Le secteur de la santé est en révolution : le machine learning arrive et investit tous les secteurs ! Découvrez quelques applications médicales innovantes de cette nouvelle technologie au travers d’exemples concrets.
Il y a actuellement beaucoup d’enthousiasme quant à la manière dont le machine learning, avec l’intégration de l’intelligence artificielle (IA), va changer les soins de santé. De nombreuses technologies aident à rationaliser les processus administratifs et de soins. Selon la société de capital-risque Rock Health , 121 entreprises du secteur de l’IA dans le domaine de la santé et du machine learning ont collecté 2,7 milliards de dollars en 206 transactions, entre 2011 et 2017 !
Quand on sait que, selon santésuisse, des coûts supplémentaires de l’ordre de plus de 8 milliards de francs sont à prévoir à l’horizon 2030 en Suisse, dus à l’augmentation des effectifs, des salaires et des volumes. Dans cette estimation, sont compris le surcoût lié à la démographie (CHF 3 mia) et des coûts supplémentaires résultants de l’initiative sur les soins infirmiers (env. CHF 5 mia).
Les domaines pouvant intégrer le machine learning dans la santé sont vastes : du bien-être au diagnostic, en passant par les flux administratifs.
Ci-dessous un graphique publié dans le Harvard Business Review (2018) :
Diagnostic et traitement personnalisé
Le machine learning permet l’identification et le diagnostic de maladies et d’affections considérées comme difficiles à diagnostiquer (cancers ou autres maladies génétiques). IBM Watson Genomics est un excellent exemple de la manière dont l’intégration de l’informatique cognitive dans le séquençage de tumeurs, basée sur le génome, peut aider à établir un diagnostic rapide.
Dans la phase de traitement, le machine learning peut aussi avoir des impacts importants. Berg, le géant de la biopharmacie, utilise l’intelligence artificielle pour développer des traitements thérapeutiques dans des domaines tels que l’oncologie. “Nous avons essentiellement inversé la méthode scientifique (…) Au lieu d’une hypothèse préconçue qui nous conduit à faire des expériences et générer un type particulier de données, nous avons permis aux données biologiques des patients de nous mener aux hypothèses.“, déclarait Niven R Narain, président et co-fondateur de Berg, au magazine Wired.
On peut aussi évoquer la plateforme PReDicT (prévision de la réponse au traitement de la dépression) de P1vital, qui vise à mettre au point un moyen commercialement viable de diagnostiquer et de traiter les patients dans des conditions cliniques courantes par une analyse prédictive. Le Dr Michael Browning, psychiatre consultant du Oxford Health NHS Foundation Trust, chercheur au département de psychiatrie de l’Université d’Oxford et directeur médical de P1vital, expérimente actuellement une nouvelle méthode qui permettrait de trouver le bon médicament plus rapidement.
Dans l’analyse d’imagerie médicale grâce au machine learning, une équipe de chercheurs du MIT a trouvé un moyen de gagner un temps précieux par rapport aux techniques traditionnelles. L’algorithme d’apprentissage automatique qu’ils ont développé, appelé VoxelMorph, est capable d’analyser des images 3D 1’000 fois plus rapidement que les humains ! Permettant ainsi aux médecins d’intervenir beaucoup plus vite.
Robots chirurgiens
Citons le robot Da Vinci ou le Heartlander dont la réputation n’est plus à faire. Les robots chirurgiens sont utilisés quotidiennement aujourd’hui. Une étude menée par The Spine Journal auprès de 379 patients orthopédiques, sur 9 sites, démontre que les opérations assistées par une intelligence artificielle permettent de réduire les complications chirurgicales par cinq par rapport aux cas où le chirurgien intervient seul ! Ainsi, l’aide des robots pourrait aussi réduire la durée des séjours à l’hôpital à hauteur de 21% et générer ainsi une économie annuelle de 40 milliards de dollars
Infirmières virtuelles
Les robots et autres chatbots reposant sur la technologie de machine learning peuvent interagir avec les patients plus régulièrement que les personnels soignants humains, car ils sont disponibles en permanence. Capables de répondre en direct à des questions, de surveiller le patient, de garder en mémoire des informations pour pouvoir les fournir sur demande au médecin, ils sont un véritable atout dans le milieu hospitalier.
Ces nouveaux collègues de travail virtuels permettraient d’économiser environ 20 milliards de dollars par an en limitant le stress lié à la prise en charge médicale et aussi, à domicile, par de la prévention, en évitant des visites à l’hôpital trop fréquentes.
Découvrez Moxi, le robot-infirmier conçu par Diligent Robotics qui a intégré l’hôpital Texas Health Dallas, aux États-Unis :
La recherche
Le machine learning investit aussi le terrain de la recherche. Par exemple, à l’aide du big data et de l’intelligence artificielle, les chercheurs ont pu croiser des molécules qui, sans ces technologies, n’auraient jamais été associées entre elles. Les professionnels trouvent par sérendipité des médicaments qu’ils n’auraient jamais découverts !
Dans les essais cliniques, aussi les effets du machine learning se font sentir. Un rapport du Centre Tufts révèle que plus d’un tiers des essais cliniques n’atteignent pas leurs objectifs de recrutement et 11% ne parviennent pas à attirer un seul participant. Dans un tel contexte, le big data et l’intelligence artificielle (IA) associés au machine learning constituent un moyen efficace d’identifier des profils ad hoc.
Ainsi l’extrait des informations issues de rapports médicaux, d’articles, de brevets, d’études, est automatisé et permet de repérer rapidement des profils sous-représentés dans les essais cliniques. Les grandes sociétés pharmaceutiques comme Novartis qui collabore avec l’Université d’Oxford se tournent de plus en plus vers cette technologie pour développer de nouveaux médicaments. Un exemple concret : Le laboratoire Pfizer utilise l’IA pour analyser plus d’un million d’articles publiés dans des revues médicales, 20 millions d’abrégés d’articles de revues et 4 millions de brevets pour alimenter sa plateforme analytique dédiée à la recherche en immuno-oncologie.