L'intelligence artificielle dans le domaine de la santé - Artificial intelligence in healthcare

Radiographie d'une main, avec calcul automatique de l'âge osseux par un logiciel informatique

L'intelligence artificielle dans les soins de santé est un terme général utilisé pour décrire l'utilisation d'algorithmes et de logiciels d'apprentissage automatique, ou intelligence artificielle (IA), pour imiter la cognition humaine dans l'analyse, la présentation et la compréhension de données médicales et de soins de santé complexes. Plus précisément, l'IA est la capacité des algorithmes informatiques à tirer des conclusions approximatives basées uniquement sur des données d'entrée.

Ce qui distingue la technologie de l'IA des technologies traditionnelles dans le domaine de la santé, c'est la capacité de collecter des données, de les traiter et de fournir un résultat bien défini à l'utilisateur final. L'IA le fait grâce à des algorithmes d' apprentissage automatique et à un apprentissage en profondeur . Ces algorithmes peuvent reconnaître des modèles de comportement et créer leur propre logique. Pour obtenir des informations et des prédictions utiles, les modèles d'apprentissage automatique doivent être entraînés à l'aide de grandes quantités de données d'entrée. Les algorithmes d'IA se comportent différemment des humains de deux manières : (1) les algorithmes sont littéraux : une fois qu'un objectif est défini, l'algorithme apprend exclusivement à partir des données d'entrée et ne peut comprendre que ce pour quoi il a été programmé, (2) et un certain apprentissage en profondeur les algorithmes sont des boîtes noires ; les algorithmes peuvent prédire avec une extrême précision, mais n'offrent que peu ou pas d'explications compréhensibles à la logique derrière ses décisions en dehors des données et du type d'algorithme utilisé.

L'objectif principal des applications d'IA liées à la santé est d'analyser les relations entre les techniques de prévention ou de traitement et les résultats pour les patients. Les programmes d'IA sont appliqués à des pratiques telles que les processus de diagnostic , le développement de protocoles de traitement , le développement de médicaments , la médecine personnalisée et le suivi et les soins des patients. Les algorithmes d'IA peuvent également être utilisés pour analyser de grandes quantités de données via des dossiers de santé électroniques pour la prévention et le diagnostic des maladies. Des institutions médicales telles que la Mayo Clinic , le Memorial Sloan Kettering Cancer Center et le British National Health Service ont développé des algorithmes d'IA pour leurs services. De grandes entreprises technologiques telles qu'IBM et Google ont également développé des algorithmes d'IA pour les soins de santé. De plus, les hôpitaux se tournent vers les logiciels d'IA pour soutenir les initiatives opérationnelles qui augmentent les économies de coûts, améliorent la satisfaction des patients et répondent à leurs besoins en personnel et en main-d'œuvre. Actuellement, le gouvernement des États-Unis investit des milliards de dollars pour faire progresser le développement de l'IA dans les soins de santé. Les entreprises développent des technologies qui aident les responsables de la santé à améliorer les opérations commerciales en augmentant l'utilisation, en diminuant le nombre de pensionnaires, en réduisant la durée de séjour et en optimisant les niveaux de personnel.

Comme l'utilisation généralisée de l'IA dans les soins de santé est relativement nouvelle, il existe plusieurs problèmes éthiques sans précédent liés à sa pratique, tels que la confidentialité des données, l'automatisation des emplois et les biais de représentation.

Histoire

La recherche dans les années 1960 et 1970 a produit le premier programme de résolution de problèmes, ou système expert , connu sous le nom de Dendral . Bien qu'il ait été conçu pour des applications en chimie organique, il a fourni la base d'un système ultérieur MYCIN , considéré comme l'une des premières utilisations les plus importantes de l'intelligence artificielle en médecine. Cependant, MYCIN et d'autres systèmes tels que INTERNIST-1 et CASNET n'ont pas été utilisés en routine par les praticiens.

