Cette revue vise à analyser l’adéquation des dimensions actuelles de l’évaluation des technologies de santé aux DM basés sur l’IA. Pour ce faire, les auteurs se sont appuyés sur des bibliothèques scientifiques comme Pubmed, Embase et Cochrane Library, mais également sur de la “littérature grise” et sur les sites web de différentes agences d’évaluation. Au total, 78 études publiées entre 1991 et 2023 ont été incluses dans cette revue.
Leur conclusion souligne la nécessité de modifier les cadres d’évaluation existants afin d’être plus efficace sur les aspects techniques, cliniques et économiques des DM contenant une IA. L’évaluation portant aujourd’hui sur les 9 domaines suivants :
le problème de santé et utilisation actuelle de la technologie ;
la description et les caractéristiques techniques de la technologie ;
la sécurité ;
l’efficacité clinique ;
les coûts et l’évaluation économique ;
l’analyse éthique ;
les aspects organisationnels ;
les aspects relatifs aux patients et sociaux ;
ainsi que les aspects juridiques.
Résultats
Les auteurs ont formulé quatre recommandations principales pour adapter les 9 domaines d’évaluation des technologies de santé :
améliorer la comparabilité des résultats entre différentes évaluations et juridictions en standardisant les méthodologies, formats de rapport et présentation des résultats ;
définir les compétences requises pour les évaluateurs de ces DM, incluant une connaissance approfondie des technologies IA ;
évaluer les compromis entre performance, coût, et explicabilité des algorithmes IA, tout en tenant compte des contextes spécifiques d’utilisation ;
évaluer les DM en fonction de leur sécurité, fiabilité, et conformité aux standards éthiques, et s’assurer qu’ils apportent une aide significative aux professionnels de santé.
Les recommandations détaillées pour les 9 domaines d’évaluation identifiés :
Recommandations pour chacun des domaines d’évaluation – @ Farah L et al. (2024)
Pour concrétiser ces aspirations, les auteurs considèrent qu’il serait indispensable d’intégrer les résultats de leur analyse dans les futures lignes directrices européennes, dans le sens d’une harmonisation des évaluations cliniques de ces dispositifs afin de surmonter les obstacles communs au niveau de la région.
Des défis pour une évaluation spécifique :
Par ailleurs, cette revue a permis d’identifier neufs défis à relever pour la mise en œuvre réussie des recommandations élaborées pour adapter les cadres d’évaluation aux spécificités des DM basés sur l’IA :
Une évolution technologique très rapide
Les technologies IA évoluent plus vite que les dispositifs médicaux traditionnels, nécessitant des processus d’évaluation évolutifs et accélérés.
Une exigence en matière de données et de leur qualité
Des données de qualité doivent être disponible pour l’entraînement et la validation des systèmes IA.
La complexité et la transparence des algorithmes d’IA
Les algorithmes complexes des dispositifs médicaux IA posent des défis de transparence et d’explicabilité pour les évaluateurs et les régulateurs.
La sécurité et la validation clinique
La difficulté de générer des preuves robustes de sécurité, d’efficacité et d’efficience de ces DM nécessite des approches tel que la certification dynamique expérimenté par la Food & drug administration.
Les considérations réglementaires et éthiques
La garantie d’accès équitables à ces technologies et les préoccupations éthiques tels que les biais.
L’évaluation économique
La complexité de déterminer le le rapport coût efficacité des DM IA lorsque les bénéfices sont indirects ou à long terme.
L’engagement et la confiance des parties prenantes
La difficulté de bâtir une confiance entre les offreurs de soins, les patients et les décideurs politiques.
L’intégration et l’interopérabilité
La nécessité de ressources importantes pour intégrer les DM ayant de l’IA
La reproductibilité au niveau internationale
Pouvoir s’assurer de l’efficacité de ces DM dans différents contextes internationaux
* Suitability of the Current Health Technology Assessment of Innovative Artificial Intelligence-Based Medical Devices: Scoping Literature Review
Le consortium Mosaic vise à construire la plus grande base de données multi-omiques en oncologie en utilisant la biologie spatiale. Ce domaine émergent étudie comment l’organisation spatiale des tissus et des cellules affecte leur comportement et leurs interactions. Il s’agit de cartographier les ARN, ADN et protéines dans les tumeurs de milliers de patients pour identifier de nouveaux sous-groupes de cancer, biomarqueurs et cibles thérapeutiques. Mosaic utilise l’IA, indispensable pour gérer un volume aussi massif de données, combinant les données spatiales omiques avec le séquençage de l’ARN et la protéomique.
Pour mener à bien ces travaux, Mosaic regroupe des parties prenantes provenant de différents pays et horizons :
Owkin, initiateur et coordinateur du projet, a investi 45,5 M€ dans la construction de Mosaic (la start-up franco-américaine développe une plateforme de données et applique son expertise en apprentissage automatique) ;
l’américain NanoString Technologies fournit la technologie d’omique spatiale ;
l’Institut Gustave Roussy apporte des échantillons de patients et participe à la recherche ;
les 3 autres centres de recherche sur le cancer : l’université de Pittsburgh, l’hôpital universitaire de Lausanne, le centre hospitalier universitaire d’Erlangen et l’hôpital de la Charité, à Berlin, collaborent pour générer et analyser les données spatiales omiques des échantillons de patients.
7 000 échantillons étudiés pour des traitements personnalisés
Des échantillons de 7000 patients atteints de 7 grands types de cancer vont être analysés. Les analyses ont commencé à Gustave Roussy avec 150 échantillons séquencés, générant 174 données omiques spatiales et 109 données omiques de cellules uniques. Le projet prévoit de rendre accessibles ces données à la communauté scientifique via une première mise à disposition de 100 échantillons, facilitant ainsi le développement de traitements oncologiques personnalisés et ciblés.
