Machine Learning : usages et perspectives en santé

Le machine learning se déploie progressivement dans le monde de la santé pour accélérer la recherche et optimiser le diagnostic et les traitements. Illustration avec le partenariat entre Amgen et la start-up présenté lors d’un évènement avec Healthtech Investor Days.

L’intelligence artificielle prend une place de plus en plus importante dans le domaine de la santé. Une de ses composantes est le machine learning, appelé également apprentissage automatique, qui permet d’accélérer des processus et de traiter un volume massif de données et d’informations permettant de développer l’analyse prédictive.

Les capacités d’apprentissage du machine learning permettent de bénéficier d’analyses plus fines et pertinentes que les technologies algorithmiques passées. Cette capacité à traiter des informations en masse et à faire des analyses prédictives intéresse de plus en plus les acteurs de santé.

Les usages du machine learning en santé

On observe de nombreux usages du machine learning dans le domaine de la santé, impactant notamment la recherche, la pratique des professionnels de santé ou l’industrie pharmaceutique¹.

La principale utilisation du machine learning en santé s’effectue aujourd’hui dans le domaine de la recherche, aussi bien publique que privée. Dans l’industrie pharmaceutique, le machine learning est au cœur des stratégies R&D. Le traitement d’immense volume de données et les analyses prédictives permettent de découvrir de nouvelles molécules ou d’accélérer les phases de développement. Il est également présent au niveau des essais cliniques pour identifier efficacement les meilleurs traitements pour chaque profil de patient. Le machine learning offre également la possibilité de détecter plus précocement une pathologie ou de savoir quels patients avec une maladie silencieuse sont susceptibles de faire un événement grave à court terme².

Du côté de la pratique clinique, le machine learning est de plus en plus utilisé en radiologie pour l’interprétation d’imageries médicales. Il permet d’accélérer et d’optimiser les phases de diagnostic tout en faisant gagner du temps aux professionnels de santé. Le machine learning n’est pas là pour remplacer le médecin mais pour l’accompagner dans l’analyse et l’interprétation des énormes volumes de données collectées.

En milieu hospitalier, le machine learning et l’intelligence artificielle sont utilisés pour simplifier et optimiser les tâches administratives, notamment le parcours du patient à l’hôpital ou sa prise en charge. Le monde de la chirurgie est également impacté par ces nouvelles technologies qui permettent notamment de 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 qui permet 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 cardiaque³.

Des solutions d’accompagnement du patient intégrant du machine learning émergent peu à peu comme des assistants virtuels pour accompagner les patients tout au long de leurs parcours de soins.

La France : terre de développement du machine learning

La France se positionne aujourd’hui comme un des acteurs majeurs de l’intelligence artificielle et du machine learning, comme l’a souligné le rapport de Cédric Villani paru en 2018 :

« Donner du sens à l’intelligence artificielle »⁴ :

« La France tient une place décisive dans la recherche en IA : des chercheurs français ont participé à fonder l’IA moderne et l’école mathématique et informatique française rayonne dans le monde entier. »

Du fait de son expertise scientifique et technologique, la France est un territoire attractif pour développer le machine learning, notamment dans le domaine de la santé. Les formations et infrastructures, comme les centres de recherches, les institutions publiques comme le CNRS (Centre National de Recherche Scientifique) ou l’INRIA (Institut national de recherche dédié aux sciences du numérique) contribuent à faire de la France un des leaders de l’intelligence artificielle.

Dans le domaine de la santé, le déploiement du volet « Accélérer le virage numérique » du plan Ma Santé 2022** va permettre de structurer et d’organiser le développement de la e-santé en France.

A titre d’exemple, la mise en place du Health Data Hub*** contribue à faire de la France un des leaders dans l’utilisation des données de santé. En effet, la France dispose aujourd’hui d’une des bases de données de santé les plus importantes au monde qui rassemble notamment les données de remboursement de tous les patients permettant d’effectuer des analyses très puissantes. Le Health Data Hub va favoriser le développement du machine learning en France en permettant le partage des données de santé dans le respect du droit des patients et en mutualisant des ressources technologiques et humaines.

L’intelligence collective facteur de succès du machine learning en santé

On observe dans le monde de la santé de plus en plus de collaborations entre industriels et start up pour partager les expertises, développer les compétences afin de déployer des projets de machine learning.

Au cours d’un évènement Healthtech Investor Days* organisés à Paris les 24 et 25 juin 2019, Amgen avait présenté son partenariat avec Owkin dans le machine learning…

Retour sur ce partenariat avec Chloé Simpson, Data Scientist chez Owkin : L’occasion de démontrer les bénéfices d’une collaboration entre un laboratoire pharmaceutique et une start-up.

Quel est l'impact du machine learning dans la recherche clinique ?

