Présentée au début de ce mois, Sarah (Smart AI Resource Assistant for Health) a contribué à lutter contre la mésinformation sur la Covid-19 depuis le début de la pandémie. Son lancement officiel comme “agente numérique de promotion de la santé exploitant la Gen AI”, est une évolution majeure dans le domaine de la promotion de la santé.
Contrairement aux précédents avatars d’intelligence artificielle (IA), Sarah utilise des grands modèles de langage (LLM) de pointe pour fournir :
des réponses empathiques et personnalisées 24 heures sur 24 ;
dans huit langues différentes ;
au format vidéo ou texte ;
et à partir de n’importe quel appareil.
Elle vise à éduquer et à informer les individus sur une gamme de sujets de santé, allant des bonnes habitudes de vie à la prévention des maladies graves.
👉 Pour faire la connaissance de Sarah et lui poser des questions sur la santé, elle est d’ores et déjà disponible sur ce lien.
Un symbole de la santé numérique du futur
Le Dr Tedros Adhanom Ghebreyesus, directeur général de l’OMS, souligne que Sarah offre un aperçu de l’avenir de la santé numérique en utilisant l’interactivité pour améliorer l’accès à l’information sur la santé. Il appelle à une collaboration continue dans la recherche pour explorer les façons dont cette technologie peut réduire les inégalités en matière de santé et garantir des informations fiables pour tous.
Sarah marque ainsi une transition vers l’utilisation de la Gen AI, lui permettant de fournir des réponses plus précises en temps réel et de maintenir des conversations dynamiques et personnalisées. Sa capacité à imiter les interactions humaines et à offrir des réponses empathiques dans un environnement sans jugement est rendue possible grâce à la technologie d’IA biologique de Soul Machines, une société de “personnes numériques” basée à San Francisco et en Nouvelle-Zélande, avec le soutien de Rooftop, une société de solutions créatives basée en Afrique du Sud.
Défis et perspectives de l’AI en santé publique
Bien que l’IA offre des avantages considérables pour la santé publique, elle soulève également des préoccupations éthiques majeures, souligne l’OMS, notamment l’égalité d’accès, la confidentialité et la sécurité des données. D’où l’importance de l’évaluation continue et du perfectionnement du projet Sarah pour garantir la fiabilité et l’éthique dans l’utilisation de cette technologie.
Cette initiative illustre l’engagement continu de l’OMS à utiliser les avancées numériques pour diffuser des informations de santé essentielles à grande échelle. Avec son “potentiel révolutionnaire” et son “engagement envers l’éthique et la fiabilité”, Sarah ouvre la voie à un avenir de santé connectée, où chacun peut accéder à des informations précieuses pour améliorer son bien-être et ses droits en matière de santé.
Ce nouvel AAP portant sur l’accélération de l’usage de la Gen AI fait suite à un autre qui s’est achevé en octobre 2023, qui était dédié aux “Communs numériques pour l’intelligence artificielle générative” et qui visait à développer des briques technologiques communes pour l’économie “sur l’ensemble de la chaîne de valeur de l’IA générative afin de stimuler le développement de produits ou services innovants”.
De son côté, le présent AAP “se concentre sur la partie aval de la chaîne de valeur de l’IA générative”. Il encourage, en effet, développement de solutions d’IA génératives intégrées, avec un niveau de fonctionnalité avancé et un horizon d’adoption à court terme. Son objectif est donc de concrétiser un rapprochement entre les développeurs et les futurs utilisateurs de solutions d’IA générative, à travers la formation de consortia les réunissant. Ceci dans le but de produire “des démonstrateurs qui seraient à terme réplicables et économiquement viables”.
Modalités de l’AAP
Critères d’éligibilité des projets :
Pour les acteurs intéressés par cet AAP, il est essentiel de noter qu’une attention particulière sera accordée à certains aspects spécifiques de leurs projets. Ces derniers devront notamment pouvoir :
➡️ capitaliser sur les atouts de chaque membre du consortium afin d’apporter une solution de Gen AI “centrée sur un cas d’usage propre à un secteur (vertical) ou à une fonction d’entreprise (horizontal)” ;
➡️ permettre la réplicabilité d’une ou de plusieurs briques technologiques qui constituent la solution de Gen AI, “entre acteurs d’un même secteur ou entre acteurs partageant un cas d’usage similaire propre à une fonction d’entreprise” ;
➡️ démontrer la capacité de la solution à s’intégrer dans “l’outil de travail ou de production des différents métiers visés par le consortium” ;
➡️ démontrer la capacité des projets à améliorer de façon rentable les méthodes et pratiques des utilisateurs finaux par l’apport de l’IA générative dans leur espace de travail ;
➡️ et enfin expliciter le cas d’usage, la stratégie de déploiement interne de la solution ainsi que “les gains de productivité associés pour l’usager du consortium”.
Deux types de soutien :
Dans le cadre de cet AAP, des subventions et des avances remboursables seront apportées aux activités sélectionnées, qu’elles soient de recherche industrielle ou de développement expérimental. Ce financement se fera selon la répartition suivante :
pour les dépenses de recherche industrielle : 80 % de subventions et 20 % d’avances remboursables ;
tandis que pour les dépenses de développement expérimental : 60 % de subventions et 40 % d’avances remboursables.
En cas d’épuisement des moyens financiers affectés à cet AAP, Bpifrance souligne qu’il “peut être arrêté de manière anticipée par arrêté du Premier ministre pris sur avis du Secrétariat général pour l’investissement (SGPI)”.
