La complexité et l’augmentation des données (big data) dans la santé implique que l’intelligence artificielle (IA) sera de plus en plus utilisée dans ce domaine. Plusieurs types d’IA sont déjà utilisés par les patients et les prestataires de soins, ainsi que par les entreprises du secteur des sciences de la vie. Les principales catégories d’applications concernent le diagnostic et les recommandations de traitement, l’engagement et l’adhésion des patients, ainsi que les activités administratives. Bien qu’il existe de nombreux cas dans lesquels l’IA peut effectuer des tâches de soins de santé aussi bien ou mieux que les humains, les difficultés de mise en œuvre empêcheront l’adoption à grande échelle de l’IA par les professionnels de la santé pendant encore quelque temps. Les questions éthiques liées à l’application de l’IA aux soins de santé seront également abordées.
MOTS CLÉS : intelligence artificielle, ia, santé, aide à la décision clinique, systèmes de dossiers médicaux électroniques, éthiques
INTRODUCTION : IA & Santé
L’intelligence artificielle (IA) et les technologies connexes sont de plus en plus répandues dans les entreprises et la société, et commencent à être appliquées aux soins de santé. Ces technologies de pointe ont le potentiel de transformer de nombreux aspects des soins médicaux pratiqués sur les patients, ainsi que les processus administratifs impliquant des fournisseurs, des patients, mes mutuelles ainsi que les organisations pharmaceutiques.
Un certain nombre d’études suggèrent déjà que l’IA peut être aussi performante, voire plus, que l’homme pour des tâches essentielles dans le domaine des soins de santé, telles que le diagnostic des maladies. Aujourd’hui, les algorithmes sont déjà plus performants que les radiologues pour repérer les tumeurs malignes et pour guider les chercheurs dans la constitution de cohortes en vue d’essais cliniques coûteux. Cependant, pour diverses raisons, nous pensons qu’il faudra de nombreuses années avant que l’IA ne remplace l’homme dans de vastes domaines médicaux. Dans cet article, nous décrivons à la fois le potentiel qu’offre l’IA pour automatiser certains aspects des soins et certains des obstacles à une mise en œuvre rapide de l’IA dans les soins de santé.
Comment l’Intelligence artificielle révolutionnera-t-elle la santé ?
Dans cette vidéo, Cedric Villani aborde le potentiel de l’intelligence artificielle dans l’analyse approfondie des données médicales, soulignant son rôle crucial dans l’amélioration du dépistage des maladies. Tout en soulignant l’importance de débattre publiquement de l’IA en tant qu’enjeu sociétal, Villani nous invite à ne pas la juger de manière catégorique. Il met en lumière l’évolution récente de l’IA à travers des applications concrètes qui peuvent avoir un impact significatif sur notre quotidien et la société dans son ensemble et pourquoi pas nous peut être nous sauver la vie… Cédric Villani, mathématicien et homme politique renommé, partage ses perspectives en tant que conférencier TEDx.
Les types d’IA pertinentes pour les soins de santé
L’intelligence artificielle n’est pas une technologie unique, mais plutôt un ensemble de technologies. La plupart de ces technologies présentent un intérêt immédiat pour le secteur de la santé, mais les processus et tâches spécifiques qu’elles prennent en charge varient considérablement. Certaines technologies d’intelligence artificielle particulièrement importantes pour les soins de santé sont définies et décrites ci-dessous.
Apprentissage automatique - réseaux neuronaux et apprentissage profond
L’apprentissage automatique est une technique statistique permettant d’adapter des modèles aux données et d’apprendre en entraînant des modèles avec des données. L’apprentissage automatique est l’une des formes les plus courantes de l’IA ; dans une enquête Deloitte de 2018 menée auprès de 1 100 cadres américains dont les organisations pratiquaient déjà l’IA, 63 % des entreprises interrogées utilisaient l’apprentissage automatique dans leurs activités. Il s’agit d’une technique générale au cœur de nombreuses approches de l’IA et il en existe de nombreuses versions.
