Le machine learning au service de la santé

Dans le domaine médical, le machine learning impacte de nombreux domaines et l’on voit émerger de nombreux usages. Tour d’horizon.

Le machine learning n’est pas une technologie nouvelle mais elle prend une tout autre ampleur avec l’émergence de l’intelligence artificielle. Appelé en Français « apprentissage automatique », le machine learning est une méthode d’analyse des données qui automatise la création de modèles analytiques et favorise les données prédictives.

De nombreux usages en santé du machine learning émergent depuis quelques années, impactant notamment la pratique des professionnels de santé, les établissements hospitaliers ou l’industrie pharmaceutique. Voici un panorama des principaux usages dans le domaine de la santé.

L’apprentissage automatique au service des diagnostics

Dans le parcours de soin, la phase de diagnostic est essentielle pour l’orientation du patient et son suivi. Le machine learning apporte de nouvelles solutions aux professionnels de santé pour gagner du temps et optimiser le bon diagnostic. Il ouvre de nouvelles perspectives dans le repérage des maladies. Par exemple il peut aider les médecins à détecter plus facilement les anomalies sur les radios des patients.

L’objectif n’est pas de remplacer le médecin par la machine, mais de l’accompagner dans l’analyse et l’interprétation des énormes volumes de données collectées. Le machine learning permet également de favoriser les bons diagnostics et de lutter contre les erreurs médicales en générant des diagnostics différentiels et suggérant des examens complémentaires.

A titre d’exemple, une équipe de chercheurs du MIT s’est appuyée sur le machine learning pour trouver comment gagner du temps pour l’analyse d’imagerie médicale par rapport aux techniques traditionnelles comme les rayons X ou les scans IRM. L’algorithme d’apprentissage automatique développé permet d’analyser les images 1000 fois plus rapidement que les humains.

Les grands acteurs du numérique ont basé de nombreux projets dans le domaine de la santé sur le machine learning autour notamment du séquençage génomique. On peut citer IBM Watson Health ou Google Deepmind Health.
Amazon a également lancé fin 2018 Amazon Comprehend Medical, nouveau service dédié aux professionnels de santé qui utilise le machine learning pour analyser les dossiers médicaux des patients et ainsi leur faire gagner du temps dans la prise de décision.

Les assistants virtuels pour accompagner les patients

Les assistants virtuels se déploient de plus en plus dans le domaine de la santé via des chatbots ou applications dédiées. Nous voyons notamment apparaître des assistants virtuels basés sur le machine learning pour accompagner les patients tout au long de leurs parcours de soins.

On observe notamment la tendance des infirmières virtuelles, disponibles en permanence, qui sont capables de répondre instantanément aux questions des patients et d’apporter des conseils. Ces assistants peuvent notamment enregistrer les interactions pour les conserver afin de permettre au patient de les transmettre à son médecin.

Au-delà de l’accompagnement du patient, l’objectif de ces assistants virtuels est de générer des économies en limitant notamment les visites à l’hôpital ou le stress lié aux prises en charges médicales.

Comme exemple, nous pouvons citer Tavie, solution interactive, disponible sur ordinateur, smartphone ou tablette, permettant d’améliorer significativement l’observance thérapeutique grâce à une infirmière virtuelle personnalisée, qui accompagne le patient pas à pas dans la gestion de sa maladie chronique. Au fil des sessions personnalisées, l’infirmière virtuelle va jouer sur les leviers émotionnels et comportementaux du patient, afin de l’aider à mieux vivre avec sa maladie et l’accompagner dans la gestion de son traitement et de ses effets secondaires.

Le machine learning appliqué en chirurgie

L’intelligence artificielle se met aujourd’hui au service des interventions chirurgicales pour notamment simplifier la pratique des chirurgiens ou réduire les erreurs chirurgicales. Le machine learning est notamment de plus en plus utilisé au niveau de la robotique.