Les années 1980 et 1990 ont apporté la prolifération du micro-ordinateur et de nouveaux niveaux de connectivité réseau. Pendant ce temps, les chercheurs et les développeurs ont reconnu que les systèmes d'IA dans les soins de santé doivent être conçus pour tenir compte de l'absence de données parfaites et s'appuyer sur l'expertise des médecins. Des approches impliquant la théorie des ensembles flous , les réseaux bayésiens et les réseaux de neurones artificiels ont été appliquées aux systèmes informatiques intelligents dans le domaine de la santé.

Les progrès médicaux et technologiques survenus au cours de cette période d'un demi-siècle ont permis à la croissance des applications de l'IA liées aux soins de santé d'inclure :

Les recherches en cours

Diverses spécialités en médecine ont montré une augmentation de la recherche concernant l'IA. Alors que le nouveau coronavirus ravage le monde, les États-Unis devraient investir plus de 2 milliards de dollars dans la recherche sur les soins de santé liés à l'IA au cours des 5 prochaines années, soit plus de 4 fois le montant dépensé en 2019 (463 millions de dollars).

Dermatologie

La dermatologie est une spécialité abondante en imagerie et le développement de l'apprentissage en profondeur a été fortement lié au traitement de l'image . Par conséquent, il existe une adéquation naturelle entre la dermatologie et l'apprentissage en profondeur. Il existe 3 grands types d'imagerie en dermatologie : les images contextuelles, les macro-images, les micro-images. Pour chaque modalité, l'apprentissage en profondeur a montré de grands progrès. Han et. Al. ont montré la détection du cancer de la peau kératinocytaire à partir de photographies de visage. Esteva et al. a démontré la classification au niveau dermatologique du cancer de la peau à partir d'images de lésions. Noyan et. Al. a démontré un réseau neuronal convolutif qui a atteint une précision de 94% pour identifier les cellules de la peau à partir d' images microscopiques de frottis de Tzanck .

Radiologie

L'IA est étudiée dans le domaine de la radiologie pour détecter et diagnostiquer les maladies chez les patients grâce à la tomodensitométrie (CT) et à l' imagerie par résonance magnétique (RM). L'accent mis sur l'intelligence artificielle en radiologie a rapidement augmenté ces dernières années selon la Société de radiologie d'Amérique du Nord, où ils ont connu une croissance de 0 à 3, 17 et globalement 10% du total des publications de 2015 à 2018 respectivement. Une étude à Stanford a créé un algorithme qui pourrait détecter la pneumonie chez les patients avec une meilleure métrique F1 moyenne (une métrique statistique basée sur la précision et le rappel), que les radiologues impliqués dans l'essai. Grâce à l'imagerie en oncologie, l'IA a été en mesure de bien détecter les anomalies et de surveiller les changements au fil du temps ; deux facteurs clés de la santé oncologique. De nombreuses entreprises et systèmes indépendants des fournisseurs tels que icometrix, QUIBIM, Robovision et IMAGRT d'UMC Utrecht sont devenus disponibles pour fournir une plate-forme d'apprentissage automatique pouvant être entraînée pour détecter un large éventail de maladies. La Radiological Society of North America a mis en place des présentations sur l'IA en imagerie lors de sa conférence annuelle. De nombreux professionnels sont optimistes quant à l'avenir du traitement de l'IA en radiologie, car il réduira le temps d'interaction nécessaire et permettra aux médecins de voir plus de patients. Bien qu'elle ne soit pas toujours aussi bonne qu'un œil exercé pour déchiffrer les excroissances malveillantes ou bénignes, l'histoire de l'imagerie médicale montre une tendance à l'avancement rapide de la capacité et de la fiabilité des nouveaux systèmes. L'émergence de la technologie de l'IA en radiologie est perçue comme une menace par certains spécialistes, car elle peut s'améliorer par certaines métriques statistiques dans des cas isolés, là où les spécialistes ne le peuvent pas.

Dépistage

Des progrès récents ont suggéré l'utilisation de l'IA pour décrire et évaluer les résultats de la chirurgie maxillo-faciale ou l'évaluation de la thérapie de la fente palatine en ce qui concerne l'attractivité du visage ou l'apparence de l'âge.