L’étude s’est concentrée sur les EI signalés par les anesthésistes, pionniers de ces approches, concernant la période périopératoire. Les 9 559 EI (parmi les 135 000 rapports d’EI uniques et anonymisés de la HAS) signalés par les anesthésistes entre le 1er janvier 2009 et le 1er juin 2020 ont été inclus dans l’étude. la labellisation a été validée par des experts, ainsi que les associations entre les causes profondes des différents EI et les conséquences pour les patients. Le modèle a été validé par des anesthésistes experts indépendants.
Méthode :
Un prétraitement des données a été réalisé dont l’objectif était d’identifier les mots ou séquences de mots significatifs (suffisamment utilisés pour être pertinents, mais sans être trop fréquents pour garder du sens).Les prétraitements appliqués sur les déclarations d’EI après l’identification des éléments pertinents ont permis de retenir 7799 (81,6%) rapports parmi les 9559 rapports initiaux.
Deux étapes ont ensuite été réalisées dans le traitement des données :
1️⃣ La classification des EI : un algorithme LDA (L’allocation de Dirichlet latente) a été utilisé pour développer un modèle de classification automatique des libellés d’EI. Ce traitement non supervisé permet de définir des thèmes (par exemple difficulté d’intubation, erreurs médicamenteuses, hémorragie…) et ainsi classer les évènements par causes principales.
2️⃣ Puis une recherche de causes profondes : en réalisant des regroupements en cluster par Kmeans (par thèmes proches secondaires)
Résultats :
Le modèle d’apprentissage automatique (ML) et d’intelligence artificielle (IA), utilisé sur 9 559 ensembles de données d’EI, a catégorisé avec précision 8 800 (88 %) des EI signalés. Les trois types d’EI les plus fréquents étaient :
intubation orotrachéale difficile (16,9 % des rapports d’EI) ;
erreur médicamenteuse (10,5 %) ;
et hypotension post-induction (6,9 %).
La précision du modèle d’IA a atteint une sensibilité de 70,9 %, une spécificité de 96,6 % pour « intubation difficile », une sensibilité de 43,2 % et une spécificité de 98,9 % pour « erreur médicamenteuse »
Concernant les causes profondes et les associations, l’étude a montré des corrélations réalistes et validées par les experts anesthésistes.
Vers une collaboration hybride Homme-IA
Malgré quelques limites à l’étude (non exhaustivité de la base HAS, biais d’information, …), cette méthode d’apprentissage automatique non supervisée fournit un premier algorithme de travail qui montre l’opportunité de traiter plus rapidement les EI (aujourd’hui il faut 3 mois à 3 experts pour analyser 150 EI) et de mieux mobiliser les experts sur l’analyse des EI en prétraitant les évènements et en faisant émerger des associations. Il convient évidemment de le superviser pour améliorer ses performances sur certaines thématiques.
Grâce à l’utilisation plus fine du texte libre (NLP), l’approche permet d’obtenir des informations plus approfondies sur les causes multidisciplinaires des événements indésirables, et de mieux comprendre pourquoi les EI continuent de se produire. Cette approche permet aussi de mettre en évidence et d’amplifier l’émergence de signaux faibles et d’identifier de nouvelles situations à risque, impossibles à identifier en méthode classique.
Ce modèle devrait être utilisé dans d’autres spécialités médicales, et aussi doit permettre ainsi une optimisation du temps des experts, et aller vers un fonctionnement hybride, homme et IA.
Exemple pratique :
Pour illustrer la valeur et l’impact de l’utilisation d’une analyse hybride, des cliniciens experts ont distingué 2 situations pour une erreur de latéralité de chirurgie du mauvais côté.
Pour la chirurgie de la cataracte l’analyse de la description des EIs met en évidence un résultat clé dans la mesure où la check list chirurgicale de l’OMS, réalisée avant l’incision chirurgicale et obligatoire en France, était une barrière efficace pour détecter les erreurs de côté avant qu’un quelconque dommage ne soit causé au patient.
Concernant l’anesthésie régionale, « erreur de côté » et « performance du bloc » ont conduit les experts à revoir en détail le texte des EIs car dans ce cas, la détection de l’erreur de latéralité a souvent lieu après avoir effectué l’anesthésie régionale, donc que la liste de contrôle de sécurité chirurgicale de l’OMS n’a pas été mise en œuvre correctement. Cela fournit des informations importantes sur la meilleure façon d’améliorer la mise en œuvre des listes de contrôle chirurgicales.
Le centre national de ressources probantes, intégré à la CNSA depuis la loi “bien vieillir”, est chargé de recenser et de promouvoir les actions de prévention de la perte d’autonomie et d’élaborer des référentiels d’actions et de bonnes pratiques. Cette mission doit trouver des terrains d’application, afin de tester et de diffuser les résultats de ces travaux. Par ailleurs, en mars 2023, les neuf gérontopôles se sont réunis en une Union des gérontopôles de France (UGF) pour coordonner et diffuser plus largement leur expertise auprès des différents acteurs du vieillissement et du bien-vieillir.
Comme l’indique Françoise Tenenbaum, sa présidente, également à la tête du Pôle de gérontologie et d’innovation (PGI) Bourgogne-Franche-Comté, « grâce à notre composante scientifique, nous sommes en mesure d’évaluer en amont la pertinence ou la faisabilité d’un projet ou d’un dispositif ». Les gérontopôles sont donc appelés pour mener une action de conseil ou d’expertise auprès des collectivités, mais aussi auprès des instances nationales traitant ou ayant à connaître des problématiques des populations en perte d’autonomie.