Dans le domaine de la santé, l’application la plus courante de l’apprentissage automatique traditionnel est la médecine de précision, qui consiste à prédire quels protocoles de traitement sont susceptibles de réussir sur un patient en fonction de divers attributs de ce dernier et du contexte du traitement. La grande majorité des applications de l’apprentissage automatique et de la médecine de précision nécessitent un ensemble de données d’apprentissage pour lequel la variable de résultat (par exemple, l’apparition de la maladie) est connue ; c’est ce qu’on appelle l’apprentissage supervisé.
Une forme plus complexe d’apprentissage automatique est le réseau de neurones (neural network) - une technologie disponible depuis les années 1960, bien établie dans la recherche sur les soins de santé depuis plusieurs décennies et utilisée pour des applications de catégorisation, par exemple pour déterminer si un patient va contracter une maladie particulière. Elle considère les problèmes en termes d’entrées, de sorties et de poids des variables ou « caractéristiques » qui associent les entrées aux sorties. Elle a été comparée à la manière dont les neurones traitent les signaux, mais l’analogie avec le fonctionnement du cerveau est relativement faible.
Les formes les plus complexes d’apprentissage automatique impliquent l’apprentissage profond (deep learning), ou des modèles de réseaux de neurones avec de nombreux niveaux de caractéristiques ou de variables qui prédisent les résultats. Ces modèles peuvent comporter des milliers de caractéristiques cachées, qui sont révélées par le traitement plus rapide des unités de traitement graphique et des architectures en cloud d’aujourd’hui. Une application courante de l’apprentissage profond dans la santé est la reconnaissance des lésions potentiellement cancéreuses dans les images radiologiques. L’apprentissage profond est de plus en plus appliqué à la radiomique, ou à la détection de caractéristiques cliniquement pertinentes dans les données d’imagerie au-delà de ce qui peut être perçu par l’œil humain. La radiomique et l’apprentissage profond se retrouvent le plus souvent dans l’analyse d’images orientée vers l’oncologie. Leur combinaison semble promettre une plus grande précision dans le diagnostic que la génération précédente d’outils automatisés pour l’analyse d’images, connue sous le nom de détection assistée par ordinateur (DAO).
L’apprentissage profond est également de plus en plus utilisé pour la reconnaissance vocale et, en tant que tel, constitue une forme de traitement du langage naturel (NLP), décrite ci-dessous. Contrairement aux formes antérieures d’analyse statistique, chaque caractéristique d’un modèle d’apprentissage profond a généralement peu de sens pour un observateur humain. Par conséquent, l’explication des résultats du modèle peut être très difficile, voire impossible à interpréter.
ia et santé : Traitement du langage naturel dans la médecine
Donner un sens au langage humain est un objectif des chercheurs en intelligence artificielle depuis les années 1950. Ce domaine, le NLP, comprend des applications telles que la reconnaissance vocale, l’analyse de texte, la traduction et d’autres objectifs liés au langage. Il existe deux approches fondamentales : le NLP statistique et le NLP sémantique. Le NLP statistique est basé sur l’apprentissage automatique (réseaux de neurones d’apprentissage profond en particulier) et a contribué à une augmentation récente de la précision de la reconnaissance. Il nécessite un large « corpus » ou ensemble de langues à partir duquel il est possible d’apprendre.
Dans le domaine de la santé, les principales applications du NLP concernent la création, la compréhension et la classification de la documentation clinique et de la recherche publiée. Les systèmes NLP peuvent analyser des notes cliniques non structurées sur les patients, préparer des rapports (par exemple sur les examens radiologiques), transcrire les interactions avec les patients et conduire une IA conversationnelle.