Dépôt des candidatures :
Opéré par Bpifrance, l’AAP “Accélérer l’usage de l’intelligence artificielle générative dans l’économie” est ouvert jusqu’au 2 juillet 2024 à 12h00 (heure de Paris). Le cahier des charges précise que les projets “ne seront étudiés qu’à partir de cette date”. Toutes les informations nécessaires sont à retrouver dans le cahier des charges ici.
👉 Les dossier de candidature des porteurs de projets sont recevables sur la plateforme en ligne de Bpifrance en suivant ce lien.
Répondre aux défis de l’endo-urologie avec la micro impression 3D
L’endo-urologie, spécialité médicale traitant les affections des voies urinaires sans ouverture des tissus, exige des dispositifs précis et non invasifs. RNDR Medical a relevé ce défi en concevant un endoscope à usage unique intégrant un embout distal complexe, fabriqué grâce à la micro impression 3D. Cette technologie permet de répondre aux exigences de taille, de précision et de résistance aux fluides nécessaires à cette procédure délicate.
Illustration de l’endoscope précis utilisé dans l’endo-urologie – @ BMF
Accélérer le processus de fabrication et la mise sur le marché :
RNDR Medical a réussi à réduire les délais de développement de ses produits et de lancer des tests en quelques semaines seulement, grâce à la technologie de micro impression de la société américaine Boston Micro Fabrication (BMF).
Cette approche est basée sur la micro-stéréolithographie par projection (PµSL), offre des résolutions d’impression élevées et des tolérances précises, surpassant les méthodes traditionnelles telles que le moulage par micro-injection.
De la conception à la production
Initialement utilisée pour la fabrication de prototypes, la micro impression 3D s’est révélée être une solution viable pour la production de pièces finies. Les embouts distaux imprimés en 3D ont passé avec succès des évaluations précliniques, ouvrant la voie à leur utilisation dans des environnements cliniques réels. Cette approche permet à RNDR Medical de proposer des dispositifs médicaux sur mesure innovants, répondant aux besoins spécifiques du secteur.
Quel avenir de l’impression 3D dans le domaine médical ?
RNDR Medical envisage d’étendre l’utilisation de la micro impression 3D pour fabriquer des dispositifs médicaux fonctionnels sur mesure, contribuant ainsi à l’évolution vers des solutions plus miniaturisées et moins invasives. Une démarche qui s’inscrit dans une tendance plus large visant à améliorer continuellement l’expérience clinique et les résultats pour les patients.
Le Grand Défi “Dispositifs médicaux numériques (DMN) en santé mentale” s’inscrit dans le cadre du “Plan dispositifs médicaux France 2030”. Son objectif est de promouvoir des technologies innovantes pour faciliter l’accès au marché des DMN en santé mentale, améliorant ainsi la prévention, la prise en charge et le suivi des patients.
Selon le ministère de la Santé, le numérique influence les 37 actions de la feuille de route santé mentale et psychiatrie de 2018, complétées par les mesures des Assises de septembre 2021. Son bilan, après trois ans de mise en œuvre, identifie les principaux défis de la santé mentale pour l’avenir comme suit :
une approche transversale entre prévention, soins et inclusion sociale ;
le renforcement de la prévention, y compris des risques numériques tels que le cyberharcèlement et la surexposition aux écrans ;
la lutte contre la stigmatisation des troubles psychiques ;
la détection et la prise en charge précoce des troubles ;
l’amélioration de la continuité des soins entre les différents secteurs de santé ;
la facilitation des conditions de pratique pour les professionnels, notamment en psychiatrie de l’enfant et de l’adolescent ;
le soutien accru à la recherche et à l’innovation pour combler le retard français ;
la valorisation des savoirs expérientiels, de la pair-aidance et du pouvoir d’agir des patients et des familles, pour transformer les rapports de pouvoir et de savoir entre soignants et soignés ;
et, enfin, l’accompagnement des publics vulnérables touchés par des troubles psychiatriques et confrontés à des difficultés spécifiques d’accès aux soins.
Une méthodologie en 5 étapes :
Le plan d’actions de ce Grand Défi, qui sera élaboré en concertation avec les acteurs du domaine, suit une méthodologie en cinq étapes, aboutissant à des propositions d’actions détaillées. Les montants d’investissement seront précisés après l’achèvement de cette phase de concertation publique.
Méthodologie d’élaboration du plan d’actions du Grand Défi DM numériques en santé mentale
4 axes de travail proposés
La proposition de plan d’actions du Grand Défi “Dispositifs médicaux numériques en santé mentale” est structurée en réponse aux besoins identifiés. Son objectif est d’accompagner le développement, l’évaluation, l’accès et la formation aux dispositifs médicaux numériques en santé mentale et en psychiatrie, en les rendant accessibles aux usagers, patients, aidants, professionnels et établissements concernés.
Cette proposition a émergé lors de l’étape 5 du processus, lancée début 2024. À travers une méthodologie participative, quatre axes majeurs ont donc émergé pour guider les discussions. Ils représentent les piliers essentiels pour développer et adopter efficacement les technologies numériques en santé mentale :
l’innovation et la recherche ;
la génération de preuves ;
l’intégration pratique ;
et la formation des professionnels et des utilisateurs.
Les 4 axes du plan d’actions du Grand Défi DM numériques en santé mentale
la transparence et la responsabilité des développeurs ;
l’accessibilité équitable dans le développement
le consentement éclairé ;
et l’impact sur la relation thérapeutique.
D’un autre côté, l’engagement des parties prenantes s’avère crucial pour garantir une intégration éthique et socialement responsable de ces dispositifs, d’où le lancement de cette concertation publique sur le plan d’actions du Grand Défi numérique en santé mentale (à retrouver dans le détail ici).