Focus sur la dénutrition des seniors :
A ce titre, L’UGF vient de passer convention avec la CNSA pour accompagner « le développement d’une politique territorialisée de prévention de la perte d’autonomie ». Cette collaboration a donné lieu à un première production conjointe dans un rapport « sur l’analyse scientifique des critères d’efficience d’une action de prévention de la dénutrition des seniors. »
Selon ce rapport, « à partir des analyses exhaustives de la littérature et de l’extraction des travaux les plus solides, les experts ont pu mettre en évidence les éléments essentiels permettant de garantir la qualité d’un programme de prévention. Ces éléments devraient être présents lorsque des actions de prévention sur la nutrition sont financées dans le cadre de la politique de prévention ». La convention avec la CNSA s’inscrit dans cette démarche.
La formation pour diffuser les bonnes pratiques
Le travail scientifique analysé par le centre de preuves donne des références pour des actions de prévention de la perte d’autonomie efficaces qui doivent être prises en compte par les acteurs de terrain. Cet objectif passe notamment par l’organisation de journées thématiques, afin que financeurs et porteurs de projets partagent des repères clés avant de mener des actions collectives de prévention.
C’est pourquoi la CNSA engage un large programme de formation des professionnels impliqués dans la conception et la mise en œuvre de telles actions. Il peut s’agir de porteurs de projets, bénéficiant d’ores et déjà de financements de la conférence des financeurs de la prévention de la perte d’autonomie (CFPPA) ou ayant l’intention de proposer un projet pour les prochaines années.
Organisées avec l’appui de l’UGF, ces journées, décentralisées, portent sur trois thématiques différentes entre 2024 et fin 2026 :
prévention et promotion de la santé des personnes de 60 ans et plus : en 2024 ;
méthodes et repères pour suivre et évaluer l’impact d’actions collectives de prévention de la perte d’autonomie : en 2025 ;
marketing social : stratégies favorisant l’adoption de comportements favorables à la santé : en 2026.
Les membres de droit des conférences des financeurs départementales (élus, ARS, caisses de sécurité sociale…) bénéficient également de journées d’information sur ces mêmes thématiques, selon un calendrier distinct.
En plus d’être sujet à de nombreux échecs, la découverte de médicaments est un processus coûteux et chronophage. Avec un nombre estimé entre 1023 et 1066 de composants de type médicament à explorer, l’utilisation de l’IA se présente comme prometteuse, voire comme nécessaire. Les auteurs de cette revue de la littérature concluent ainsi qu’une nouvelle ère d’innovation médicale a déjà commencé, “bien qu’il reste encore beaucoup de chemin à parcourir”. Sans avoir l’ambition d’être une liste exhaustive de toutes les méthodes utilisées en IA, la revue porte plus spécifiquement sur l’utilisation de l’IA pour aider à découvrir de nouveaux candidats médicaments. Elle décrit ses défis et se concentre sur des articles qui sont passés de l’in silico à l’expérience en laboratoire, “afin de mettre en lumière des travaux viables (ou validés), à la fois théoriquement et expérimentalement”.
L’implication de l’IA dans les processus de découverte de médicaments a commencé au début du 21e siècle. L’engouement qu’elle suscite se voit à travers l’évolution du nombre de publications : “une évolution exponentielle, un véritable big bang”. Sur la bibliothèque scientifique Pubmed, une recherche avec les mots-clés “apprentissage automatique”, “découverte” ou “développement” et “médicament” montre une évolution exponentielle :
dès 2018, le nombre de publications atteint le seuil de 500 ;
en 2023, près de 2 000 articles sont publiés ;
et rien qu’au premier trimestre de 2024, Pubmed recense près de 800 articles.
En suivant un modèle exponentiel, les auteurs de cette revue estiment que la recherche produira encore plus de 3 000 études en 2025.
Evolution et prédiction du nombre de publications sur l’usage du machine learning dans la découverte des médicaments – @ Crouzet, A. (2024)
Des défis encore à surmonter
🚩 La disponibilité des données : l’un des principaux défis de l’IA pour la découverte des médicaments est la disponibilité de données cohérentes et adaptées en grande quantité. Outre la nécessité d’un “cadre approprié pour gérer et guider la qualité des données de santé selon des normes”, les données exploitées par la recherche “doivent être représentatives et cohérentes afin de fournir au modèle des caractéristiques explicatives cohérentes”. Par ailleurs, les “données synthétiques” se présentent comme une solution d’avenir au problème de la quantité de données.
🚩 La complexité biologique : un autre défi concerne l’exploration de l’espace chimique et la complexité biologique à laquelle font face les algorithmes d’IA. Ces derniers doivent naviguer dans un espace chimique complexe pour réaliser la modélisation des interactions biologiques qui sont multifactorielles.
🚩 L’optimisation des hyperparamètres : un des enjeux de la découverte des médicaments est de trouver les meilleurs paramètres pour optimiser les modèles d’IA, tels que la structure d’un réseau de neurones convolutif (CNN). Ce processus “nécessite des ressources appropriées et dépend largement de la tâche à accomplir”.
🚩 La validation et l’interprétabilité des modèles : les modèles doivent être validés expérimentalement, ce qui peut être coûteux et chronophage. Perçus comme des “boîtes noires”, leur opacité rend leur interprétation difficile.
🚩 La gestion des erreurs et de l’incertitude : travailler avec des modèles d’IA comporte des risques d’erreur et d’incertitude, particulièrement critiques dans le domaine de la santé. Des méthodes sont développées pour quantifier et gérer ces incertitudes (méthodes bayésiennes, dropout de Monte Carlo et approximations laplaciennes).