Systèmes experts basés sur des règles
Les systèmes experts basés sur des ensembles de règles « si-alors ou (if then else) » étaient la technologie dominante pour l’IA dans les années 1980 et ont été largement utilisés commercialement à cette époque et par la suite. Dans le domaine des soins de santé, ils ont été largement utilisés à des fins d’« aide à la décision clinique » au cours des deux dernières décennies et sont encore largement utilisés aujourd’hui. De nombreux fournisseurs de dossiers médicaux électroniques (DME) fournissent aujourd’hui un ensemble de règles avec leurs systèmes.
Les systèmes experts font appel à des experts humains et à des ingénieurs de la connaissance pour élaborer une série de règles dans un domaine de connaissance particulier. Ils fonctionnent bien jusqu’à un certain point et sont faciles à comprendre. Toutefois, lorsque le nombre de règles est élevé (généralement au-delà de plusieurs milliers) et que les règles commencent à entrer en conflit les unes avec les autres, ils ont tendance à s’effondrer. En outre, si le domaine de connaissances change, il peut être difficile et long de modifier les règles. Elles sont lentement remplacées dans la santé par d’autres approches basées sur les données et les algorithmes d’apprentissage automatique.
Robots physiques
Les robots physiques sont bien connus, puisque plus de 200 000 robots industriels sont installés chaque année dans le monde. Ils effectuent des tâches prédéfinies telles que soulever, repositionner, souder ou assembler des objets dans des lieux tels que les usines et les entrepôts, ou encore livrer des fournitures dans les hôpitaux. Plus récemment, les robots collaborent davantage avec les humains et sont plus faciles à former en leur faisant accomplir une tâche donnée. Ils deviennent également plus intelligents, car d’autres capacités d’intelligence artificielle sont intégrées dans leur « cerveau » (i.e: leur système d’exploitation). Avec le temps, il semble probable que les mêmes améliorations de l’intelligence que nous avons observées dans d’autres domaines de l’IA seront incorporées dans les robots physiques.
Les robots chirurgicaux, initialement approuvés aux États-Unis en 2000, confèrent des « superpouvoirs » aux chirurgiens qui se retrouvent augmentés en quelque sortes, améliorant leur capacité à voir, à réaliser des incisions précises et peu invasives, à suturer les plaies, etc. Les décisions importantes sont toutefois toujours prises par des chirurgiens humains. Les interventions chirurgicales courantes faisant appel à la chirurgie robotique sont la chirurgie gynécologique, la chirurgie de la prostate et la chirurgie de la tête et du cou.
Automatisation des processus robotiques
Cette technologie exécute des tâches numériques structurées à des fins administratives, c’est-à-dire celles qui impliquent des systèmes d’information, comme s’il s’agissait d’un utilisateur humain suivant un script ou des règles. Par rapport à d’autres formes d’IA, les robots sont peu coûteux, faciles à programmer et transparents dans leurs actions. L’automatisation des processus robotiques (RPA) n’implique pas vraiment de robots, mais seulement des programmes informatiques sur des serveurs. Elle repose sur une combinaison de flux de travail, de règles commerciales et d’intégration de la « couche de présentation » avec les systèmes d’information pour agir comme un utilisateur semi-intelligent des systèmes. Dans le domaine de la santé, ils sont utilisés pour des tâches répétitives telles que l’autorisation préalable, la mise à jour des dossiers des patients ou la facturation. Combinées à d’autres technologies comme la reconnaissance d’images, elles peuvent être utilisées pour extraire des données d’images faxées, par exemple, afin de les introduire dans des systèmes transactionnels.
Nous avons décrit ces technologies comme étant individuelles, mais elles sont de plus en plus combinées et intégrées ; les robots sont dotés de « cerveaux » basés sur l’IA, la reconnaissance d’images est intégrée à la RPA. Peut-être qu’à l’avenir, ces technologies seront tellement imbriquées que les solutions composites seront plus probables ou réalisables.
