IA en Santé : les Défis et Nouveaux Usages de la Data Science en Médecine
Parmi les nombreuses répercussions de la crise covid-19, l’une des plus évidentes est le développement de la e-santé. Pour le patient, la numérisation des actes se traduit notamment par une simplification de l’accès aux données de santé. La multiplication des informations recueillies permet aussi la croissance rapide de la data science en médecine. Ce Big Data Santé, complexe dans sa mise en œuvre, constitue une inépuisable source de connaissances et de progrès. L’IA apporte une véritable révolution des soins de santé.
Données en santé : hétérogénéité et diversité des sources
Comme évoqué dans notre dossier sur l’IA générative et la data, les données de santé sont disparates et proviennent de sources variées et non structurées. L’imagerie médicale produit des fichiers vidéo et des photographies, les ordonnances sont scannées en PDF… Le système de soins français implique de multiples acteurs. Le SNDS (système national des données de santé) tend à centraliser un grand nombre d’informations médico-sociales dans une seule base de données santé. L’INSERM (institut national de la santé et de la recherche médicale) regroupe les études scientifiques, des rapports d’enquêtes et des données d’objets connectés dans différentes bases de données Open Data.
Les défis à relever dans la révolution des soins de santé
Avec plus de 60 millions d’actes médicaux par an[i], la France doit mutualiser ses capacités de stockage pour réduire les coûts. Les données doivent être standardisées avant leur interprétation. Les traitements sont complexes et les chercheurs s’appuient de plus en plus sur des systèmes d’intelligence artificielle. Le machine learning permet d’automatiser les calculs à partir de jeux de données primitifs. Les algorithmes d’apprentissage améliorent la qualité des informations : les données en santé posent souvent des problèmes de validité, de mise à jour ou de doublons. Dernier défi, l’éthique des données de santé et la protection de la confidentialité des informations médicales doivent être respectées par tous les administrateurs.
Les applications du Big Data en santé
La connaissance approfondie du système de soins grâce à l’IA
L’intelligence artificielle améliore la connaissance du système de santé en analysant de vastes ensembles de données pour identifier les inefficacités et les opportunités d’optimisation. Elle permet de modéliser les parcours des patients, d’optimiser la gestion des ressources et de prédire les besoins futurs. Grâce à l’IA, les décideurs bénéficient d’éclairages inédits pour améliorer la qualité des soins prodigués à la population, développer de nouveaux services et en réduire les charges.
L’identification des facteurs de risque de maladie par le Big Data
L’IA sait identifier les facteurs de risques de maladie. Grâce aux algorithmes d’apprentissage automatique, elle analyse les données médicales pour détecter des modèles invisibles à l’œil humain. Cela permet de prédire les risques de maladies avec une meilleure précision, facilitant ainsi une intervention précoce. Dans l’hexagone, Santé publique France traite et analyse les données de divers systèmes de surveillance pour contrôler l’évolution des pathologies, y compris les plus rares.
IA en santé : l’aide au diagnostic et à la décision
La data science aide au diagnostic et aux prescriptions thérapeutiques. L’IA identifie des schémas complexes et soutient les professionnels de santé en fournissant des recommandations basées sur des données tangibles. Elle peut aussi détecter des anomalies subtiles dans les images médicales. En intégrant des informations provenant d’études et de rapports scientifiques, corrélés aux antécédents du patient, elle permet une grande précision dans l’élaboration de protocoles de soins personnalisés.
Le suivi de l’efficacité des traitements médicaux
L’intelligence artificielle ne se contente pas d’assister l’être humain dans le choix du meilleur traitement, elle en suit également l’efficacité. Elle analyse les rapports successifs des consultations du patient. Grâce à de nouveaux dispositifs connectés (pacemakers, tensiomètres, balances, oxymètres, glucomètres…), l’IA peut observer les réponses aux thérapies en temps réel. La surveillance est constante et les ajustements ultras précis.
L’automatisation de la pharmacovigilance par l’intelligence artificielle
L’intelligence artificielle transforme la pharmacovigilance en automatisant la détection et l’étude des effets indésirables des médicaments. Grâce à des algorithmes de traitement du langage naturel et d’apprentissage automatique, l’IA peut analyser massivement des données textuelles, comme les rapports médicaux et des récits de patients. En France, EPI-Phare se charge d’identifier les médicaments dangereux, à partir des données du SNDS.
La data science dans la recherche clinique et épidémiologique
Disposer de nombreuses informations sur l’état de santé des individus dans une région donnée permet à l’intelligence artificielle d’accélérer les recherches cliniques et épidémiologiques. Elle rapproche différentes analyses pour favoriser la découverte de nouveaux traitements ou d’interventions chirurgicales innovantes. L’IA collabore également à la conception et au suivi d’essais cliniques, en sélectionnant les participants appropriés et en surveillant sans cesse leur progression.
Le secteur public se numérise progressivement et cette transformation s’accompagne d’une quantité exponentielle d’informations recueillies. Une fois surmontées les problématiques de volume, de disparité et de confidentialité, l’exploration des données par l’IA en santé porte de nombreuses promesses. Pour des soins personnalisés et un pilotage plus précis de notre système sanitaire, le principal défi des professionnels du secteur est d’appréhender les possibilités du Big Data et de l’intelligence artificielle, pour donner vie à la médecine du futur.
[i] https://drees.solidarites-sante.gouv.fr/publications-communique-de-presse/panoramas-de-la-drees/240718_Panorama_EtablissementsSante2024