Une polyvalence d’usages de l’IA
Les recherches se concentrent sur la prédiction des interactions biologiques et moléculaires, y compris la toxicité des composés et la synthèse de nouveaux composés organiques. Les chercheurs combinent plusieurs approches, notamment les réseaux neuronaux, le traitement du langage naturel (NLP), et diverses architectures d’apprentissage profond comme les réseaux de propagation de messages moléculaires (MPNN) et les CNN.
Ainsi, les auteurs de la revue recommandent de faire le choix judicieux du modèle à utiliser en fonction des besoins spécifiques de chaque problème rencontré dans la découverte des médicaments, plutôt que de suivre une tendance générale. Pour illustrer les avantages et les limites de l’IA dans les différents domaines de la découverte des médicaments, ils proposent une “roue” qui les comparent aux méthodes conventionnelles. Les avantages sont écrits en vert et limites en rouge.
Roue de l’usage de l’IA dans la découverte des médicaments (AI4DD) – @ Crouzet, A. (2024)
7 usages spécifiques étudiés :
➡️ Identification des cibles biologiques :
L’identification des cibles biologiques est une étape importante mais complexe, souvent basée sur des processus d’essais et erreurs. Les interactions protéine-protéine (PPI) représentent des cibles pertinentes mais difficiles à étudier en raison de leurs grandes interfaces hydrophobes. L’IA peut améliorer cette tâche en utilisant des modèles comme les modèles de réseaux de neurones convolutifs sous forme de graphe (GCN) pour analyser et prédire les interactions complexes.
➡️ Voies métaboliques et biosynthèse :
La maîtrise des voies métaboliques est essentielle, notamment pour la dégradation des protéines pathogènes via des technologies comme les Protacs (proteolysis-targeting chimeras). L’IA facilite ce processus en créant des modèles capables de prédire l’efficacité des Protacs et d’autres composés similaires. Des études récentes ont utilisé des approches d’IA pour optimiser les liaisons chimiques et créer de nouvelles voies biosynthétiques, rendant le processus plus rapide et plus précis.
➡️ Études des interactions moléculaires :
L’IA est utilisée pour identifier les sites de liaison des protéines et pour prédire les interactions moléculaires via des méthodes comme le deep docking. Le QSAR conventionnel et le deep QSAR, qui incorporent des représentations complètes des molécules, sont utilisés pour maximiser l’efficacité des modèles. L’IA améliore également le criblage virtuel et le criblage à haut débit en augmentant la vitesse et en réduisant les coûts.
➡️ Toxicité des composés :
La prédiction de la toxicité permet d’éviter les échecs des candidats médicaments, représentant 30 % des cas. Des modèles de deep learning sont développés pour améliorer la précision et l’interprétabilité des prédictions de toxicité. L’IA aide également à prédire des toxicités spécifiques comme l’inhibition du gène hERG (human ether-à-go-go-related gene), réduisant ainsi les effets secondaires potentiels.
➡️ Synthèse des composés :
La synthèse organique est souvent limitée par des processus laborieux d’optimisation des réactions. L’IA automatise et optimise la rétrosynthèse, maximisant ainsi le rendement et la sélectivité des réactions. Des modèles basés sur des algorithmes comme Monte Carlo tree search améliorent les processus d’extraction des transformations, rendant la synthèse plus efficace.
➡️ Livraison (intracellulaire) de médicaments :
L’IA joue un rôle important dans l’optimisation des stratégies de livraison de médicaments, comme la conception de peptides de pénétration cellulaire (CPP). La combinaison de la nanotechnologie et de l’IA permet de cibler précisément les zones à traiter, améliorant ainsi l’efficacité des traitements. Des modèles d’IA sont également utilisés pour développer des antibiotiques spécialisés, augmentant la spécificité et l’efficacité des médicaments.
➡️ Repositionnement des médicaments (repurposing) :
L’IA facilite le repositionnement des médicaments en utilisant des techniques comme les auto-encodeurs variationnels (VAE) pour identifier de nouveaux usages pour des médicaments existants. Aux Etats-Unis, par exemple, des modèles d’IA permettent de cribler efficacement les bibliothèques de médicaments approuvés par la Food & drug administration, et aident à trouver de nouveaux inhibiteurs potentiels parmi eux.
3 études de cas :
La revue fait un focus sur des outils d’IA ayant fait l’objet d’études, en guise de modèles réussis d’usage de l’IA dans la découverte des médicaments, y compris la découverte d’une nouvelle classe d’antibiotiques et d’un inhibiteur de petites molécules qui a progressé jusqu’aux essais cliniques de phase II. Ces cas soulignent le potentiel de l’IA à identifier de nouveaux candidats médicaments et à optimiser le processus de développement :
Article
Li, Y. et al., 2022 [1]
Ren F. et al., 2024 [2]
Wong F. et al., 2024 [3]
Contexte
Receptor-interacting protein kinase 1 (RIPK1), une sérine/thréonine-protéine kinase impliquée dans la survie cellulaire, notamment dans l’apoptose et la nécroptose.
Fibrose pulmonaire idiopathique (FPI) : maladie à haut taux de mortalité avec des traitements FDA approuvés limités.
Crise de résistance aux antibiotiques : nécessité de découvrir de nouvelles classes de structures antibiotiques contre S. aureus, un pathogène à Gram positif, pour le traitement difficile des infections nosocomiales et sanguines.
Objectif(s)
Générer un inhibiteur de petite molécule contre RIPK1 avec un nouveau squelette grâce à l’IA.
⇾ Identifier une cible antifibrotique.
⇾ Identifier de nouvelles classes de structures antibiotiques.
Modèle(s)
Création d’un modèle génératif Deep learning basé sur :
⇾ RNN conditionnel.
⇾ Apprentissage par transfert.
⇾ Amélioration de la régularisation.
⇾ Approche prédictive : une plateforme IA commercialement disponible basée sur des transformateurs pré-entraînés.