En 2018, un article publié dans la revue Annals of Oncology mentionnait que le cancer de la peau pouvait être détecté avec plus de précision par un système d'intelligence artificielle (qui utilisait un réseau de neurones convolutifs d'apprentissage en profondeur) que par des dermatologues . En moyenne, les dermatologues humains ont détecté avec précision 86,6 % des cancers de la peau à partir des images, contre 95 % pour la machine CNN.

En janvier 2020, des chercheurs font la démonstration d'un système d'IA, basé sur un algorithme Google DeepMind , capable de surpasser les experts humains dans la détection du cancer du sein .

En juillet 2020, il a été signalé qu'un algorithme d'IA de l'Université de Pittsburgh atteignait la plus grande précision à ce jour dans l' identification du cancer de la prostate , avec une sensibilité de 98 % et une spécificité de 97 %.

Psychiatrie

En psychiatrie, les applications d'IA sont encore en phase de preuve de concept. Les domaines où les preuves s'élargissent rapidement incluent les chatbots, des agents conversationnels qui imitent le comportement humain et qui ont été étudiés pour l'anxiété et la dépression.

Les défis incluent le fait que de nombreuses applications dans le domaine sont développées et proposées par des entreprises privées, comme le dépistage des idées suicidaires mis en place par Facebook en 2017. De telles applications en dehors du système de santé soulèvent diverses questions professionnelles, éthiques et réglementaires.

Premiers soins

Les soins primaires sont devenus un domaine de développement clé pour les technologies d'IA. L'IA dans les soins primaires a été utilisée pour soutenir la prise de décision, la modélisation prédictive et l'analyse commerciale. Malgré les progrès rapides des technologies de l'IA, le point de vue des médecins généralistes sur le rôle de l'IA dans les soins primaires est très limité, principalement axé sur les tâches de documentation administratives et de routine.

Diagnostic de la maladie

Un article de Jiang et al. (2017) ont démontré qu'il existe plusieurs types de techniques d'IA qui ont été utilisées pour une variété de maladies différentes, telles que les machines à vecteurs de support, les réseaux de neurones et les arbres de décision. Chacune de ces techniques est décrite comme ayant un « objectif de formation » afin que « les classifications soient autant que possible en accord avec les résultats… ».

Pour démontrer certaines spécificités du diagnostic/classification des maladies, deux techniques différentes sont utilisées dans la classification de ces maladies, notamment l'utilisation de « réseaux de neurones artificiels (ANN) et de réseaux bayésiens (BN) ». Il a été constaté que l'ANN était meilleur et pouvait classer plus précisément le diabète et les MCV.

Grâce à l'utilisation de classificateurs d'apprentissage médical (MLC), l'intelligence artificielle a été en mesure d'aider considérablement les médecins dans le diagnostic des patients grâce à la manipulation de masse de dossiers de santé électroniques (DSE). Les conditions médicales sont devenues plus complexes et, avec une longue histoire de création de dossiers médicaux électroniques, la probabilité de duplication de cas est élevée. Bien qu'aujourd'hui une personne atteinte d'une maladie rare soit moins susceptible d'être la seule personne à avoir souffert d'une maladie donnée, l'incapacité d'accéder à des cas d'origines symptomatiques similaires est un obstacle majeur pour les médecins. La mise en œuvre de l'IA non seulement pour aider à trouver des cas et des traitements similaires, mais aussi pour prendre en compte les principaux symptômes et aider les médecins à poser les questions les plus appropriées aide le patient à recevoir le diagnostic et le traitement les plus précis possibles.

Télémédecine

Un homme âgé utilisant un oxymètre de pouls pour mesurer son taux d'oxygène dans le sang

L' essor de la télémédecine , le traitement des patients à distance, a montré l'essor des applications possibles de l'IA. L'IA peut aider à soigner les patients à distance en surveillant leurs informations grâce à des capteurs. Un dispositif portable peut permettre une surveillance constante d'un patient et la capacité de remarquer des changements qui peuvent être moins discernables par les humains. Les informations peuvent être comparées à d'autres données déjà collectées à l'aide d'algorithmes d'intelligence artificielle qui alertent les médecins s'il y a des problèmes à connaître.