La chirurgie assistée par ordinateur permet aujourd’hui d’améliorer la précision des gestes ou d’opérer à distance.
A titre d’exemple on peut citer Da Vinci, sans doute le robot chirurgien le plus avancé du monde notamment pour les opérations oculaires complexes. Autre exemple, Heartlander, une chenille robotisée capable d’entrer dans le thorax d’un patient pour assister les chirurgiens humains pendant une opération cardiaque.

L’Ordre des médecins recommande par ailleurs dans un livre blanc « que le développement des dispositifs techniques ayant recours à l’intelligence artificielle soit incité à aller dans le sens d’un marché industriel d’aide à la décision médicale et non pas vers celui qui dicterait au médecin comme au patient une décision rendue par l’algorithme qui s’imposerait à eux sans être susceptible de critique ou de transgression. »

Au-delà de la partie diagnostic, de la prise en charge du patient ou de la relation médecin-patient, le déploiement de l’anamnèse assistée via l’intelligence artificielle permet de lutter contre l’errance diagnostic, d’apporter une solution pour les déserts médicaux ou de favoriser l’implication en amont du patient.

Optimisation de la gestion hospitalière

Aujourd’hui, le parcours au sein de l’hôpital engendre de nombreuses tâches administratives avec différents process impactant les médecins, les infirmières, les patients, qui complexifient le parcours et engendrent des coûts élevés.
Le machine learning est de plus en plus utilisé pour automatiser via l’intelligence artificielle ces tâches administratives afin de simplifier le parcours du patient à l’hôpital, d’améliorer sa prise en charge, de recentrer les professionnels de santé sur leurs tâches médicales ou d’optimiser les coûts.

Pharma : le machine learning au cœur de la R&D

L’industrie pharmaceutique est de plus en plus impactée par le machine learning, aussi bien au niveau de la découverte de nouveaux médicaments, des essais cliniques, de la distribution que du marketing.
Le machine learning se retrouve aujourd’hui au cœur des stratégies R&D tant au niveau de l’innovation moléculaire que des essais cliniques. Le croisement et traitement d’immense volumétrie de données permettent de découvrir de nouvelles molécules ou d’accélérer les phases de développement.

Au niveau des essais cliniques, les laboratoires ont des difficultés à trouver des volontaires satisfaisants d’un point de vue clinique et prêts à s’engager sur la durée du protocole. Le machine learning apparaît alors comme une solution afin d’identifier efficacement les bons profils via notamment l’analyse automatique des informations issues de rapports médicaux, d’articles, de brevets, d’études…

Par exemple, courant mai, un nouveau consortium de partenaires pharmaceutiques, technologiques et universitaires européens, coordonné par Owkin, a annoncé le lancement du projet MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery) qui a pour objectif d’utiliser les méthodes d’apprentissage automatique dans les chimiothèques de 10 sociétés pharmaceutiques. Les membres de ce consortium vont développer une plateforme créant des modèles plus précis pour prédire quels composés pourraient être prometteurs dans les dernières étapes de la découverte et du développement de médicaments.

Autre exemple avec Verily (branche santé de Google) qui a conclu un partenariat avec quatre laboratoires (Pfizer, Sanofi, Novartis, Otsuka) pour affiner, accélérer et améliorer les programmes d’essais cliniques grâce notamment au machine learning.
Le machine learning est également de plus en plus optimisé au niveau de la distribution afin de déployer les bons volumes de produits suivant les zones géographiques. Il permet d’accompagner les choix stratégiques notamment dans le choix d’implantation des unités de production.

Pour lutter contre certains cas de rupture, le machine learning traite toute une masse de données permettant une meilleure gestion des stocks et du réapprovisionnement pour satisfaire la demande clients.

Les équipes marketing intègrent également le machine learning dans leurs activités avec le déploiement de solutions de marketing automation, de precision marketing ou le développement de bots au service des patients ou professionnels de santé.

De nombreux cas d’usages apparaîtront au fil du temps aussi bien pour accélérer la découverte de nouveaux médicaments, simplifier la pratique des professionnels de santé ou optimiser la prise en charge des patients. A suivre…