Applications IA de diagnostic et de traitement
Le diagnostic et le traitement des maladies sont au cœur des préoccupations de l’IA depuis au moins les années 1970, lorsque MYCIN a été mis au point à Stanford pour diagnostiquer les infections bactériennes transmises par le sang. Ce système et d’autres systèmes basés sur des règles se sont révélés prometteurs pour diagnostiquer et traiter les maladies avec précision, mais ils n’ont pas été adoptés pour la pratique clinique. Ils n’étaient pas beaucoup plus performants que les diagnosticiens humains et ils étaient mal intégrés aux process de travail des cliniciens et aux systèmes de dossiers médicaux.
Plus récemment, Watson d’IBM a fait l’objet d’une attention considérable dans les médias en raison de son intérêt pour la médecine de précision, en particulier pour le diagnostic et le traitement du cancer. Watson utilise une combinaison de capacités d’apprentissage automatique et de NLP. Watson n’est pas un produit unique, mais un ensemble de « services cognitifs » fournis par l’intermédiaire d’interfaces de programmation d’applications (API), notamment des programmes d’analyse de données basés sur l’apprentissage automatique, de la parole et du langage, de la vision et de l’apprentissage automatique. La plupart des observateurs estiment que les API de Watson sont techniquement capables, mais que s’attaquer au traitement du cancer était un objectif trop ambitieux. Watson et d’autres programmes propriétaires ont également souffert de la concurrence des programmes gratuits « open source » proposés par certains fournisseurs, tels que TensorFlow de Google.
Les problèmes de mise en œuvre de l’intelligence artificielle handicapent de nombreux organismes de soins de santé. Bien que les systèmes basés sur des règles intégrés aux systèmes de DSE soient largement utilisés, y compris au sein du NHS , ils n’ont pas la précision des systèmes plus algorithmiques basés sur l’apprentissage automatique. Ces systèmes d’aide à la décision clinique basés sur des règles sont difficiles à maintenir à mesure que les connaissances médicales évoluent et sont souvent incapables de gérer l’explosion des données et des connaissances basées sur la génomique, la protéomique, le métabolisme et d’autres approches de soins basées sur l’omique.
Cette situation commence à changer, mais elle est surtout présente dans les laboratoires de recherche et les entreprises technologiques, plutôt que dans la pratique clinique. Il ne se passe guère de semaine sans qu’un laboratoire de recherche n’affirme avoir mis au point une approche permettant d’utiliser l’IA ou le big Data pour diagnostiquer et traiter une maladie avec une précision égale ou supérieure à celle des cliniciens humains. Bon nombre de ces découvertes sont basées sur l’analyse d’images radiologiques , bien que certaines concernent d’autres types d’images, comme le balayage rétinien ou la médecine de précision basée sur la génomique . Étant donné que ces types de découvertes sont fondés sur des modèles d’apprentissage automatique basés sur les statistiques, ils ouvrent une ère de médecine fondée sur les preuves et les probabilités, qui est généralement considérée comme positive, mais qui s’accompagne de nombreux défis en matière d’éthique médicale et de relations entre le patient et le clinicien.
Les entreprises technologiques et les start-ups travaillent également assidûment sur ces mêmes questions. Google, par exemple, collabore avec des réseaux de prestation de soins de santé pour élaborer des modèles de prédiction à partir de données massives afin d’avertir les cliniciens des conditions à haut risque, telles que la septicémie et l’insuffisance cardiaque. Google, Enlitic ainsi que d’autres start-ups développent des algorithmes IA d’interprétation d’images. Jvion propose une « machine à succès clinique » qui identifie les patients les plus à risque ainsi que ceux qui sont les plus susceptibles de répondre aux protocoles de traitement. Chacun de ces produits pourrait fournir une aide à la décision aux cliniciens qui cherchent à trouver le meilleur diagnostic et le meilleur traitement pour les patients.
Il existe également plusieurs entreprises qui se concentrent spécifiquement sur le diagnostic et les recommandations de traitement de certains cancers sur la base de leur profil génétique. Étant donné que de nombreux cancers ont une base génétique, les cliniciens humains ont constaté qu’il était de plus en plus complexe de comprendre toutes les variantes génétiques du cancer et leur réaction aux nouveaux médicaments et protocoles. Des entreprises comme Foundation Medicine et Flatiron Health, se sont spécialisées dans cette approche.