Le Ségur du Numérique en Santé a été mis en place dans l’objectif de généraliser le partage des données de santé entre professionnels de santé et avec le patient pour mieux prévenir et mieux prendre en charge.
La vague 1 du Ségur sur l’imagerie s’est terminée en décembre 2023 et a permis l’alimentation de Mon espace santé en compte rendus radiologiques :
9 RIS référencés,
des mises à jour installées sur 851 sites pour un financement de 13 M€,
avec une représentation de 75% des sites libéraux et 60% des sites publics.
En décembre 2023, le flux mensuel de documents radiologiques envoyés dans le DMP était de 18M, et de près de 25 M en mars 2024 (source ANS).
La vague 2 lancée début 2024 a pour objectif l’évolution des RIS pour la consultation des images grâce à la mise en place de DRM-M (Data Radiologie Imagerie Médicale & Médecine nucléaire), qui a comme objectif la création d’un réseau unique et national de partage d’images médicales. Le projet DRIM-M doit s’appuyer sur le DMP et permettre aux professionnels d’accéder aux images, ainsi que pour les patients au travers de Mon espace santé.
Un projet collaboratif, avec des objectifs d’usages cliniques
Le partage d’images est encore sous développé aux regard des autres données médicales.
Le projet DRIM-M résulte d’un partenariat unique entre radiologues (G4, FNMR, SFR), médecins nucléaires (CNPMN (conseil national professionnel de médecine nucléaire) et pouvoirs publics. Il renforce la contribution des radiologues et médecins nucléaires aux plans nationaux en cours.
Tous les protagonistes du projet saluent le travail constructif réalisé en commun : les professionnels de santé soulignent la qualité d’écoute et d’interaction de leurs interlocuteurs institutionnels, et ceux-ci lient l’avancée rapide et positive du projet à l’implication des professionnels de santé. Les professionnels soulignent l’excellente compréhension du terrain de leurs interlocuteurs, leur capacité à adapter les outils aux professionnels. Cet accompagnement dure également dans la mise en œuvre, la formation, l’information.
Le projet DRIM-M est un projet d’usages, avec en particulier la possibilité :
Pour le radiologue, le médecin nucléaire, ou le spécialiste ayant besoin des images natives, d’ importer l’examen dans son environnement DICOM afin de comparer et post traiter.
Pour les professionnels de santé, le médecin demandeur:
De visualiser un examen réalisé n’importe où sur le territoire au travers d’un lien présent dans le compte-rendu.
Permettre d’accéder aux antériorités du patient
Pour le patient : Pouvoir consulter les images au travers de Mon espace santé, en y accédant comme toutes les autres données médicales, et y accéder en tout lieu à tout moment
Les radiologues utilisateurs soulèvent les questions suivantes :
Le retour aux utilisateurs sur les usages : il n’y a pas de feed back aux radiologues à la suite de l’envoi des comptes rendus sur mon espace santé (Ségur 1): combien y a-t-il de connections et qui se connecte, combien de visualisation ? par quels profils…
Le radiologue doit donner un avis de conduite à tenir, pas toujours simple à gérer avec l’automatisme. Une proposition peut être de mettre en place un garant humain dans des situations complexes (proposer une téléconsultation)
Pour les « cas graves », les images et le compte rendu sont disponibles dès la validation du radiologue ou médecin nucléaire : le patient peut ainsi être confronté à une « mauvaise nouvelle » avant que son médecin prescripteur n’ait eu le temps de lui parler. Des solutions potentielles sont en cours de discussion : masquage, mise en place d’un délai, flag d’alerte…
Importance de la bonne volonté à faire des différents acteurs : il a été parfois constaté lors de la réalisation de tests entre solutions numériques, de la lenteur ou de l’absence de réaction de professionnels (établissements).
Quid des images de téléradiologie qui ne sont actuellement pas intégrées?
Restent toujours des questions « techniques » : réseaux, flux, débit, cybersécurité
” le projet a bien avancé, se réalise et devient opérationnel en pratiquement deux ans, grâce à la présence à la DGOS d’experts ayant travaillé en entreprise, connaissant et comprenant les logiques industrielles, métier public et privé.” Jean-Philippe Masson, président de la FNMR.
Usages de la DRIMbox
Pour mettre en oeuvre ce partage, le projet DRIM M repose sur des solutions techniques DRIM Box. La FNMR, investie dans le projet dès les premiers jours, a tenu à une complète interopérabilité des solutions : la DRIM Box sera indépendante du RIS ou autres logiciels en place sur le site d’imagerie, et ne pourra pas être la base de marchés captifs. Après deux années de conception, le projet DRIM-M est entré sa dimension opérationnelle avec la communication aux éditeurs des premières spécifications techniques et des conditions financières.
Une solution technique unique, sans base nationale de stockage d’images
Initiée en 2021, la phase de conception touche à la fin d’une première étape, prolongée par la mise en place d’une composante forte de sécurité avec l’intégration de l’authentification des professionnels via pro Santé Connect . Financé dans le cadre de la vague 2 du Ségur, le dispositif va rentrer dans sa mise en œuvre opérationnelle dans le second semestre 2024.
La solution retenue est novatrice : la France est le seul pays qui a choisi cette solution où les images restent dans leur site de production, et où les professionnels ou le patient vont les chercher à l’aide de pointeurs.
La DRIMbox, élément clé du dispositif, est la solution technique qui va permettre de créer le maillage, sous la forme d’une passerelle intégrée au système d’information des structures d’imagerie :
Les données ne seront pas stockées directement dans Mon espace santé. Chaque service ou cabinet de radiologie sera un nœud du réseau DRIM-M : il connectera son PACS au réseau via la DRIMbox pour mettre à disposition les images produites.
