5

L’Intelligence Artificielle au cœur de la médecine du futur

Vers la médecine 4P

La médecine moderne se doit d’évoluer d’une vision globale et curative vers une médecine 4P (Prédictive, Préventive, Personnalisée et Participative) pour répondre aux enjeux épidémiologique et économique sans cesse grandissants.  Le vieillissement de la population et l’explosion des maladies chroniques deviendront des défis insurmontables sans la création d’un nouveau paradigme médical. Cette transformation s’appuiera notamment sur la convergence des biotechnologies et de l’informatique. L’intelligence artificielle (IA) est devenue un pilier incontournable de cette transformation, rendant l’offre médicale plus précise, moins coûteuse et élargie à un nombre plus important de patients.

 

Les applications médicales de l’IA ont progressé de manière spectaculaire ces dernières années et touchent tous les registres de la médecine moderne. Partant des systèmes experts d’aide au diagnostic des années 2000 jusqu’aux algorithmes intelligents actuels faisant appel au deep learning.

 

Les approches de deep learning sont rendues possibles par une accumulation exponentielle des données de santé. Données cliniques, données issues du diagnostic, données génétiques via le développement du séquençage haut débit mais également données issues des produits de santé connectés créent un univers informationnel unique. L’IA permet de qualifier, croiser, analyser ces données et d’en tirer des pistes thérapeutiques, chose impensable même pour le meilleur des cliniciens compte tenu du degré de complexité.

 

 

La loi de Moore appliquée à la génomique : une aubaine informationnelle pour l’IA 

Coût et durée du séquençage du génome humain sont en permanente diminution ouvrant le chemin au séquençage populationnel de masse. Ces bases génomiques sont un terreau fertile pour des approches d’intelligence artificielle dans le cadre du développement de la médecine personnalisée et des actions de prévention.

 

 

 

 

L’IA comme alliée dans le choix d’un protocole thérapeutique

Le choix d’un protocole thérapeutique notamment en cancérologie s’est énormément complexifié du fait d’une multiplication des produits disponibles par indication, de la croissance exponentielle des publications cliniques ou de recherche (700 000 publications/an) et de la multiplication des données physiologiques disponibles pour un patient. Le clinicien oncologue, malgré sa spécialisation peut difficilement se tenir au courant de toutes les informations en temps réel. L’utilisation en 2016 de la solution Watson d’IBM a permis de sauver la vie d’une patiente japonaise en qualifiant précisément sa leucémie, démontrant ainsi l’efficacité d’une telle approche.

 

 

 

 

IA comme accélérateur de la R&D pharmaceutique : des tests in silico au développement clinique de précision

 

 

 

L’IA est désormais engagée sur toute la chaîne de valeur du développement d’un médicament. La découverte de nouvelles molécules thérapeutiques ou de nouvelles indications pour des traitements existants profitera grandement de l’apport de l’IA. En effet, celle-ci permet la découverte de nouvelles relations entre gènes, médicaments et maladies dans un temps et une exhaustivité qui n’est pas à la portée d’une équipe de recherche.

Les études précliniques de toxicologie font appel à des tests cellulaires ou à des essais animaux, ceux-ci pourront être avantageusement remplacés par des modèles in silico alliant IA et bases de données structurales capables de prévoir le comportement d’une molécule sur les paramètres physiologiques humains. 

Les essais cliniques qui permettent de démontrer l’efficacité d’un traitement avant sa commercialisation sont longs et extrêmement coûteux du fait notamment de l’hétérogénéité des cohortes de patients. L’IA permet de qualifier les patients traités et d’analyser la masse de données de suivi permettant une forte augmentation de la probabilité de réussite des essais.

 

 

 

 

Globalement l’IA sera un accélérateur incontournable de l’innovation pharmaceutique, les acteurs pharmaceutiques l’ont compris et ont tous lié des partenariats avec des spécialistes de l’IA au niveau mondial.

 

 

Le diagnostic nouvelle génération : quand l’IA permet de prévoir

 

 

 

Le diagnostic pilier de la médecine préventive est en pleine évolution, l’automatisation et la croissance exponentielle des marqueurs physiologiques permettent de qualifier rapidement et précisément l’état d’un patient. Toutefois, la complexité des résultats demande désormais une approche algorithmique afin d’en tirer le maximum d’informations et de prédire, via la comparaison avec de larges bases de données sans cesse actualisées, l’évolution future du patient.

L’imagerie médicale n’est pas en reste car l’IA en analysant tous types de résultats (radios, IRM, scanner…)  et en les comparant avec un corpus de données en expansion constante lui permet d’établir un diagnostic fiable, complet et dans un temps record.   

Le suivi des patients atteints de maladies chroniques, les plus grands pourvoyeurs de données de santé, permet également de quantifier, sur une base populationnelle très large, l’impact d’un style de vie (comportement à risque, comportement alimentaire) ou d’un traitement grâce notamment à la démocratisation des objets de santé connectés.

 

 

IA médicale : ange ou démon ?

Si les avancées de l’IA santé auront un impact positif sur la qualité des soins et sur la prévention, elles posent plusieurs enjeux d’un point de vue technique, social ou éthique :

 

→ L’accumulation des données et l’extrême hétérogénéité des sources posent d’ores et déjà des problèmes de stockage et de puissance de calcul pour une efficacité réelle. Le passage à la smart data est souvent rendu difficile par la non interopérabilité des bases de données. La concentration de données personnelles de santé pose également des questions en terme de cybersécurité.  Le piratage de ces données pourrait devenir à terme un levier courant de chantage. 

 

→ Le médecin aura-t-il encore une place dans la médecine de précision ? Oui, sous réserve qu’il se forme aux nouveaux outils. L’ordre des médecins l’a d’ailleurs compris et milite en ce sens. L’IA ne remplacera pas le rapport patient/médecin mais les médecins qui n’utiliseront pas l’IA seront certainement dépassés. Le médecin doit être le gardien du temple compte tenu des dérives possibles d’une IA auto-apprenante. Il doit rester le seul à pouvoir établir le diagnostic final et la prescription. L’IA médicale n’est pas concevable avec le travail en silo et les partenariats entre disciplines médicales mais également entre structures publiques et privées doivent se renforcer.

photos
« Il n’est pas possible de travailler seul pour passer du big data au smart data » Yves Levy, Directeur général de l' INSERM

 

→ GAFAM et BATX ont pris une avance considérable dans la smart data médicale. L’Europe a pris du retard malgré une richesse de la recherche IA et des bases de données médicales. La France a réagi avec le lancement d’un plan pour l’intelligence artificielle où la santé prend une part importante. Le défi résidera dans la capacité des multiples intervenants à collaborer et à partager efficacement.

 

→ L’éthique et le droit doivent être pensés en avance de phase avant que l’utilisation massive des données de santé ne devienne un enjeu de contrôle sur l’humain et ses comportements.  Le cadre légal de la propriété et de la confidentialité des données, notamment des données issues des objets connectés, doit être précisé.  Gardons toutefois à l’esprit qu’un encadrement réglementaire trop strict risque d’étouffer l’innovation et de privilégier les acteurs qui évoluent sur des marchés moins contraints.

#TECH

IA et Application Médicale

La loi de moore genomique