Les prestataires et les organismes payeurs de soins qui financent les soins de santé, tels que les compagnies d’assurance maladie, les gouvernements, ou d’autres organismes qui assument les coûts des services médicaux utilisent également des modèles d’apprentissage automatique de la « santé des populations » pour prédir les populations à risque de maladies ou d’accidents particuliers ou pour prévoir les admissions à l’hôpital. Ces modèles peuvent être efficaces pour la prédiction, bien qu’ils manquent parfois de toutes les données pertinentes qui pourraient ajouter une capacité prédictive, comme le statut socio-économique du patient.
Mais qu’elles soient basées sur des règles ou des algorithmes, les recommandations de diagnostic et de traitement fondées sur l’IA sont parfois difficiles à intégrer dans les flux de travail cliniques et les systèmes de DSE. Ces problèmes d’intégration ont probablement constitué un obstacle plus important à la mise en œuvre généralisée de l’IA que l’incapacité à fournir des recommandations précises et efficaces, et de nombreuses capacités de diagnostic et de traitement basées sur l’IA et proposées par des entreprises technologiques sont autonomes par nature ou ne concernent qu’un seul aspect des soins. Certains fournisseurs de DSE ont commencé à intégrer des fonctions d’IA limitées (au-delà de l’aide à la décision clinique fondée sur des règles) dans leurs offres, mais ils n’en sont qu’aux premiers stades. Les prestataires devront soit entreprendre eux-mêmes d’importants projets d’intégration, soit attendre que les fournisseurs de DSE offrent de nouvelles évolutions apportées par l’IA.
Applications IA relatives à l’engagement et à l’adhésion des patients
L’engagement et l’adhésion des patients sont depuis longtemps considérés comme le problème du « dernier kilomètre » des soins de santé - le dernier obstacle entre des résultats inefficaces et de bons résultats en matière de santé. Plus les patients participent de manière proactive à leur bien-être et à leurs soins, meilleurs sont les résultats - utilisation, résultats financiers et expérience client. Ces facteurs sont de plus en plus pris en compte par le big data et l’IA.
Les prestataires de soins et les hôpitaux utilisent souvent leur expertise clinique pour élaborer un plan de soins dont ils savent qu’il améliorera l’état de santé d’un patient chronique ou aigu. Cependant, cela ne sert souvent à rien si le patient ne parvient pas à modifier son comportement, par exemple en perdant du poids, en prenant rendez-vous pour une visite de suivi, en remplissant ses ordonnances ou en se conformant à un plan de traitement avec rigueur. Lorsqu’un patient ne suit pas un traitement ou ne prend pas les médicaments prescrits comme recommandé est un problème majeur.
Les chiffres parlent d’eux-mêmes, dans une enquête menée auprès de plus de 300 chefs de clinique et cadres de santé, plus de 70 % des personnes interrogées ont déclaré que moins de 50 % de leurs patients étaient très impliqués et 42 % ont déclaré que moins de 25 % de leurs patients étaient très impliqués.
Si une plus grande implication des patients se traduit par de meilleurs résultats en matière de santé, les solutions basées sur l’IA peuvent-elles être efficaces pour personnaliser et contextualiser les soins ? L’accent est mis de plus en plus sur l’utilisation de l’apprentissage automatique et les moteurs de règles métier pour orienter/mener des interventions nuancées tout au long du parcours de soins. Les alertes de messagerie et les contenus pertinents et ciblés susceptibles de déclencher des actions à des moments opportun, constituent un domaine de recherche prometteur.