Une autre application de l'intelligence artificielle est la thérapie par chat-bot. Certains chercheurs affirment que le recours aux chatbots pour les soins de santé mentale n'offre pas la réciprocité et la responsabilité des soins qui devraient exister dans la relation entre le consommateur de soins de santé mentale et le prestataire de soins (qu'il s'agisse d'un chatbot ou d'un psychologue).

Étant donné que l'âge moyen a augmenté en raison d'une espérance de vie plus longue, l'intelligence artificielle pourrait être utile pour aider à prendre soin des populations plus âgées. Des outils tels que l'environnement et les capteurs personnels peuvent identifier les activités régulières d'une personne et alerter un gardien si un comportement ou un élément vital mesuré est anormal. Bien que la technologie soit utile, il existe également des discussions sur les limites de la surveillance afin de respecter la vie privée d'une personne, car il existe des technologies conçues pour cartographier l'aménagement des maisons et détecter les interactions humaines.

Dossiers de santé électroniques

Les dossiers de santé électroniques (DSE) sont essentiels à la numérisation et à la diffusion de l'information dans le secteur de la santé. Maintenant qu'environ 80 % des cabinets médicaux utilisent le DSE, la prochaine étape consiste à utiliser l'intelligence artificielle pour interpréter les dossiers et fournir de nouvelles informations aux médecins.

Une application utilise le traitement du langage naturel (NLP) pour créer des rapports plus succincts qui limitent la variation entre les termes médicaux en faisant correspondre des termes médicaux similaires. Par exemple, les termes crise cardiaque et infarctus du myocarde signifient les mêmes choses, mais les médecins peuvent en utiliser un au-dessus en fonction de leurs préférences personnelles. Les algorithmes NLP consolident ces différences afin que des ensembles de données plus importants puissent être analysés. Une autre utilisation de la PNL identifie les phrases redondantes en raison de leur répétition dans les notes d'un médecin et conserve les informations pertinentes pour en faciliter la lecture. D'autres applications utilisent le traitement de concept pour analyser les informations saisies par le médecin du patient actuel afin de présenter des cas similaires et aider le médecin à se souvenir d'inclure tous les détails pertinents.


Au-delà de la modification du contenu d'un DSE, il existe des algorithmes d'IA qui évaluent le dossier d'un patient individuel et prédisent un risque de maladie en fonction de ses informations antérieures et de ses antécédents familiaux. Un algorithme général est un système basé sur des règles qui prend des décisions de la même manière que les humains utilisent les organigrammes. Ce système recueille de grandes quantités de données et crée un ensemble de règles qui relient des observations spécifiques à des diagnostics conclus. Ainsi, l'algorithme peut prendre en compte les données d'un nouveau patient et essayer de prédire la probabilité qu'il souffre d'une certaine condition ou maladie. Étant donné que les algorithmes peuvent évaluer les informations d'un patient sur la base de données collectives, ils peuvent trouver tous les problèmes en suspens à porter à l'attention d'un médecin et gagner du temps. Une étude menée par l'institut de recherche Centerstone a révélé que la modélisation prédictive des données de DSE a atteint une précision de 70 à 72 % dans la prédiction de la réponse au traitement individualisée. Ces méthodes sont utiles car le nombre de dossiers de santé en ligne double tous les cinq ans. Les médecins n'ont pas la bande passante pour traiter toutes ces données manuellement, et l'IA peut exploiter ces données pour aider les médecins à traiter leurs patients.

Interactions médicamenteuses

Les améliorations du traitement du langage naturel ont conduit au développement d'algorithmes pour identifier les interactions médicamenteuses dans la littérature médicale. Les interactions médicamenteuses constituent une menace pour ceux qui prennent plusieurs médicaments simultanément, et le danger augmente avec le nombre de médicaments pris. Pour résoudre la difficulté de suivre toutes les interactions médicamenteuses connues ou suspectées, des algorithmes d'apprentissage automatique ont été créés pour extraire des informations sur les médicaments en interaction et leurs effets possibles de la littérature médicale. Les efforts ont été consolidés en 2013 dans le DDIExtraction Challenge, dans lequel une équipe de chercheurs de l'Université Carlos III a rassemblé un corpus de littérature sur les interactions médicamenteuses pour former un test standardisé pour de tels algorithmes. Les concurrents ont été testés sur leur capacité à déterminer avec précision, à partir du texte, quels médicaments interagissaient et quelles étaient les caractéristiques de leurs interactions. Les chercheurs continuent d'utiliser ce corpus pour standardiser la mesure de l'efficacité de leurs algorithmes.