Chloé Simpson : « Utiliser le machine learning sur des données médicales permet de découvrir de nouveaux signaux en utilisant des données très complexes que des méthodes de statistiques plus classiques n’auraient pas décelées. Cela permet d’expliquer l’hétérogénéité de réponse à certains traitements et d’identifier des biomarqueurs ou autres indicateurs de réponse à certains traitements. Il est aussi possible d’identifier des sous-groupes de patients et de prédire la réponse.

L’objectif est d’utiliser le machine learning sur des données très complexes (dossiers patients, imageries d’histopathologie ou de radiologie…) pour mettre en avant les combinaisons que l’on n’aurait pas pu voir sans son utilisation.

Il existe beaucoup de demandes autour du machine learning mais il reste de nombreux challenges à débloquer pour généraliser son utilisation dans la recherche. La validation des algorithmes créés est un des principaux enjeux tout comme la garantie de performance en transposant d’une population à une autre. Un autre enjeu tourne autour de l’utilisation de données privées. »

Sur quels axes se tournent le partenariat avec Amgen ?

C.S. : « Dans le cadre du partenariat avec Amgen, nous travaillons sur la prédiction du risque cardiovasculaire secondaire. L’objectif est de déterminer via un algorithme avec plus de précision que ce qui est fait actuellement par des scores de risque, en utilisant toutes les informations disponibles dans les dossiers patient, les patients qui vont avoir un deuxième événement cardiovasculaire.

Pour résumer, ce projet ne porte que sur des patients ayant déjà eu un premier événement cardiovasculaire (infarctus, AVC) et dont l’objectif est de prédire ceux qui en auront un deuxième.

L’objectif pour Owkin et Amgen est d’améliorer la prise en charge médicale en cardiovasculaire, et in fine la qualité de vie des patients.

L’algorithme travaille sur deux types de données : des données d’essais cliniques et des données en vie réelle à l’hôpital. En travaillant sur des données en vie réelle cela permet aux médecins de mieux orienter le patient vers le bon traitement.

Il s’agit d’un projet européen donc un des enjeux est de gérer toute l’hétérogénéité qui existe entre tous les sets de données des différents hôpitaux pour avoir un modèle qui fonctionne efficacement.

La qualité de la donnée fournie influe sur la qualité et la capacité à prédire via le machine learning .»

Quel est l'apport pour Owkin d'un partenariat avec un industriel comme Amgen ?

C.S. : « Ce type de partenariat permet à Owkin d’avoir accès à des bases de données et à une expertise médicale, d’obtenir des validations scientifiques et de mettre en application toutes les techniques développées dans le cas de vie réelle.

Un partenariat comme celui-ci nous permet de voir sur le long terme, comment cela va impacter le patient, la recherche, le développement de nouveaux médicaments et de mieux cibler les populations pour un traitement donné.

Nous travaillons en collaboration avec l’équipe Innovation d’Amgen Europe et n’avons pas senti de décalage ou de lenteur dans les process. On avance étape par étape. C’est un avantage de pouvoir accéder à des bases de données de qualité pour tester nos algorithmes, d’accéder à des cardiologues reconnus.

Amgen a été notre premier partenaire pharmaceutique au début de l’histoire d’Owkin. »

Machine learning : freins et limites

Les capacités du machine learning sont immenses et prometteuses. Toutefois il existe encore quelques freins et limites à son développement.

Une des limites importantes du machine learning n’est pas liée à la technologie en elle-même mais à la qualité des données et informations analysées. Il est donc primordial d’alimenter les solutions de données qualitatives, diversifiées et vérifiées. Il existe également des limites juridiques notamment dans l’utilisation des données personnelles que l’outil va utiliser en masse⁵.

Parmi les freins soulevés par le monde médical, celui de la transparence des algorithmes est central et contribue ou non à l’appropriation de l’intelligence artificielle par le corps médical. La performance de l’algorithme, la transparence et la protection des droits sont capitales pour réussir à terme l’utilisation scientifique et médicale du machine learning.

Malgré cette avancée technologique, la place de l’humain reste primordiale. La mise en place de machine learning implique un travail en amont dans la préparation des données et en aval dans l’interprétation des résultats. L’intervention humaine est également primordiale dans l’interaction avec le patient au niveau de l’annonce ou du soin. Il y a donc un besoin important d’intervention humaine dans ce processus dont nous ne sommes qu’au balbutiement.

*Healthtech Investor Days : lancée à l’initiative de France Biotech, la 1ère édition du HealthTech Investor Day (HTID) a réuni fin juin 2019 à Paris les fleurons européens de la HealthTech, les investisseurs internationaux de l’innovation santé et les grands groupes pharmaceutiques.

** Ma Santé 2022 : stratégie nationale qui propose une vision d’ensemble et des réponses globales aux défis auxquels est confronté le système de santé français.

*** Health Data Hub : guichet unique, sécurisé dont l’objectif est de permettre le partage des données de santé dans le respect du droit des patients et en assurant la transparence avec la société civile.

FR-NPS-0722-00002 – Juillet 2022