Article— mai, 10 2021

L'Intelligence Artificielle en santé vue par L'ANEPF

Tristan Cebelieu, Vice-Président Numérique, nous parle de la technologie d'Intelligence Artificielle appliquée au domaine de la santé.

L'Intelligence Artificielle en santé vue par L'ANEPF

Qu’est ce que l’Intelligence Artificielle ? 

La définition de l’Intelligence Artificielle (IA) a évolué au travers du temps et reste aujourd’hui encore discutée. Plusieurs définitions sont disponibles dont celle du parlement européen qui définit un « système d’IA » comme :

« Un système qui est soit fondé sur des logiciels, soit intégré dans des dispositifs matériels, et qui affiche un comportement simulant l’intelligence. Notamment en collectant et traitant des données, en analysant et en interprétant son environnement et en agissant, avec un certain degré d’autonomie, pour atteindre des objectifs spécifiques »

On retiendra la volonté de reproduire les processus cognitifs humains grâce à une grande capacité de gestion de données et la notion d’autonomie relative à la solution. Les modèles d’aujourd’hui sont utilisés pour résoudre des problèmes complexes sur des tâches uniques mais des développements plus poussés laissent entrevoir la possibilité d’une IA qui pourra, un jour, raisonner et argumenter tel un humain, voire plus.

Les IA fonctionnent selon deux phases : une phase d’apprentissage et une phase de prédiction. La phase d’apprentissage diffère selon des méthodes variées :

  • Supervisé : On communique des données à l’algorithme en lui donnant la réponse attendue. Il s’agit de la méthode la plus utilisée.
  • Non supervisé : Des données sont communiquées à la machine sans lui fournir les exemples de résultats attendus en sortie.
  • Par renforcement : Des règles sont fixées et l’algorithme apprends de ses propres erreurs (ex : jeu d’échec, jeu de dames)

Une fois le modèle entraîné, on peut réaliser la phase de prédiction : on donne des données d’entrée à l’algorithme qui détermine une réponse. 

Deux notions sont à distinguer concernant l’IA, le Machine Learning et le Deep Learning. Le Machine Learning, apprentissage automatique, va permettre à l’IA de traiter des données quantitatives, structurées, telles que des résultats d’analyse. Le Deep Learning, apprentissage profond, est une sous-catégorie du Machine Learning qui traite des données non structurées comme une image par exemple à partir d’un système mimant les couches de neurones humains.

Les limites de l’IA en santé 

Bien que l’IA ait de grandes perspectives dans le secteur de la santé, certaines limites inhérentes au secteur freinent le développement. L'IA dépendant entièrement des données de santé et de leur qualité, une limite apparaît si celles-ci sont biaisées : le modèle risquerait de l'être aussi, rendant tous les résultats inexacts. De plus, la quantité de données et la nécessité d’une structuration de celles-ci nécessaire à l’apprentissage représente une limite importante. C’est pourquoi des initiatives telles que le Health DataHub sont mises en place. Autres limites, celles concernant l’éthique sur le traitement des données de santé, sur la confiance que l’on accorde aux systèmes prédictifs algorithmiques et leur explicabilité. 

Réglementation et manque ?

Face à ces limites et l’émergence de nombreuses solutions, la réglementation évolue pour classifier, sécuriser et rendre possible l’utilisation de ces solutions. Ainsi, en France, le projet de loi de bioéthique est venue instaurer la garantie humaine dans l’IA. L’article 11 est venu appuyer la diffusion des progrès scientifiques dans le respect des principes éthiques sur deux versants : l’information et la décision médicale. Elle demande à ce qu’aucune décision médicale ne puisse être prise sur le seul fondement de l’analyse et du résultat d’un traitement algorithmique. De plus, lorsqu’un traitement algorithmique est réalisé, le professionnel de santé décidant de cette utilisation doit au préalable en informer la personne concernée.

Par ailleurs, la HAS a récemment publié une classification des dispositifs médicaux connectés, premiers pas vers une intégration efficiente de ces solutions. Elle comporte quatre niveaux croissants prenant en compte la finalité d’usage, la capacité de la solution numérique à prendre en compte les paramètres de l’usager/du patient et le caractère autonome ou non de la solution numérique à l’intervention humaine. Cette classification, bien qu’aucune sous catégorie n’ai été constituée pour distinguer les outils embarquant de l’intelligence artificielle, laisse entrevoir des perspectives d’accélération des solutions d’IA en santé.

Au niveau Européen, la réglementation des dispositifs médicaux évolue elle aussi, la réglementation 2017/745 sera applicable dès le 26 mai 2021 et comprendra les dispositifs médicaux connectés. Elle donne des objectifs en termes de sécurité et de performance et permet de s'appuyer sur des référentiels techniques pour évaluer les dispositifs.

La solution de Synapse Medicine

De nombreuses solutions d’IA en santé voient le jour, comme celle développée par Synapse Medicine. Pour répondre à la problématique de santé publique qu’est la iatrogénie médicamenteuse, l’équipe de Synapse Medicine a développé une plateforme de Medication Intelligence dédiée au bon usage du médicament. Basée sur des algorithmes d’intelligence artificielle, la plateforme Synapse apporte une vision globale d’informations fiables et utiles sur les médicaments. 

Cette plateforme, qui se veut complète, est en cours de validation clinique et remplit les exigences de qualité des dispositifs médicaux de type logiciel. Pour prévenir et réduire les risques médicamenteux sur l'ensemble du parcours de soin, on retrouve deux versants : celui destiné aux professionnels de santé et celui pour le patient.

Concernant les professionnels de santé, la plateforme Synapse les aide au quotidien à accéder à une information fiable et utile sur les médicaments pour :

  • Sécuriser leurs activités liées aux médicaments grâce à ses fonctionnalités d’assistant virtuel et d’analyse pharmaceutique,  qui prend en compte les terrains cliniques des patients et les dernières données médicales officielles 
  • Faciliter le lien ville-hôpital en fluidifiant le parcours de soins. Son module de conciliation médicamenteuse notamment permet d’optimiser l’analyse des informations sur les médicaments pris par le patient à son entrée à l’hôpital puis tout au long de son parcours de soins
  • Renforcer le rôle de conseil et d’accompagnement des pharmaciens d'officine en facilitant la réalisation des Bilans Partagés de Médication pour les patients qui y sont éligibles
  • Améliorer la sécurité des essais cliniques par la mise à disposition des modules de Synapse Plateforme pour détecter facilement les potentiels risques médicamenteux

Dans le cadre de la vaccination COVID-19, rappelons que Synapse Medicine a déployé sa technologie de Medication Shield, développée en collaboration avec l'ANSM et les CRPVs, au niveau national afin de faciliter la gestion des déclarations des effets indésirables pour les pharmacovigilants.

Contacts

ERCKER Athénaïs

Attaché de Presse et Coordinatrice du Réseau

presse@anepf.org | 06 19 83 05 42

CEBELIEU Tristan

Vice-Président en charge du Numérique

numerique@anepf.org | 06 19 06 73 99