D'autres algorithmes identifient les interactions médicamenteuses à partir de modèles dans le contenu généré par les utilisateurs , en particulier les dossiers de santé électroniques et/ou les rapports d'événements indésirables. Des organisations telles que le système de déclaration des événements indésirables de la FDA (FAERS) et VigiBase de l'Organisation mondiale de la santé permettent aux médecins de soumettre des rapports sur d'éventuelles réactions négatives aux médicaments. Des algorithmes d'apprentissage en profondeur ont été développés pour analyser ces rapports et détecter des modèles qui impliquent des interactions médicamenteuses.

Création de nouveaux médicaments

Le DSP-1181, une molécule du médicament pour le traitement des TOC (troubles obsessionnels compulsifs), a été inventé par l'intelligence artificielle grâce aux efforts conjoints d'Exscientia (start-up britannique) et de Sumitomo Dainippon Pharma (firme pharmaceutique japonaise). Le développement du médicament a pris une seule année, tandis que les sociétés pharmaceutiques consacrent généralement environ cinq ans à des projets similaires. Le DSP-1181 a été accepté pour un essai humain.

En septembre 2019, Insilico Medicine rapporte la création, via l'intelligence artificielle, de six nouveaux inhibiteurs du gène DDR1 , une cible de kinase impliquée dans la fibrose et d'autres maladies. Le système, connu sous le nom de Generative Tensorial Reinforcement Learning (GENTRL), a conçu les nouveaux composés en 21 jours, avec un candidat principal testé et montrant des résultats positifs chez la souris.

Le même mois, la société canadienne Deep Genomics annonce que sa plateforme de découverte de médicaments basée sur l'IA a identifié une cible et un candidat médicament pour la maladie de Wilson . Le candidat DG12P1 est conçu pour corriger l' effet de saut d' exon de Met645Arg, une mutation génétique affectant la protéine de liaison au cuivre ATP7B.

Industrie

La tendance à la fusion des grandes entreprises de santé permet une plus grande accessibilité des données de santé. De plus grandes données sur la santé jettent les bases de la mise en œuvre d'algorithmes d'IA.

Une grande partie de l'accent mis par l'industrie sur la mise en œuvre de l'IA dans le secteur de la santé se situe dans les systèmes d'aide à la décision clinique . À mesure que davantage de données sont collectées, les algorithmes d'apprentissage automatique s'adaptent et permettent des réponses et des solutions plus robustes. De nombreuses entreprises explorent les possibilités d'intégration des mégadonnées dans le secteur de la santé. De nombreuses entreprises étudient les opportunités du marché dans les domaines des « technologies d'évaluation, de stockage, de gestion et d'analyse des données », qui sont tous des éléments cruciaux du secteur de la santé.

Voici des exemples de grandes entreprises qui ont contribué aux algorithmes d'IA à utiliser dans les soins de santé :

