Intelligence artificielle et big data, en associant algorithmes et banque de données, s’invitent dans le monde de la santé comme aide aux diagnostics complexes. Agents conversationnels, systèmes d’aide à la décision, systèmes experts, intelligence artificielle, ces systèmes s’appuient sur « un corpus de données pour aboutir à une décision médicale automatisée normalement prise par un expert humain ».
Dans ce domaine, tous les géants de l’informatique ont annoncé des projets. Les ordinateurs peuvent aujourd’hui repérer « des anomalies pathologiques dans des images, classer ces dernières selon leur gravité, prédire des risques », tout en apprenant continuellement de leurs précédentes expériences. Une vingtaine d’applications sont recensées aujourd’hui pour traiter toutes sortes de pathologies parmi lesquelles l’aide au diagnostic, la modélisation et la simulation, l’aide à la rédaction de comptes rendus médicaux, l’assistance à l’observance et au suivi thérapeutique… Elles doivent permettre aux médecins de faire face à une médecine qui s’appuie de plus en plus sur les données, ainsi qu’ « à la montée en charge des maladies chroniques ».
Dans le domaine de la vision par exemple, Johan Ferret, un des analystes de données du projet français DreamUp Vision, explique : « Sur une photo de fond d’œil, notre algorithme repère en moins de deux secondes des zones d’alerte correspondant à des micro-hémorragies, micro-anévrismes…, évocatrices d’une rétinopathie diabétique ». Ces analyses font gagner du temps aux médecins et… aux patients.
Sans remplacer les médecins, parce qu’ « un patient ne se résume pas à des paramètres objectifs », comme l’explique le cancérologue, Fabrice Denis, ces évolutions impliquent un changement de paradigme. « Jusqu’à présent la science et la logique médicale progressaient en émettant des hypothèses, les testant par l’expérience puis en tirant des conclusions. Les ‘données’ étaient les produits du processus. Avec le big data et les nouvelles méthodes d’intelligence artificielle, la logique s’inverse. Les données deviennent premières. On les fait ‘parler’ pour découvrir de nouvelles hypothèses et conclusions. Mais des facteurs prédictifs sont mis en évidence sans qu’on puisse les relier par un modèle aux effets. En d’autres termes, la logique du résultat échappe au médecin. Un obstacle à surmonter », qui s’accompagne aussi de questions juridiques ou éthiques : quelle protection pour les données personnelles ? Quelle sera la responsabilité du médecin en cas d’erreur ?
Mais les limites sont aussi techniques. En effet, la qualité des données est essentielle et des erreurs dans la façon dont elles sont collectées peut conduire à des erreurs d’interprétation provenant soit de l’homme, soit de la machine. Il est par ailleurs très important de veiller à la fiabilité des logiciels utilisés. Un processus qui « prendra du temps ».
Agnès Buzyn, présidente de la Haute autorité de Santé (HAS) qui a pour mission d’évaluer les technologies de santé, se dit vigilante : « Le travail de la HAS sera de développer une méthodologie pour évaluer la fiabilité des logiciels de deep learning et le service rendu au patient, qui est in fine l’enjeu principal ».
Le Monde, Davis Larousserie et Sandrine Cabut (08/05/2017) ; Le Quotidien du médecin, Damien Coulomb (09/05/2017)