⇾ Approche générative : une plateforme IA de conception de médicaments basée sur la structure, commercialement disponible, utilisant les structures cristallines disponibles du domaine kinase cible.
⇾ Deep learning explicable utilisant Chemprop, plateforme GNN + algorithme de recherche basé sur les graphes pour l’explicabilité.
⇾ Modèle orthogonal pour prédire la cytotoxicité.
Résultats
Sélection du dernier inhibiteur prometteur : RI-962
⇾ in vitro : inhibition de l’activité kinase de RIPK1 (inhibition de la phosphorylation de RIPK1 et du signal en aval)
⇾ in vivo : taux de survie augmenté de 90 % chez les souris traitées par RI-962, taux de phosphorylation de RIPK1 diminué.
Après sélection du dernier inhibiteur : INS018_055 :
⇾ in vitro : sélection pour inhiber TNIK.
⇾ in vivo : phénotype anti-fibrotique prononcé chez les souris traitées avec une thérapie mixte incluant INS018_055.
⇾ préclinique : dose de 100 μg bien tolérée par les humains.
⇾ phase I : bonne tolérance de la biodisponibilité orale chez les volontaires sains.
⇾ in vitro : sélectivité favorable des deux composés, non génotoxiques.
⇾ ex vivo : non toxique lorsqu’appliqué localement ; diminution de la charge bactérienne moyenne.
Temps nécessaire
Inconnu
18 mois (de la découverte à la phase préclinique incluse)
Inconnu
[1] Li, Y.; Zhang, L.; Wang, Y.; Zou, J.; Yang, R.; Luo, X.; Wu, C.; Yang, W.; Tian, C.; Xu, H.; et al. Generative deep learning enables the discovery of a potent and selective RIPK1 inhibitor. Nat. Commun. 2022, 13, 6891
[2] Ren, F.; Aliper, A.; Chen, J. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nat. Biotechnol. 2024.
[3] Wong, F.; Zheng, E.J.; Valeri, J.A. Discovery of a structural class of antibiotics with explainable deep learning. Nature 2024, 626, 177–185.
Enjeux éthiques et de transparence
Les questions éthiques posent un défi majeur pour l’utilisation de l’IA dans la découverte de médicaments, nécessitant l’anonymisation des données et le respect des lois sur la vie privée et les droits humains. Des initiatives ont déjà vu le jour en Europe et en Amérique du nord, pour garantir des pratiques éthiques en IA, telles que l’AI Act de l’Union européenne, la Déclaration de Montréal pour une IA responsable et le Consortium de l’Institut de sécurité de l’IA (AISIC) aux États-Unis.
Malgré les préoccupations éthiques, l’IA peut améliorer les pratiques actuelles en réduisant l’utilisation d’animaux dans les tests grâce à des “organes-sur-puce” et des expériences in vitro. Les chercheurs ont montré que les résultats des modèles d’IA n’étaient pas améliorés par les résultats in vivo, suggérant que, souvent, les expériences in vitro suffisent.
Un autre problème majeur est la transparence des algorithmes d’IA, qui peuvent être perçus comme des “boîtes noires”. Pour pallier cela, des efforts sont déployés pour développer des modèles explicatifs, comme la “méthode d’explications contrastives” qui clarifie les décisions des réseaux neuronaux en identifiant des caractéristiques pertinentes positives et négatives.
Quelle perspectives d’avenir ?
Les modèles d’IA avancés, comme ChatGPT, ont révolutionné diverses opérations, notamment dans la découverte de médicaments. Ils sont utilisés pour générer des échafaudages d’inhibiteurs, prédire des cibles médicamenteuses et repositionner des médicaments. Les découvertes récentes, telles que celle d’une nouvelle classe d’antibiotiques en 2024, illustrent le potentiel d’innovation de l’IA dans la découverte de médicaments. Cela pourrait marquer le début d’une ère nouvelle et prometteuse pour la médecine, avec des thérapies inattendues pour diverses maladies. Cependant, l’IA génère aussi de nombreuses molécules dont peu sont prometteuses. La prédiction des structures protéiques ne se traduit pas encore pleinement dans la génération de candidats moléculaires, la complexité de moduler des interactions protéine-protéine ou de découvrir des inhibiteurs efficaces demeurant toujours un obstacle.
Les progrès informatiques, comme les “language processing units” (LPU), devraient améliorer les capacités de l’IA dans la découverte des médicaments. Pour les auteurs de cette revue, le rôle des chercheurs évoluera à l’avenir : ils seront davantage impliqués dans la gestion de bases de données, la résolutions des problèmes éthiques et la programmation de modèles d’IA, tout en continuant à évaluer les résultats qu’ils génèrent.
* The Millennia-Long Development of Drugs Associated with the 80-Year-Old Artificial Intelligence Story: The Therapeutic Big Bang?
Satelia cardio est un programme de télésurveillance et de prévention basé sur les données de poids et de symptômes fournies par les patients. Il propose également une interface téléphonique pour les patients qui ne sont pas à l’aise avec les outils numériques. Selon les premières données réelles présentées en janvier par la start-up française Satelia, les patients suivis par ce dispositif montrent un risque réduit d’hospitalisation.
Les informations recueillies permettent de déterminer un niveau de risque associé à un code couleur, communiqué au cardiologue : risque faible (vert), état cardiaque probablement en dégradation (orange) et état cardiaque probablement décompensé (rouge). En cas d’alerte orange ou rouge, le médecin peut ajuster le traitement en conséquence et avancer un rendez-vous prévu ultérieurement si nécessaire. L’algorithme de télésuivi a démontré une capacité à identifier l’absence de décompensation avec une valeur prédictive négative de 99,4%, selon une étude publiée en mai 2023 dans le Journal of Cardiology and Cardiovascular Medicine.