Une DRIMbox possède deux fonctions :
Une fonction Production/Source : la validation du compte-rendu d’imagerie par le radiologue déclenche l’accès par la DRIMbox aux références des images de l’examen dans le PACS. Avec ces informations, elle construit un pointeur vers l’examen pour soumission au DMP. La DRIMbox Source dispose également d’un Viewer DICOM (non-diagnostic à minima) pour permettre l’affichage des examens.
Une fonction Consommation : elle se connecte au DMP, et elle récupère les pointeurs vers les examens et à l’aide des identifiants de l’examen présents dans le DMP. Le pointeur récupère les images auprès de la DRIMbox source de la structure productrice de l’examen.
Le projectathon réalisé en septembre 2023 a apporté la démonstration du bon fonctionnement du système, la solution techniquement doit marcher (ensemble d’éléments de solution qui ont fait leurs preuves). La sécurisation doit être encore adressée, par intégration de la brique Pro santé Connect – qui assure une authentification forte.
Mode de financement de la DRIM box
Dans le cadre du volet numérique du Ségur de la santé, l’Etat met en place un mécanisme d’achat pour compte au bénéfice des acteurs de l’offre de soins, sous la forme d’un système ouvert et non sélectif de référencement et de financement. La plupart des éditeurs y ont travaillé et sont avancés.
Concernant les professionnels, sont concernées toutes les structures, privées et publiques, qui stockent les images sur leurs PACS et qui vont ainsi pouvoir les rendre accessibles après validation du compte rendu.
La prestation prise en charge par l’Etat, Prestation Ségur « Mise à jour vague 1 et vague 2 » couvre :
L’octroi au Client des droits d’utilisation de la solution logicielle correspondant au Périmètre vague 1 et au Périmètre vague 2
L’installation, la configuration et la qualification de la solution logicielle,
L’installation, la configuration, la qualification des demi-connecteurs
La maintenance de la Solution logicielle sur le Périmètre vague 1 et au Périmètre vague 2
Les prestations de formation de référents utilisateurs de la Solution logicielle
La livraison de l’ensemble des documents nécessaires : le guide utilisateur, le guide administrateur et la documentation technique spécifique aux demi-connecteurs ;
Le suivi de l’ensemble du projet d’installation.
Les Prestations Ségur ne couvrent pas :
Les prestations de changement complet de la solution logicielle ou de rattrapage d’une version obsolète
Les prestations d’ajouts de modules de nouvelles fonctionnalités hors périmètre technico-fonctionnel
Les services de boîtes aux lettres MSS, nominatives, applicatives et/ou organisationnelles
Les coûts d’infrastructure additionnels éventuellement nécessaires à l’installation de la version référencée (acquisition de serveurs, migration de système de gestion de base de données, etc.) ;
La DRIM Box est payée dans le cadre du Segur 2 (prix en fonction du volume d’activité du site et du périmètre retenu (Mise à jour Ségur 2 seul ou Segur 1+2), et varie d’environ 7000 euros à 80 000 euros). Le Ségur doit permettre de financer pratiquement 70% du parc.
Positionnement des éditeurs
Les éditeurs sont pleinement investis dans le projet DRIM-M. Il y a aujourd’hui au moins une dizaine d’acteurs qui se sont déclarés partants, avec lesquels il y a régulièrement des échanges directs et au travers d’ateliers en groupe. Ces acteurs peuvent être classés en trois catégories : les éditeurs de RIS, les éditeurs de PACS, les éditeurs spécialisés dans les transferts.
La revue de la FNMR, le médecin radiologue libéral (octobre 2023), a publié pour les JFR 2023 un descriptif du projet avec un tour d’horizon des positions des différents éditeurs sur leur DRIM Box en cours de développement. Deux autres numéros sont à venir sur ce sujet : un numéro sur le panorama des DRIM Box et leurs fonctionnalités (de base et option) en déclaratif par les éditeurs, puis après l’été, un numéro publiant les mêmes éléments après réalisation d’un audit fonctionnel par la FNMR.
Objectif 2026 : partager 90% des images produites.
L’objectif pour 2026 est d’arriver à partager 90% des images produites. Le Ségur 1 a déjà embarqué 75% de l’activité radiologique, et la cible du Ségur 2 est jugée tout à fait atteignable. Les sites qui n’ont pas participé à la vague 1 peuvent rattraper avec la vague 2 en réalisant les deux phases simultanément.
La troisième phase, numériser et intégrer la prescription dans le DMP, représente un défi majeur, car elle change les pratiques des médecins prescripteurs, pas toujours partants, et souvent surchargés, et donc peu enclins à modifier leurs habitudes
Textes de référence
Pour les logiciels de type « Système de diffusion d’images » du couloir Imagerie, la vague 2 du dispositif est encadrée par les textes et documents suivants :
– L’arrêté du ministre de la Santé et de la prévention, qui définit le programme de référencement et de financement mis en place, consultable sur le site Légifrance ;
– Les trois documents annexés à l’arrêté susvisé, qui en précisent les modalités de mise en oeuvre sur les plans technique, administratif et financier :
Le référentiel d’exigences et de scénarios de conformité REM-IMG-DB-Va2, qui définit les exigences techniques, fonctionnelles et ergonomiques à respecter pour bénéficier du référencement, ainsi que les scénarios de vérification associés ;
Le dossier de spécification de référencement DSR-IMG-DB-Va2, qui présente les modalités de présentation et d’instruction des demandes de référencement ;
Le document d’appel à financement en vue de l’équipement numérique des acteurs de l’offre de soins AF-IMG-DB-Va2, qui définit l’ensemble des règles et conditions associées à l’attribution et au versement des financements
L’avancée de l’intelligence artificielle (IA) révolutionne le secteur de la santé. Parmi les développements majeurs qui sont en cours, les applications des modèles d’IA générative (IAG), notamment les modèles de transformation (transformer models) et les modèles de diffusion (diffusion models) :
➡️ les modèles de diffusion se concentrent sur la génération de données itérative en propageant une distribution de probabilité :
Il s’agit d’une autre classe de modèles génératifs utilisés dans le domaine de l’apprentissage automatique. Ils sont souvent utilisés pour la génération et la manipulation d’images et d’autres types de données séquentielles.