  • L' oncologie Watson d'IBM est en cours de développement au Memorial Sloan Kettering Cancer Center et à la Cleveland Clinic . IBM travaille également avec CVS Health sur les applications de l'IA dans le traitement des maladies chroniques et avec Johnson & Johnson sur l'analyse d'articles scientifiques afin de trouver de nouvelles connexions pour le développement de médicaments. En mai 2017, IBM et le Rensselaer Polytechnic Institute ont lancé un projet conjoint intitulé Health Empowerment by Analytics, Learning and Semantics (HEALS), pour explorer l'utilisation de la technologie de l'IA pour améliorer les soins de santé.
  • Le projet Hanovre de Microsoft , en partenariat avec le Knight Cancer Institute de l' Oregon Health & Science University , analyse la recherche médicale pour prédire les options de traitement médicamenteux anticancéreuses les plus efficaces pour les patients. D'autres projets incluent l'analyse d'images médicales de la progression tumorale et le développement de cellules programmables.
  • La plate-forme DeepMind de Google est utilisée par le National Health Service du Royaume-Uni pour détecter certains risques pour la santé grâce aux données collectées via une application mobile. Un deuxième projet avec le NHS implique l'analyse d'images médicales recueillies auprès de patients du NHS pour développer des algorithmes de vision par ordinateur pour détecter les tissus cancéreux.
  • Tencent travaille sur plusieurs systèmes et services médicaux. Ceux-ci incluent AI Medical Innovation System (AIMIS), un service d'imagerie médicale de diagnostic alimenté par l'IA ; Soins de santé intelligents WeChat ; et Tencent Doctorwork
  • La branche de capital-risque d' Intel, Intel Capital, a récemment investi dans la startup Lumiata qui utilise l'IA pour identifier les patients à risque et développer des options de soins.
  • Kheiron Medical a développé un logiciel d'apprentissage en profondeur pour détecter les cancers du sein dans les mammographies .
  • Fractal Analytics a incubé Qure.ai, qui se concentre sur l'utilisation de l'apprentissage en profondeur et de l'IA pour améliorer la radiologie et accélérer l'analyse des radiographies diagnostiques.
  • Elon Musk présente le robot chirurgical qui implante la puce cérébrale Neuralink
    Neuralink a mis au point une neuroprothétique de nouvelle génération qui s'interface de manière complexe avec des milliers de voies neuronales dans le cerveau. Leur procédé permet à une puce, d'environ la taille d'un quart, d'être insérée à la place d'un morceau de crâne par un robot chirurgical de précision pour éviter les blessures accidentelles.

Les applications de consultants numériques telles que GP at Hand de Babylon Health , Ada Health , AliHealth Doctor You , KareXpert et Your.MD utilisent l'IA pour donner une consultation médicale basée sur les antécédents médicaux personnels et les connaissances médicales courantes. Les utilisateurs signalent leurs symptômes dans l'application, qui utilise la reconnaissance vocale pour comparer avec une base de données de maladies. Babylon propose alors une action recommandée, prenant en compte les antécédents médicaux de l'utilisateur. Les entrepreneurs du secteur de la santé ont utilisé efficacement sept archétypes de modèle d'entreprise pour mettre la solution d'IA [ mot à la mode ] sur le marché. Ces archétypes dépendent de la valeur générée pour l'utilisateur cible (par exemple, l'accent sur le patient par rapport au fournisseur de soins de santé et du payeur) et des mécanismes de capture de valeur (par exemple, fournir des informations ou connecter les parties prenantes).

IFlytek a lancé un robot de service "Xiao Man", qui a intégré une technologie d'intelligence artificielle pour identifier le client enregistré et fournir des recommandations personnalisées dans les domaines médicaux. Elle travaille également dans le domaine de l'imagerie médicale. Des robots similaires sont également fabriqués par des sociétés telles que UBTECH ("Cruzr") et Softbank Robotics ("Pepper").

La startup indienne Haptik a récemment développé un chatbot WhatsApp qui répond aux questions liées au coronavirus mortel en Inde .

Le marché de l'IA étant en constante expansion, les grandes entreprises technologiques telles qu'Apple, Google, Amazon et Baidu ont toutes leurs propres divisions de recherche sur l'IA, ainsi que des millions de dollars alloués à l'acquisition de petites entreprises basées sur l'IA. De nombreux constructeurs automobiles commencent également à utiliser les soins de santé par apprentissage automatique dans leurs voitures. Des entreprises telles que BMW , GE , Tesla , Toyota et Volvo ont toutes de nouvelles campagnes de recherche pour trouver des moyens d'apprendre les statistiques vitales d'un conducteur afin de s'assurer qu'il est éveillé, attentif à la route et non sous l'influence de substances ou en détresse émotionnelle. .

Implications

L'utilisation de l'IA devrait réduire les coûts médicaux car il y aura plus de précision dans le diagnostic et de meilleures prédictions dans le plan de traitement ainsi qu'une plus grande prévention des maladies.