Une étude menée sur 4 ans démontrant la baisse de la mortalité
L’étude de cohorte nationale TELESAT-HF, présentée lors de la session Late-breaking Clinical Trials, a été menée entre août 2018 et décembre 2022 auprès de patients suivis dans plus de 300 centres français publics et privés, avec un score NYHA II ou supérieur et un taux élevé de BNP ou NT-proBNP, ou ayant été hospitalisés pour décompensation d’insuffisance cardiaque dans les 12 mois précédents.
En tout, 5 357 patients suivis avec le programme de télésurveillance Satelia Cardio ont été comparés à 13 525 patients témoins, recevant des soins standards sans télésuivi, identifiés à partir du système national des données de santé (SNDS) et appariés en fonction d’un score de propension. La mortalité toutes causes confondues a été significativement réduite de 36% après 30 mois de suivi. L’effet était plus marqué chez les patients utilisant le suivi téléphonique, avec une réduction de la mortalité de 46%, contre une diminution de 33% chez ceux utilisant l’application.
Plusieurs questions restent en suspends :
pourquoi les courbes de survie des deux groupes divergent-elles si tôt
la meilleure survie des patients suivis par téléphone pourrait-elle être due à l’impact des appels infirmiers plutôt qu’à l’application seule ?
Ces résultats arrivent à point nommé, alors que les États-Unis affichent des résultats préoccupants en matière d’insuffisance cardiaque, avec une mortalité en hausse depuis une dizaine d’années, a-t-elle conclu.
Lancé en novembre 2022, le service Amazon Clinic est une plateforme qui permet à tout citoyen américain d’avoir accès à un médecin pour une consultation concernant un “problème de santé courant” – comme une infection rénale, une conjonctivite ou des problèmes érectiles – à tout moment (24 heures sur 14 et 7 jours sur 7) à partir du site web ou de l’application d’Amazon. Ces consultations peuvent s’effectuer par le biais d’une discussion instantanée ou par visioconférence (cette option est uniquement disponible dans 34 États pour le moment). Ses services ont été entendus en octobre 2023 : depuis cette date, la plateforme permet aux patients d’être traités pour plus de 35 pathologies courantes, “telles que les allergies, l’acné et la perte de cheveux”.
Afin de permettre à ses clients de disposer de plusieurs offres de soins au sein de la même plateforme, Amazon a décidé, le 27 juin 2024, d’intégrer Amazon Clinic à sa plateforme One Medical, qui propose elle aussi des téléconsultations, ainsi que des consultations en présentiel, qui sont accessibles au travers d’un abonnement mensuel. Suite à cette intégration, le géant américain a décidé de modifier le nom de son offre Amazon Clinic et la relier au nom One Medical en l’appelant “Amazon One Medical Pay-per-visit“, se différenciant ainsi de l’offre One Medical classique disponible uniquement sous la forme d’un abonnement.
Pour rappel, la société de Jeff Bezos a racheté One Medical pour 3,9 milliards de dollars (environ 36 millions d’euros) en 2022 pour faire du géant de la tech un acteur important de la téléconsultation aux États-Unis.
Le choix entre le paiement à la consultation ou par abonnement
Outre l’aspect “avec abonnement” et “sans abonnement”, les deux offres se distinguent par le fait qu’avec le forfait One Medical, le patient peut réserver un rendez-vous avec un médecin qui est salarié par Amazon et qui exerce de chez lui ou d’un cabinet One Medical, alors que l’Amazon One Medical Pay-per-visit est une plateforme qui se veut être un comparateur d’offre de télémédecine. Concrètement, ce service va relier plusieurs plateformes de télémédecine partenaires afin de permettre aux patients de choisir celui qui leur convient le mieux en fonction de leur budget ou de leurs pathologies et/ou symptômes, mais ces médecins ne sont pas salariés par Amazon, qui se charge juste de relier le patient et la plateforme.
Désormais, Amazon offre au patient la possibilité de prendre un abonnement annuel ou mensuel pour avoir accès à un médecin à tout moment, ou de choisir de payer pour une consultation de manière ponctuelle, chose qui était jusqu’alors impossible puisque les deux services étaient dissociés l’un de l’autre. Si les abonnements mensuel (9 $) ou annuel (99 $) apparaissent plus intéressant que le prix par consultation, à savoir 29 $ pour une consultation par message et 49 $ pour une téléconsultation, le service Amazon One Medical Pay-per-visit permet aux patients d’avoir accès à une multitude de médecins qui sont compétents pour le traitement d’un plus large éventail de pathologies que ceux de One Medical.
Une offre qui ne s’arrête pas à la téléconsultation
En plus de permettre aux patients de faire le choix entre le paiement à l’abonnement ou à la téléconsultation, la plateforme de One Medical offre aussi le service Amazon Pharmacy qui permet aux clients Amazon de se faire livrer le contenu de leur ordonnance à leur domicile. Cette initiative a pour objectif de faciliter les clients dans la prise de leur traitement et ne pas s’arrêter à la simple consultation à distance ou en présentiel avec un médecin.
Si le service Amazon Pharmacy est payant, le géant américain propose aux patients, avec les consultations sur la plateforme One Medical, de se faire livrer leur médicament gratuitement dans une pharmacie du groupe Amazon ou de recevoir le contenu de leur ordonnance dans une autre pharmacie, contre paiement de la livraison.
Selon Santé publique France, les troubles mentaux représentent le premier poste de dépense de l’Assurance maladie. Dépression, anxiété, pensées suicidaires sont en augmentation depuis 2021. Les analyses de données de surveillance (en provenance des urgences hospitalières du réseau OSCOUR, ainsi que SOS Médecins) et des baromètres de Santé publique France vont dans le même sens ; la santé mentale des Français se dégrade, surtout chez les adolescents et les jeunes adultes.