➡️ tandis que les modèles de transformation sont des architectures de réseau de neurones utilisées pour traiter des données séquentielles, en particulier dans les domaines du traitement du langage naturel et de la vision par ordinateur :
Il s’agit d’une classe de modèles utilisés dans l’apprentissage automatique (machine learning), plus précisément dans le domaine du traitement du langage naturel (NLP) et de la vision par ordinateur. Il sont particulièrement efficaces pour les tâches de compréhension, de génération et de traduction automatique du langage naturel, mais sont également utilisés dans d’autres domaines tels que la vision par ordinateur.
En médecine, ces modèles de transformation ont joué un rôle crucial dans l’analyse de diverses formes de données, notamment :
l’imagerie médicale (de la reconstruction d’images et leur traduction d’images en images à leur génération et leur classification) ;
l’interprétation en radiologie ;
l’aide au diagnostic ;
l’aide à la décision clinique ;
la prédiction de la structure des protéines ;
la représentation et la conception de molécules ;
la documentation clinique ;
ainsi que le codage médical et la facturation.
Dans cet article, Health & Tech Intelligence met l’accent sur les applications de la GenAI dans le domaine de la santé, mais aussi sur les limites et biais de l’utilisation de la GenAI en santé, en réalisant une revue macroscopique de la littérature scientifique de ces dernières années, avec un focus sur les cas d’usage dans 4 segments du secteur :
recherche clinique et découverte des médicaments ;
organisation de l’offre de soins ;
payeurs / assureurs ;
pratique médicale (volets administratif et clinique).
Parmi ces cas d’usage, les plus utilisés concernent la prédiction des structures et la conception de molécules, l’imagerie ainsi que l’automatisation de tâches chronophages comme la synthèse ou rédaction de documents médicaux. D’autres cas d’usage de la GenAI mentionnés dans des publications scientifiques sont présentés comme des applications potentielles de cette technologie dans le secteur de la santé, sans qu’il y ait encore de preuves suffisantes de son efficacité.
Historique des travaux sur la GenAI en santé
Les modèles génératifs sont apparu dans les années 1950 et ont connu d’importantes évolutions au cours des 10 dernières années, avec le développement l’apprentissage profond et de nouvelles méthodes telles que les réseaux neuronaux. Aujourd’hui, et depuis la naissance du modèle “transformeur génératif pré-entraîné” (GPT) d’OpenAI, la GenAI démontre de plus en plus son efficacité , notamment dans la production logique de contenu.
Dans le domaine de la santé, la GenAI attirent tous les regards et notamment ceux de l’industrie. Elle est, en effet, très utilisée pour prédire la structure des protéines (Meyers et al. 2021 et Madani et al. 2023).
D’importants progrès de la GenAI en santé, ces dernières années
Il existe plusieurs revues de la littérature concernant les usages de la GenAI en santé (Bohr et Memarzadeh 2020, AlAmir et AlGhamdi 2022, Kazerouni et al. 2023), dont la plupart s’intéressent à une application spécifique de ces technologies, notamment en imagerie. Cela signifie qu’un énorme potentiel est encore à explorer. Mais, de manière générale, les publications scientifiques ont commencé dès 2020, sur différentes bibliothèques en ligne autour de la GenAI en santé. Mais ce n’est qu’en 2022 que leur nombre devient significatif, dépassant les 600 publication par an. Il est à noter que les modèles de transformation ont logiquement la part du lion de ces publications.
Evolution du nombre de publications scientifiques sur l’IA générative en santé.
Une recherche spécifique et très resserrée sur la plateforme américaine Pubmed, concernant les articles traitant du sujet de la GenAI en santé, montre que les premières publications apparaissent déjà en 2022 et évolue exponentiellement en 2023. Durant cette année, Pubmed enregistre au moins 176 publications. Au premier trimestre 2024 seulement, la plateforme présente au moins 140 publications.
Evolution du nombre de publications scientifiques dédiée spécifiquement à l’IA générative en santé sur Pubmed.
Découverte des médicaments
Découverte et développement de médicaments :
L’IA générative offre une solution prometteuse pour la conception de structures moléculaires de novo. Elle peut générer de nouveaux composés, optimiser les candidats médicamenteux et prédire les propriétés des médicaments. Elle permet ainsi de concevoir des modèles moléculaires 1D, 2D et même 3D (Li et al., 2021). Les modèles d’IA générative sont ainsi utilisés pour générer de nouvelles petites molécules, des séquences d’acides nucléiques et des protéines avec une structure ou une fonction désirée (Vert, 2023). En analysant la structure chimique des médicaments réussis et en simulant des variations, ils peuvent produire des candidats médicaments potentiels à un rythme beaucoup plus rapide que les méthodes traditionnelles.