D'autres utilisations futures de l'IA incluent les interfaces cerveau-ordinateur (BCI) qui devraient aider les personnes ayant des difficultés à se déplacer, à parler ou avec une lésion de la moelle épinière. Les BCI utiliseront l'IA pour aider ces patients à se déplacer et à communiquer en décodant les activations neuronales.

L'intelligence artificielle a conduit à des améliorations significatives dans des domaines de la santé tels que l'imagerie médicale, la prise de décision clinique automatisée, le diagnostic, le pronostic, etc. Bien que l'IA possède la capacité de révolutionner plusieurs domaines de la médecine, elle a encore des limites et ne peut pas remplacer un médecin de chevet.

La santé est une science complexe qui est liée par des contraintes juridiques, éthiques, réglementaires, économiques et sociales. Afin de mettre pleinement en œuvre l'IA dans les soins de santé, il doit y avoir « des changements parallèles dans l'environnement mondial, avec de nombreuses parties prenantes, y compris les citoyens et la société ».

Élargir les soins aux pays en développement

L'intelligence artificielle continue de développer ses capacités à diagnostiquer plus de personnes avec précision dans les pays où moins de médecins sont accessibles au public. De nombreuses entreprises de nouvelles technologies telles que SpaceX et la Fondation Raspberry Pi ont permis à plus de pays en développement d'avoir accès aux ordinateurs et à Internet que jamais auparavant. Avec les capacités croissantes de l'IA sur Internet, des algorithmes avancés d'apprentissage automatique peuvent permettre aux patients d'être diagnostiqués avec précision alors qu'ils n'auraient auparavant aucun moyen de savoir s'ils avaient une maladie potentiellement mortelle ou non.

L'utilisation de l'IA dans les pays en développement qui n'ont pas les ressources diminuera le besoin d'externalisation et peut améliorer les soins aux patients. L'IA peut non seulement permettre le diagnostic des patients dans les domaines où les soins de santé sont rares, mais également permettre une bonne expérience patient en mobilisant des dossiers pour trouver le meilleur traitement pour un patient. La capacité de l'IA à ajuster le cours au fur et à mesure permet également au patient de modifier son traitement en fonction de ce qui fonctionne pour lui ; un niveau de soins individualisés quasi inexistant dans les pays en développement.

Régulation

Alors que la recherche sur l'utilisation de l'IA dans les soins de santé vise à valider son efficacité dans l'amélioration des résultats pour les patients avant son adoption plus large, son utilisation peut néanmoins introduire plusieurs nouveaux types de risques pour les patients et les prestataires de soins de santé, tels que le biais algorithmique , les implications de ne pas réanimer et d'autres problèmes de moralité de la machine . Ces défis de l'utilisation clinique de l'IA ont entraîné un besoin potentiel de réglementation.

Un homme s'exprimant lors de l'atelier sur la conformité au RGPD au Sommet de l'entrepreneuriat 2019.

Actuellement, il existe des réglementations relatives à la collecte de données sur les patients. Cela inclut des politiques telles que la loi sur la portabilité et la responsabilité en matière d'assurance maladie ( HIPAA ) et le règlement général européen sur la protection des données ( RGPD ). Le RGPD concerne les patients au sein de l'UE et détaille les exigences de consentement pour l'utilisation des données des patients lorsque les entités collectent des données de santé des patients. De même, HIPAA protège les données de santé des dossiers des patients aux États-Unis. En mai 2016, la Maison Blanche a annoncé son intention d'organiser une série d'ateliers et de former le sous- comité du Conseil national des sciences et de la technologie (NSTC) sur l'apprentissage automatique et l'intelligence artificielle. En octobre 2016, le groupe a publié le Plan stratégique national de recherche et de développement en intelligence artificielle, décrivant ses priorités proposées pour la recherche et le développement en IA financés par le gouvernement fédéral (au sein du gouvernement et des universités). Le rapport note qu'un plan stratégique de R&D pour le sous- domaine des technologies de l'information sur la santé est en cours d'élaboration.

