilités de démontrer son potentiel non seulement pour la médecine personnalisée, mais aussi pour la santé de la population et les soins préventifs. Par exemple, le traitement du langage naturel sur les appels de la ligne d’assistance COVID-19 pourrait être utilisé pour prédire de nouveaux amas.

En ce qui concerne l’IA, il y a encore un grand écart entre les instituts les plus avancés et l’institut moyen. Mais la pandémie a mis en lumière de nombreuses inefficacités de notre système de soins de santé. De nombreux services, même dans les centres d’excellence de soins tertiaires bien financés, doivent encore calculer manuellement la meilleure façon de gérer l’offre et la demande, d’optimiser les horaires et de traiter le travail en retard.

Les compagnies d’assurance utilisent déjà des modèles statistiques ou d’apprentissage machine pour prévoir des éléments tels que les risques de réadmission à l’hôpital ou pour identifier les patients à haut risque en fonction de facteurs socio-économiques. Cela peut contribuer à garantir que les patients obtiennent les soins spécialisés dont ils ont besoin et ne sont pas ballotés jusqu’à ce qu’ils tombent sur le bon ensemble de prestataires de soins.

Nous commençons tout juste à exploiter le potentiel de l’IA dans le domaine des soins de santé. Dans une salle d’urgence, par exemple, elle peut être utilisée pour trier plus rapidement les patients à haut risque. Pendant les rendez-vous, elle peut être utilisé par les cliniciens pour obtenir une image plus complète des résultats d’examen et s’assurer que rien n’a été oublié. Cela réduit les risques et nous aide à évoluer vers des soins de santé plus personnalisés.

L’intelligence artificielle ne vise pas à remplacer les cliniciens, mais plutôt à les aider à se concentrer sur ce qui compte: les patients, plutôt que sur la saisie manuelle des données et les tâches administratives. Lorsqu’elle est correctement mise en œuvre, elle peut aider les cliniciens à mieux servir leurs patients tout en réduisant l’épuisement professionnel.

Mais l’IA dans les soins de santé n’est pas une solution miracle. Il s’agit plutôt d’un élixir numérique: une solution médicale qui réunit la science des données, l’apprentissage machine et l’apprentissage profond et qui peut aider les cliniciens à transformer les données en de meilleurs soins aux patients.

L’intelligence artificielle désigne la capacité d’un système informatique à faire une prédiction ou à prendre une décision concernant une tâche spécifique qui, historiquement, aurait nécessité une cognition humaine. La plupart des capacités disponibles aujourd’hui peuvent être classées dans la catégorie de l’intelligence artificielle restreinte, ce qui signifie qu’elles peuvent aider ou prendre en charge des tâches spécifiques et ciblées, sans possibilité d’auto-expansion.

D’autre part, l’apprentissage machine (ML) est une catégorie de l’IA qui permet à un système informatique d’agir sans être explicitement programmé, en acquérant des connaissances par le biais de données, d’observations et d’interactions qui lui permettent de généraliser à de nouveaux contextes.

Related posts

L'IA dans le secteur des soins de santé - Plateformes ou librairies? Pourquoi pas les deux?

L'IA dans le secteur des soins de santé - Plateformes ou librairies? Pourquoi pas les deux?

La médecine personnalisée est présentée comme le Saint Graal des soins aux patients. En renforçant l’aide à la décision afin qu

...
En savoir plus
L'évolution de la santé numérique

L'évolution de la santé numérique

La santé devient numérique, englobant tout, des dossiers électroniques des patients (DME) à la télémédecine et à la santé mobile &#

...
En savoir plus
Mise sur le marché d'un dispositif médical d'IA réglementé - les 5 pièges de conformité courants qui entravent le développement

Mise sur le marché d'un dispositif médical d'IA réglementé - les 5 pièges de conformité courants qui entravent le développement

Lorsque l’on considère la masse de données qui existe dans le domaine des soins de santé – de l’imagerie aux demandes d

...
En savoir plus