La prédiction de la fonction des protéines figure parmi les défis du développement de médicaments. Prot2Text est une approche novatrice qui le fait sous forme de texte libre, en générant des descriptions détaillées et précises (Abdine et al., 2023).
Plus récemment, des chercheurs de l’Université McMaster et de l’Université Stanford ont développé un modèle d’IA générative capable de concevoir des milliards de nouvelles molécules antibiotiques peu coûteuses et faciles à construire en laboratoire (plus de détails dans cet article H&TI). Synthemol est parvenu à inhiber une super-bactérie en laboratoire (Swanson, K., Liu, G., Catacutan, D.B. et al., 2024).
Optimisation des essais cliniques :
L’IA générative aide à faire progresser la conception et la validation des protocoles pour les essais cliniques (Mueller et al., 2023). Elle le fait en simulant des essais virtuels avec différents designs, des stratégies de randomisation ou en établissant des critères d’inclusion. Une nouvelle approche pour les essais cliniques propose de générer des données de patients virtuels tout en garantissant théoriquement la confidentialité des données (Gootjes-Dreesbach et al. 2020). L’IA générative peut donc aider à identifier les problèmes éventuels lors des essais cliniques, ce qui peut finalement réduire le temps et le coût du développement de médicaments (Callaway, 2023).
Prédiction des effets indésirables :
Les méthodes génératives ont le potentiel de produire de nouveaux composés avec des profils d’effets indésirables attendus. Elles peuvent également favoriser une compréhension plus approfondie de la sécurité des médicaments. Par exemple, le journal BMC Bioinformatics a publié une technique de “empreinte neurale” dans un cadre “d’apprentissage profond concurrentiel” pour la prédiction des effets indésirables de telle sorte que les informations d’étiquetage (relation médicament-effets indésirables) peuvent être utilisées “dans l’étape de conception du processus d’apprentissage automatique” (Dey et al., 2018).
Augmentation/génération de données synthétiques :
L’IA générative joue un rôle crucial dans le développement de données de patients synthétiques (réalistes et anonymisées) en créant des points de données artificiels qui capturent les caractéristiques statistiques et les attributs de l’ensemble de données réelles d’origine (Suthar et al., 2022). Des techniques comme les GAN (generative adversarial networks) et les VAE (variational autoencoders) ont évolué pour générer des données tabulaires synthétiques aidant notamment dans la recherche médicale (Jadon & Kumar, 2023). De plus, les GAN peuvent synthétiser les données des dossiers patient informatisés (DPI) ce qui peut être une solution au problème de la confidentialité des données. Enfin, la capacité de générer des données synthétiques avec différentes caractéristiques peut aider chercheurs et cliniciens à explorer diverses hypothèses, ouvrant de nouvelles perspectives (Limeros et al., 2022).
Identification des biomarqueurs :
Les biomarqueurs ont un impact significatif sur le diagnostic, le pronostic, le choix du traitement et la surveillance des maladies. L’IA générative accélère leur découverte en créant des biomarqueurs hypothétiques et en les validant ensuite dans des environnements expérimentaux (Nair et al., 2023). Bien que son rôle dans l’identification des biomarqueurs ne soit qu’à ses débuts, l’IA promet des avancées révolutionnaires dans la compréhension du rôle des biomarqueurs et le développement d’une médecine personnalisée.
Organisation et opérations
Excellence opérationnelle :
Les opérations et la gestion des ressources en santé impliquent différents paramètres (allocation des ressources, prédiction de la demande, optimisation des flux de travail, etc.). Les organisations de santé peuvent exploiter la puissance de l’IA générative pour prendre des décisions basées sur les données et optimiser leurs opérations. L’IA générative peut automatiser les processus routiniers de prise de décision (approuver, refuser voire même recommander) en fonction de critères ou de conditions prédéfinis, allégeant ainsi la charge administrative et raccourcissant les délais (Barat et al., 2023).
Le modèle Dall-e d’OpenAI peut potentiellement être utilisé pour générer des représentations visuelles des aménagements d’un établissement de santé et des plans d’étage des installations de soins, afin d’aider à identifier les axes d’amélioration, à rationaliser les flux de travail et à optimiser l’espace et les équipements. De son côté, ChatGPT, peut planifier des rendez-vous de patients et fournir des mises à jour en temps réel sur les délais d’attente.
Triage médical :
En médecine, le triage est défini comme la priorisation des soins aux patients (ou aux victimes de catastrophes) en fonction de leur état, de leur gravité, de leur pronostic et de la disponibilité des ressources. Le triage est utilisé pour identifier les patients nécessitant une réanimation rapide, les affecter à une zone de soins désignée pour prioriser leurs soins et commencer les procédures diagnostiques et thérapeutiques nécessaires.
En offrant une assistance utile et en améliorant la prise de décision, l’IA générative a le potentiel d’avoir un impact significatif sur le domaine du triage médical (Huang et al., 2023). Elle vise à accélérer la prise de décision en analysant rapidement et avec précision un large éventail d’informations sur les patients (Levine et al., 2023). Le triage médical peut ainsi être optimisé en combinant la force de l’IA générative avec le jugement humain, améliorant la qualité et l’efficience des soins dans des scénarios difficiles.
Payeurs / assureurs
Pré-autorisation des assurances :
Dans certains pays, la pré-autorisation est un mécanisme utilisé par les payeurs de soins (comme les assurance) pour décider s’ils doivent rembourser un service médical ou pas. Bien que des études soient encore nécessaires pour étayer cette opportunité, l’IA générative pourrait potentiellement améliorer cette procédure en l’automatisant : l’examen des demandes nécessite un temps clinique significatif de la part des payeurs. Selon un rapport publié Mckinsey en 2022, les professionnels de santé passent jusqu’à 13 heures par semaine sur cette tâche.