Dans le domaine de la santé, l’accent est de plus en plus mis sur la conception efficace de l’architecture de choix afin d’orienter le comportement du patient de manière plus anticipée, sur la base de données réelles. Grâce aux informations fournies par les systèmes de DSE des prestataires, les biocapteurs, les montres, les smartphones, les interfaces conversationnelles et d’autres instruments, les logiciels peuvent adapter les recommandations en comparant les données du patient à d’autres voies de traitement efficaces pour des cohortes similaires. Les recommandations peuvent être fournies aux prestataires, aux patients, aux infirmières, aux agents des centres d’appel ou aux coordinateurs de la prestation de soins.
Applications administratives
Il existe également un grand nombre d’applications administratives dans le domaine de la santé/médecine. L’utilisation de l’IA est un peu moins révolutionnaire dans ce domaine que dans celui des soins aux patients, mais elle peut apporter de l’efficacité substantielle. Ceux-ci sont nécessaires dans les soins de santé car, par exemple, l’infirmière américaine moyenne consacre 25 % de son temps de travail à des activités réglementaires et administratives. La technologie susceptible d’être la plus pertinente pour cet objectif est la RPA. Elle peut être utilisée pour diverses applications dans le domaine des soins de santé, notamment le traitement des demandes de remboursement, la documentation clinique, la gestion du cycle des recettes et la gestion des dossiers médicaux.
Certains organismes de soins de santé ont également expérimenté les chatbots pour l’interaction avec les patients, la santé mentale et le bien-être, et la télésanté. Ces applications basées sur le langage naturel peuvent être utiles pour des transactions simples telles que le renouvellement d’ordonnances ou la prise de rendez-vous. Toutefois, dans une enquête menée auprès de 500 utilisateurs américains des cinq principaux chatbots utilisés dans le secteur de la santé, les patients ont exprimé leur inquiétude quant à la divulgation d’informations confidentielles, au fait de se retrouver seuls à discuter de problèmes de santé complexes et à la faible convivialité.
Une autre technologie d’IA pertinente pour l’administration des demandes d’indemnisation et des paiements est l’apprentissage automatique, qui peut être utilisé pour la mise en correspondance probabiliste de données dans différentes bases de données. Les assureurs ont le devoir de vérifier si les millions de demandes d’indemnisation sont correctes. L’identification, l’analyse et la correction fiables des problèmes de codage et des demandes de remboursement incorrectes permettent à toutes les parties prenantes - assurances maladie, gouvernements et prestataires - d’économiser beaucoup de temps, d’argent et d’efforts. Les demandes incorrectes qui passent entre les mailles du filet représentent des sommes importantes qui attendent d’être débloqué grâce à la comparaison des données et aux audits des demandes.
Implications pour le personnel de santé
La crainte que l’IA ne conduise à la suppression des emplois suite à généralisation de l’automatisation et à un déplacement important de la main-d’œuvre a fait l’objet d’une attention particulière. Une collaboration entre Deloitte et l’Oxford Martin Institute a suggéré que 35 % des emplois britanniques pourraient être supprimés par l’IA au cours des 10 à 20 prochaines années. D’autres études ont suggéré que si une certaine automatisation des emplois est possible, divers facteurs externes autres que la technologie pourraient limiter les pertes d’emplois, notamment le coût des technologies d’automatisation, la croissance et le coût du marché du travail, les avantages de l’automatisation au-delà de la simple substitution de la main-d’œuvre, ainsi que l’acceptation réglementaire et sociale. Ces facteurs pourraient limiter les pertes d’emplois réelles à 5 % ou moins.
À notre connaissance, aucun emploi n’a été supprimé par l’IA dans le secteur de la santé à ce jour. L’incursion limitée de l’IA dans le secteur jusqu’à présent et la difficulté d’intégrer l’IA dans les flux de travail cliniques et les systèmes de DSE expliquent en partie l’absence d’impact sur l’emploi. Il semble probable que les emplois les plus susceptibles d’être automatisés dans le secteur des soins de santé soient ceux qui impliquent le traitement d’informations numériques, comme la radiologie et la pathologie, plutôt que ceux qui sont en contact direct avec les patients.