En 2023 : les troubles mentaux en progression.
20,8% des 18 – 24 ans sont concernés par la dépression, contre 11,7% en 2021;
9,5% des jeunes de 17 ans sont concernés par des symptômes anxiodépressifs sévères, contre 4,7% en 2021.
Les jeunes se soucient moins de leur bien-être psychologique, avec 35 % d’entre eux affirmant ne pas prendre soin de leur santé mentale. Cette situation est principalement due à un sentiment d’impuissance : 32 % ne savent pas comment s’y prendre et 25 % estiment en être incapables. En résumé, ils pensent ne pas pouvoir agir sur leur état. De plus, le coût constitue également un obstacle pour certains.
Un plan pour déployer les dispositifs médicaux numériques en santé mentale
Les 153 acteurs du secteur auditionnés, ainsi que le comité d’experts du Grand Défi DM numériques, ont formulé le diagnostic suivant : l’offre en matière de santé mentale n’est pas adaptée aux besoins croissants de la population. La santé mentale constitue un enjeu majeur de santé publique.
C’est dans ce contexte que le Conseil du numérique en santé a présenté, le 18 juin, son plan d’action intitulé “Grand Défi DM numériques en santé mentale”. Ce programme s’inscrit dans le plan “Dispositifs médicaux innovants 2030” et vise à soutenir l’émergence des technologies de santé numériques au service de la santé mentale et de la psychiatrie. Le plan couvre la prévention, la prise en charge et le suivi médical, aussi bien pour les patients que pour les professionnels de santé, ainsi que les aidants.
Le Plan DM, intégré au plan Innovation Santé 2030, finance des dispositifs médicaux sur le territoire français. L’objectif est double : améliorer l’état de santé de la population et participer à la réindustrialisation de la France en finançant des projets de développement industriel.
Le plan “Grand défi DM en santé mentale” s’articule autour de quatre points :
innovation et recherche sur les dispositifs médicaux numériques en psychiatrie;
évaluation de l’intérêt des DMN en santé mentale et psychiatrie;
intégration des DMN dans les usages médicaux;
formation et sensibilisation aux DMN pour les patients et professionnels de santé.
Des investissements insuffisants dans la téléconsultation en psychiatrie
La téléconsultation s’est développée pendant la crise du COVID. Les consultations en psychiatrie arrivent en deuxième position sur l’ensemble du volume des téléconsultations (derrière la médecine générale). Cependant, les établissements de psychiatrie n’investissent pas suffisamment dans les nouvelles technologies de santé (1,6% en moyenne dans le numérique). L’objectif est de pallier cette insuffisance. Sachant que la téléconsultation est un bon point d’entrée pour un patient qui envisage un suivi thérapeutique. Elle est également efficace pour de premières consultations (déstigmatisation), et permet, en complément d’un suivi en présentiel, de limiter les risques d’une rupture dans les soins.
Une démarche transverse
Ce plan s’intègre dans la feuille de route “Santé mentale et psychiatrie“ du Ministère de la santé. Le développement des dispositifs médicaux numériques participe aux objectifs de cette feuille de route, qui met l’accent sur la transversalité entre les parties prenantes, la prévention, l’inclusion et une meilleure intégration des risques numériques comme la surexposition aux écrans ou le cyberharcèlement.
Pour ce faire, le plan d’action Grand Défi DM numériques en santé mentale appuie la recherche et accélère le développement et la mise sur le marché des dispositifs médicaux pertinents au regard de la santé mentale.
De nombreux défis nécessaires à une généralisation de la Gen IA
L’intelligence artificielle générative (Gen IA) en santé est devenue une réalité que toutes les parties doivent appréhender, qu’il s’agisse des patients, des médecins, des laboratoires pharmaceutiques ou encore des entreprises du secteur : c’est ce qu’explique AI for health (Artefact) dans son rapport sur la Gen IA en santé. En 2023, cette technologie a pris un essor considérable dans beaucoup de secteur, notamment celui de la santé avec des algorithmes créés spécifiquement pour cela. De Nabla à Nvidia, la Gen IA peut être utilisée pour la prise de notes, pour la découverte de médicaments ou encore pour la réponse de questions médicales.
Mais si la GEN IA possède un potentiel immense et peut avoir un énorme impact dans la promulgation des soins, la société parisienne explique dans son rapport qu’il y a encore de nombreux défis à relever et qu’il convient d’utiliser cette technologie avec précaution et sécurité. Les principaux défis concernant la protection des données, la mise en place d’une législation solide, ainsi que l’acculturation des professionnels par le biais de formations.
Maintenir l’humain au centre de cette transformation
IA for Health et toutes les personnes qui ont contribué à l’élaboration de ce rapport – dont Emmanuel Bacry, Stéphanie Allassonnièreet Thomas Clozel – insiste sur le fait que l’intégration de l’IA générative dans la santé ne doit pas uniquement passer par des changements au niveau du système de soins, des secteurs médical ou biomédical, mais que cette transformation doit toucher plus largement l’humain.
Le rapport indique que “les humains doivent être au centre des processus décisionnels [et doivent] être dotés des outils et des capacités nécessaires pour exercer un contrôle et prendre des décisions éclairées, [car] l’objectif principal de l’IA dans le domaine de la santé est de responsabiliser l’écosystème médical, en garantissant que la technologie sert de catalyseur à l’expertise humaine plutôt que de la remplacer”.