L’IA générative peut, en outre, aider à organiser les données des dossiers médicaux électroniques, des e-mails, des politiques publiques, des procédures médicales, etc., pour ainsi améliorer l’expérience des prestataires de soins et des patients. Les compagnies d’assurance pourraient déléguer la prise de décision délicate à des médecins hautement qualifiés et automatiser le reste.
Usages médicaux de l’IAG
Les succès de ChatGPT :
Une évaluation des réponses de ChatGPT aux questions de l’examen médical des États-Unis (USMLE) a obtenu une réussite avec une précision de 60 % (Kung et al., 2023).
Une autre évaluation a été réalisée sur ChatGPT 4 qui a passé l’examen du Programme d’évaluation des connaissances en ophtalmologie (OKAP) de l’American Academy of Ophthalmology (Teebagy et al., 2023). Les résultats ont indiqué que ChatGPT 4 pouvait réussir l’examen et surpasser son prédécesseur, ChatGPT 3.5.
ChatGPT a également réussi un examen de radiologie (Bhayana et al., 2023). Il a obtenu un score global de 69 % en répondant correctement à 104 questions sur 150.
Imagerie médicale :
L’IA générative (GAI) s’est imposée comme une solution prometteuse pour relever les défis de l’imagerie médicale.
1) Augmentation des données :
La GenAI peut générer des images synthétiques qui ressemblent aux données des patients, augmentant la robustesse des modèles. Ceci est d’autant plus pertinent dans le cas de maladies rares ou de données manquantes.
2) Amélioration et reconstruction des images :
Lorsqu’une image subit une distorsion, l’IA générative peut la réparer. Le modèle de diffusion, DiffMIC, conçu pour la classification des images médicales, élimine les bruits et les perturbations (Yang et al., 2023). Les modèles de GenAI peuvent également produire des images de haute résolution à partir de données de basse résolution en appliquant une approche de “super-résolution”. Les images “super-résolues” sont utilisées pour un diagnostic précis des maladies et une étude détaillée des structures anatomiques (Bing et al.).
3) Traduction d’images entre modalités différentes :
Chaque modalité utilise différentes propriétés physiques et techniques d’imagerie pour générer des images (rayons X, échographie, IRM, tomodensitométrie…) et chacune présente des avantages et des inconvénients. La traduction d’images entre modalités convertit des images médicales d’une modalité à une autre tout en préservant ses caractéristiques pertinentes. Cela permet la fusion des avantages spécifiques à chaque modalité et des informations complémentaires. La traduction entre modalités d’images basée sur l’IA générative ouvre de nouvelles perspectives de recherche et d’innovation.
4) Interprétabilité et explicabilité :
Les modèles de GenAI aident à atteindre l’interprétabilité et l’explicabilité en imagerie médicale (Susnjak, 2023). L’interprétabilité se réfère à la capacité de comprendre et d’expliquer le processus de prise de décision du modèle d’IA. En imagerie médicale, elle est cruciale car les prestataires de soins et les patients doivent avoir confiance et comprendre les résultats générés. Pour y parvenir, la visualisation est la solution majeure. L’explicabilité indique à l’utilisateur pourquoi une décision spécifique a été prise en fournissant une explication claire et cohérente. Cela rend le processus de prise de décision plus transparent.
Documentation clinique :
Des modèles LLM tels que GPT-4 et PALM-2 peuvent être utilisés pour générer des résumés des données des patients (Patel & Lam, 2023). L’IA générative peut également automatiser le processus des demandes d’assurance. L’automatisation de tels processus peut soulager la charge administrative des professionnels de santé.
Pour améliorer l’efficacité des tâches de NLP, un algorithme peut analyser la mise en page des documents cliniques et en extraire uniquement le texte pertinent à la clinique (Gérardin et al., 2023). Des modèles d’IA générative pré-entraînés sur un grand corpus de texte clinique améliorent plusieurs tâches de NLP clinique en aval, telles que la réponse aux questions et la classification de documents (Lentzen et al., 2022 ; Y. Li et al., 2022 ; Moon et al., 2022).
En somme, plusieurs études mettent en évidence l’utilité des modèles de transformation et d’autres techniques avancées dans diverses tâches de PNL clinique, telles que la classification de documents, la reconnaissance d’entités nommées et l’extraction d’informations à partir de textes cliniques dans plusieurs langues (Oh et al., 2022 ; Searle et al., 2023 ; Sivarajkumar & Wang, 2022 ; Solarte-Pabón et al., 2023 ; Wei et al., 2022 ; Yogarajan et al., 2021) . Cependant, l’efficacité de ces modèles varie en fonction de la tâche, de la langue et des caractéristiques spécifiques des données, ce qui suggère la nécessité d’une approche adaptée à chaque application.
Agents conversationnels (chatbots) médicaux :
L’une des applications importantes de l’IA Générative a été le développement de chatbots médicaux. Les chatbots sont des programmes informatiques polyvalents conçus pour simuler une conversation humaine et fournir des réponses automatisées. Ils peuvent servir d’assistants virtuels pour le soutien et l’engagement des patients, ou de moyen d’éducation thérapeutique (ETP). Ils peuvent répondre aux questions courantes, offrir des conseils et fournir des rappels de médication, à l’image de ChatGPT. Ce dernier peut avoir différentes applications en médecine, de l’aide aux patients en tant qu’assistant virtuel et la tenue de leurs dossiers (Dave et al., 2023). Il peut offrir des conseils préliminaires en posant des questions pertinentes et évaluer, sur la base des informations fournies par le patient, l’urgence et la gravité du symptôme pour fournir des informations générales sur l’étiologie ou la symptomatologie de la maladie, ainsi que sur les mesures d’autosoin et quand consulter un médecin. Il contribue, de ce fait, au triage et l’évaluation des symptômes.