Mais même dans des emplois comme ceux de radiologue et de pathologiste, l’adoption et la pénétration de l’IA dans ces domaines risque d’être lente. Même si, comme nous l’avons affirmé, des technologies telles que l’apprentissage profond font des percées dans la capacité à diagnostiquer et à catégoriser les images, il y a plusieurs raisons pour lesquelles les emplois en radiologie, par exemple, ne disparaîtront pas de sitôt.
Tout d’abord, les radiologues font plus que lire et interpréter des images médicales. Comme d’autres systèmes d’IA, les systèmes d’IA pour la radiologie exécutent des tâches uniques. Les modèles d’apprentissage profond dans les laboratoires et les startups sont formés pour des tâches de reconnaissance d’images spécifiques (telles que la détection de nodules sur la tomodensitométrie thoracique ou d’hémorragies sur l’imagerie par résonance magnétique cérébrale). Cependant, des milliers de tâches de détection précises sont nécessaires pour identifier tous les résultats potentiels dans les images médicales, et seules quelques-unes d’entre elles peuvent être réalisées par l’IA aujourd’hui. Les radiologues consultent également d’autres médecins sur le diagnostic et le traitement, traitent les maladies (par exemple en fournissant des thérapies ablatives locales) et effectuent des interventions médicales guidées par l’image telles que des biopsies du cancer et des endoprothèses vasculaires (radiologie interventionnelle), définissent les paramètres techniques des examens d’imagerie à effectuer (adaptés à l’état du patient), relient les résultats des images à d’autres dossiers médicaux et résultats d’examens, discutent des procédures et des résultats avec les patients, et bien d’autres activités encore.
Deuxièmement, les processus cliniques permettant d’utiliser le travail d’images médicales basé sur l’IA sont loin d’être prêts pour une utilisation quotidienne.
Les fournisseurs de technologies d’imagerie et les algorithmes d’apprentissage profond ont des centres d’intérêt différents : la probabilité d’une lésion, la probabilité d’un cancer, les caractéristiques d’un nodule ou sa localisation. Ces priorités distinctes rendraient très difficile l’intégration des systèmes d’apprentissage profond dans la pratique clinique actuelle.
Troisièmement, les algorithmes d’apprentissage profond pour la reconnaissance d’images nécessitent des « données étiquetées », c’est-à-dire des millions d’images de patients ayant reçu un diagnostic définitif de cancer, d’os cassé ou d’une autre pathologie. Or, il n’existe pas de référentiel agrégé d’images radiologiques, étiquetées ou non.
Enfin, des changements substantiels devront être apportés à la réglementation médicale et à l’assurance maladie pour que l’analyse automatisée des images prenne son essor.
Des facteurs similaires sont présents pour la pathologie et d’autres aspects de la médecine orientés vers le numérique. Pour cette raison, il est peu probable que l’on assiste à une évolution substantielle de l’emploi dans le secteur de la santé grâce à l’IA au cours des 20 prochaines années environ. Il est également possible que de nouveaux emplois soient créés pour développer les technologies de l’IA et travailler avec. Mais la stagnation ou l’augmentation de l’emploi humain signifie aussi, bien sûr, que les technologies de l’IA ne sont pas susceptibles de réduire de manière substantielle les coûts des diagnostics et des traitements médicaux à cours therme.
Implications éthiques de l’IA dans la santé
Enfin, l’utilisation de l’IA dans la santé a également diverses implications éthiques. Les décisions en matière de soins de santé ont été prises presque exclusivement par des humains dans le passé, et l’utilisation de machines intelligentes pour les prendre ou y contribuer soulève des questions de responsabilité, de transparence, d’autorisation et de respect de la vie privée.
La transparence est peut-être la question la plus difficile à traiter compte tenu des technologies actuelles.