5 clés pour mettre la Gen IA au service de la santé
Après avoir parlé de l’impact que la Gen IA a eu depuis son utilisation dans le secteur de la santé et l’avènement de ChatGPT d’OpenAI en fin d’année 2022 – notamment avec la création d’algorithmes propres au secteur tel que BioNeMo de Nvidia ou encore le dernière IA médicale de Google, Med-Gemini (voir article H&TI ici) – , le rapport propose 5 clés pour mettre cette technologie au service de la santé :
1️⃣ mettre en place des cadres juridiques solides : le document souligne le besoin urgent de cadres juridiques et réglementaires solides pour protéger la confidentialité, la sécurité et l’intégrité des données de santé utilisées pour alimenter les algorithmes d’IA générative ;
2️⃣ mettre en place des outils de confidentialité innovants : le rapport souligne aussi l’importance de développer des outils innovants pour assurer la confidentialité et la sécurité des données de santé et des modèles d’IA générative ;
3️⃣ surmonter le défi d’explicabilité : alors que l’explicabilité du processus de prise de décision de l’IA, en particulier pour les grands modèles de langage (LLM), reste un obstacle important aujourd’hui, il est nécessaire de remédier à cela avant une plus large adoption de cette technologie ;
4️⃣ permettre une meilleure accessibilité des données et mettre en place des formations : les performances des modèles d’IA générative reposant fortement sur l’accessibilité des données, il est important qu’un accès contrôlé et éthique à ces données soit facilité. De plus, le rapport indique que l’acculturation des données et la formation des professionnels de santé sont cruciales pour une meilleure utilisation de la Gen IA et pour qu’ils puissent comprendre tous les risques associés à cette utilisation ;
5️⃣ mettre en place une transformation qui doit être centrée sur l’humain : le rapport souligne que la Gen IA doit être mise au service de l’humain pour aider les patients, les médecins, découvrir de nouvelles thérapies et ne doit pas être pensée avant tout comme un outil de performance qui permettrait uniquement de générer du profit grâce à une optimisation du temps ou à la vente de logiciel.
L’IA au service de l’imagerie de demain… et d’aujourd’hui
« Nous, médecins radiologues, sommes convaincus de l’importance de l’intelligence artificielle (IA) pour l’imagerie de demain… » Telle est la certitude d’un collectif de radiologues qui a signé une tribune dans Le Monde en avril dernier. Selon ces derniers, « l’introduction de l’IA dans le système français de dépistage pourrait augmenter le nombre de cancers détectés sans augmenter le nombre de faux positifs, sous réserve que l’IA soit combinée à un lecteur expert de niveau L2 au minimum. »
C’est globalement le scénario testé par des chercheurs danois. Ils ont comparé deux groupes de 119 000 femmes âgées de 50 à 69 ans qui ont subi une mammographie de dépistage dans la région de la capitale du Danemark. Le premier groupe a été dépisté entre octobre 2020 et novembre 2021 sans l’utilisation de l’IA. Le deuxième groupe a été dépisté entre novembre 2021 et octobre 2022 grâce à la combinaison de radiologues et de l’IA.
Le Danemark a déjà fait le choix de l’IA pour le dépistage du cancer du sein
Au Danemark, toutes les femmes âgées de 50 à 69 ans se voient offrir un dépistage du cancer du sein tous les deux ans. Et celles qui ont déjà subi une chirurgie du cancer du sein se voient offrir des mammographies jusqu’à l’âge de 79 ans. En tout, des dizaines de milliers de radiographies sont donc désormais examinées chaque année par l’intelligence artificielle. Ce dispositif représente évidemment une grande charge de travail pour les radiologues. Le but de l’étude était donc d’évaluer la pertinence du déploiement de l’IA dans la région de Copenhague sur près de trois ans.
Les résultats de cette étude ont été publiés le 4 juin dans le journal Radiology.
Résultats : des tumeurs plus petites détectées grâce à l’IA
Avant l’introduction de l’IA, les radiologues détectaient en moyenne 70 cas de cancer du sein pour 10 000 dépistages.
Depuis sa mise en œuvre, l’IA a permis aux radiologues de trouver 82 femmes atteintes de cancer du sein sur 10 000, soit une augmentation de 12 cas pour 10 000 dépistages.
L’IA a permis un dépistage plus précoce puisque la proportion de petites tumeurs détectées avec l’aide de l’IA était de 44,93 % contre 36,60 % avant l’introduction de l’IA.
Les dépistages assistés par l’IA ont réduit les faux positifs (1,63 % contre 2,39 %).
La charge de travail des radiologues a été réduite de 33,4 % grâce à l’intelligence artificielle. La double lecture n’est plus automatique puisque le système de dépistage par IA sélectionne environ 70 % des mammographies à faible risque, qui sont ensuite lues par un seul radiologue spécialiste du sein.
À la question « L’intelligence artificielle peut-elle être utilisée pour aider à détecter le cancer du sein ? La réponse est un « oui » sans équivoque, estiment les auteurs d’une nouvelle étude de l’Université de Copenhague et du programme de dépistage du cancer du sein de la région de la capitale du Danemark. « Le nombre de tumeurs trouvées et leur taille sont des facteurs cruciaux qui ont vraiment un impact sur les chances de guérison de ces femmes », a expliqué le Dr Ilse Vejborg, médecin-chef et responsable du programme de dépistage mammographique de la région de la capitale au Danemark.
Enfin, les chercheurs danois insistent sur le fait que le résultat final est toujours décidé par des radiologues spécialistes du sein. Et quand il y a désaccord, les deux radiologues spécialistes du sein se réunissent pour une discussion de consensus ou font appel à un troisième radiologue spécialiste du sein expérimenté pour aider à prendre une décision finale. L’IA n’a jamais le dernier mot !
*Early Indicators of the Impact of Using AI in Mammography Screening for Breast Cancer
Andreas D. Lauritzen, Martin Lillholm, Elsebeth Lynge, Mads Nielsen, Nico Karssemeijer, Ilse Vejborg, and Linda Moy