La seule agence qui a exprimé son inquiétude est la FDA. Bakul Patel, directeur du centre associé pour la santé numérique de la FDA, a déclaré en mai 2017 :

« Nous essayons d'avoir des personnes qui ont une expérience pratique du développement avec le cycle de vie complet d'un produit. Nous avons déjà des scientifiques qui connaissent l'intelligence artificielle et l'apprentissage automatique, mais nous voulons des personnes complémentaires qui peuvent regarder vers l'avenir et voir comment cette technologie évoluera.

Le groupe de réflexion conjoint UIT-OMS sur l'intelligence artificielle pour la santé (FG-AI4H) a construit une plate-forme pour les tests et l'analyse comparative des applications de l'IA dans le domaine de la santé. En novembre 2018, huit cas d'utilisation étaient en cours d'analyse comparative, notamment l'évaluation du risque de cancer du sein à partir de l'imagerie histopathologique, l'orientation de la sélection anti-venin à partir d'images de serpent et le diagnostic des lésions cutanées.

Préoccupations éthiques

Collecte de données

Afin de former efficacement le Machine Learning et d'utiliser l'IA dans les soins de santé, des quantités massives de données doivent être collectées. L'acquisition de ces données, cependant, se fait au détriment de la vie privée des patients dans la plupart des cas et n'est pas bien reçue publiquement. Par exemple, une enquête menée au Royaume-Uni a estimé que 63 % de la population n'est pas à l'aise avec le partage de ses données personnelles afin d'améliorer la technologie de l'intelligence artificielle. La rareté des données réelles et accessibles sur les patients est un obstacle qui freine les progrès du développement et du déploiement de plus d'intelligence artificielle dans les soins de santé.

Automatisation

Selon une étude récente, l'IA peut remplacer jusqu'à 35% des emplois au Royaume-Uni dans les 10 à 20 prochaines années. Cependant, parmi ces emplois, il a été conclu que l'IA n'a jusqu'à présent supprimé aucun emploi dans le domaine de la santé. Cependant, si l'IA devait automatiser les tâches liées aux soins de santé, les tâches les plus susceptibles d'être automatisées seraient celles qui traitent de l'information numérique, de la radiologie et de la pathologie, par opposition à celles qui traitent de l'interaction médecin-patient.

L'automatisation peut également offrir des avantages aux côtés des médecins. On s'attend à ce que les médecins qui profitent de l'IA dans les soins de santé fournissent des soins de meilleure qualité que les médecins et les établissements médicaux qui ne le font pas. L'IA ne remplacera probablement pas complètement les travailleurs de la santé, mais leur donnera plutôt plus de temps pour s'occuper de leurs patients. L'IA peut éviter l'épuisement professionnel et la surcharge cognitive des travailleurs de la santé

L'IA contribuera à terme à la progression des objectifs sociétaux, notamment une meilleure communication, une meilleure qualité des soins de santé et l'autonomie.

Biais

Étant donné que l'IA prend des décisions uniquement sur les données qu'elle reçoit en entrée, il est important que ces données représentent des données démographiques précises sur les patients. En milieu hospitalier, les patients n'ont pas une connaissance complète de la façon dont les algorithmes prédictifs sont créés ou calibrés. Par conséquent, ces établissements médicaux peuvent coder injustement leurs algorithmes pour discriminer les minorités et prioriser les profits plutôt que de fournir des soins optimaux.

Il peut également y avoir des biais involontaires dans ces algorithmes qui peuvent exacerber les inégalités sociales et de santé. Étant donné que les décisions d'IA sont le reflet direct de ses données d'entrée, les données qu'elle reçoit doivent avoir une représentation précise des données démographiques des patients. Les hommes blancs sont surreprésentés dans les ensembles de données médicales. Par conséquent, le fait d'avoir un minimum de données sur les patients des minorités peut conduire à ce que l'IA fasse des prédictions plus précises pour les populations majoritaires, entraînant des résultats médicaux involontaires plus mauvais pour les populations minoritaires. La collecte de données auprès des communautés minoritaires peut également conduire à une discrimination médicale. Par exemple, le VIH est un virus répandu parmi les communautés minoritaires et le statut VIH peut être utilisé pour discriminer les patients. Cependant, ces biais peuvent être éliminés grâce à une mise en œuvre minutieuse et une collecte méthodique de données représentatives.

Voir également

Les références

Lectures complémentaires