De nombreux algorithmes d’IA, en particulier les algorithmes d’apprentissage profond utilisés pour l’analyse d’images sont pratiquement impossibles à interpréter ou à expliquer. Si un patient est informé qu’une image a permis de diagnostiquer un cancer, il voudra probablement savoir pourquoi. Les algorithmes d’apprentissage profond, et même les médecins qui sont généralement familiarisés avec leur fonctionnement, peuvent être incapables de fournir une explication.
Les systèmes d’IA commettront sans aucun doute des erreurs dans le diagnostic et le traitement des patients, et il pourrait être difficile d’en établir la responsabilité. Il est également probable qu’il y ait des incidents au cours desquels les patients recevront des systèmes d’IA des informations médicales qu’ils préféreraient recevoir d’un clinicien empathique. Les systèmes d’apprentissage automatique dans le domaine de la santé peuvent également faire l’objet de biais algorithmiques, en prédisant par exemple une plus grande probabilité de maladie sur la base du sexe ou de la race, alors qu’il ne s’agit pas de facteurs de causalité.
Il est probable que l’IA dans le domaine de la santé entraîne de nombreux changements d’ordre éthique, médical, professionnel et technologique. Il est important que les établissements de soins de santé, ainsi que les organismes gouvernementaux et réglementaires, mettent en place des structures pour surveiller les questions clés, réagir de manière responsable et établir des mécanismes de gouvernance pour limiter les implications négatives. Il s’agit de l’une des technologies les plus puissantes et les plus lourdes de conséquences pour les sociétés humaines, qui nécessitera donc une attention constante et une politique réfléchie pendant de nombreuses années.
L’avenir de l’IA dans la santé et la médecine
Nous pensons que l’IA a un rôle important à jouer dans les offres de soins de santé de demain. Sous la forme de l’apprentissage automatique, elle est la principale capacité qui sous-tend le développement de la médecine de précision, dont on s’accorde généralement à dire qu’elle constitue une avancée cruellement nécessaire dans le domaine des soins. Bien que les premiers efforts pour fournir des recommandations en matière de diagnostic et de traitement se soient révélés difficiles, nous pensons que l’IA finira par maîtriser ce domaine également. Compte tenu des progrès rapides de l’IA dans l’analyse de l’imagerie, il semble probable que la plupart des images de radiologie et de pathologie seront examinées à un moment ou à un autre par une machine. La reconnaissance vocale et textuelle est déjà utilisée pour des tâches telles que la communication avec les patients et la saisie de notes cliniques, et son utilisation va s’intensifier.
Le plus grand défi de l’IA dans ces domaines de la santé n’est pas de savoir si les technologies seront suffisamment performantes pour être utiles, mais plutôt d’assurer leur adoption dans la pratique clinique quotidienne. Pour que l’adoption soit généralisée, les systèmes d’IA doivent être approuvés par les autorités de réglementation, intégrés aux systèmes de DSE, normalisés à un degré suffisant pour que des produits similaires fonctionnent de la même manière, enseignés aux cliniciens, financés par les organismes publics ou privés et entretenus et mis à jour au fil du temps sur le terrain. Ces défis finiront par être relevés, mais il faudra beaucoup plus de temps pour y parvenir que pour que les technologies elles-mêmes arrivent à maturité. Par conséquent, nous nous attendons à une utilisation limitée de l’IA dans la pratique clinique d’ici 5 ans et à une utilisation plus étendue d’ici 10 ans.
Il semble également de plus en plus évident que les systèmes d’IA ne remplaceront pas les cliniciens humains à grande échelle, mais qu’ils renforceront plutôt leurs efforts pour s’occuper des patients. Au fil du temps, les cliniciens humains pourraient s’orienter vers des tâches qui font appel à des compétences exclusivement humaines telles que l’empathie, la persuasion et l’intégration d’une vision d’ensemble. Les seuls prestataires de soins de santé qui perdront leur emploi au fil du temps seront peut-être ceux qui refuseront de travailler avec l’intelligence artificielle (IA).