Un chatbot médical basé sur ChatGPT, appelé Dr GAI (DiagnaMed Holdings Corp.) aide les gens dans un conseil général en santé. Un autre, variante de ChatGPT appelée InstructGPT, peut fournir des instructions précises aux patients, sur l’administration de médicaments, y compris l’ouverture des emballages, le dosage et l’utilisation de dispositifs médicaux spécifiques tels que les seringues ou les compte-gouttes.
Personnalisation des traitements :
La GenAI est rapidement passée d’une modélisation prédictive initiale des traitement à une intégration de conditions spécifiques pour des plans de traitement sur mesure. En modifiant les valeurs de différentes conditions, le modèle génère différents plans de traitement adaptés à chaque patient (Buche et al., 2023). Les modèles NLP affinés tels que BERT (Bidirectional encoder representation from transformers) se sont améliorés dans la génération de traitements personnalisés et de plans de soins adaptés, basés sur les données du patient.
Assistance médicale en santé mentale :
La GenAI peut effectuer une analyse des émotions en analysant les modèles de texte et de parole et en détectant des indices sentimentaux et émotionnels. Elle contribue à la détection précoce des troubles de santé mentale en analysant de gros volumes de données et en repérant des signes évocateurs de certains troubles. Qui plus est, la GenAI peut signaler les individus susceptible de présenter un haut risque ou de nécessiter une assistance en urgence.
La dépression, par exemple, peut être diagnostiquée grâce à l’analyse des données multimodales, y compris du texte et de marqueurs vocaux (Yang, 2019). La GenAI peut générer un environnement de réalité virtuelle (VR) immersif pour les patients. Cela ouvre les portes pour une simulation d’une thérapie d’exposition, des techniques de relaxation et des scénarios de gestion du stress.
Modélisation de l’évolution des maladies :
Pour modéliser la progression d’une maladie, son développement, ses symptômes et ses effets potentiels sont examinés et prédits au fil du temps. L’IA générative a le potentiel d’être un outil puissant dans ce domaine (Zaballa et al., 2023). En analysant de vastes bases de données de données de patients, de dossiers médicaux et de résultats cliniques, les modèles génératifs peuvent découvrir des motifs et des liens au sein des données et imiter des scénarios de développement de maladies. Ces modèles peuvent produire des trajectoires hypothétiques qui décrivent avec précision le développement des affections tout en tenant compte de diverses variables, telles que la génétique, le mode de vie et les traitements. Cela permet aux praticiens et aux chercheurs d’apprécier les conséquences potentielles de différentes modalités thérapeutiques.
L’IA générative peut traiter les complexités de la modélisation des tumeurs cérébrales malignes (Liu et al., 2023). Des images radiologiques et des informations sur le traitement permettent des estimations de la croissance tumorale à un moment donné. En fournissant des images générées, des prédictions de croissance tumorale et des estimations d’incertitude, le modèle offre des informations précieuses pour la prise de décision clinique et la compréhension des mécanismes sous-jacents au cours des maladies ainsi que pour l’accélération de la découverte de nouveaux traitements.
Limites et biais de l’utilisation de la GenAI en santé
Si la GenAI s’est montrée prometteuse lorsqu’évaluée dans des environnements contrôlés, la tester dans des scénarios réels est indispensable pour déterminer son efficacité. Pour ce faire, plusieurs facteurs doivent être pris en compte, notamment : la fiabilité des résultats, les possibles biais, sa généralisation à des populations différentes, etc.
Biais et qualité des données :
Le cadre de l’IA générative produit des résultats basés sur les données d’entraînement fournies par les dossiers de santé et les documents médicaux. Si les données fournies sont biaisées ou de mauvaise qualité, cela conduira à des résultats inexactes. Ces biais de données peuvent s’introduire à n’importe quelle étape du développement et provenir de plusieurs facteurs, (disparités démographiques, variations dans les pratiques de santé ou sous-représentation de populations spécifiques). Les données sont parfois collectées sur internet sans tenir compte des sources potentielles de désinformation ou de biais (Harrer, 2023) ou générées à partir de sources peu fiables.
Confidentialité des données des patients :
Dans un contexte médical, les capteurs ambiants collectent des données sensibles des patients (état civil, état de santé, caractéristiques physiques). Si de telles informations sont divulguées, la vie privée des patients risque d’être rendue publique (Martinez-Martin et al, 2021). Les modèles d’IA générative doivent donc accorder aux patients le droit de décider de leur confidentialité et de la quantité d’informations qu’ils souhaitent partager.
Par ailleurs, les systèmes d’IA générative peuvent être vulnérables aux cyber-attaques, d’où la nécessité d’intégrer des mesures de sécurité dans les solutions proposées.
Généralisation des données non vues :
Si les modèles d’IA générative ne parviennent pas à mettre à jour leurs données au fil du temps ou à s’adapter aux nouvelles tendances médicales, ils rencontreront des problèmes de performance lors du traitement de nouvelles données, différentes de celles de leur entraînement.
Problème d’attribution :
La difficulté de comprendre les motivations derrière les jugements produits par les modèles d’IA générative en santé est connue sous le nom de “problème d’attribution” associé à son utilisation. Souvent, ces modèles ne peuvent pas être facilement compris ou expliqués, ce qui empêche leur application responsable et efficace dans les environnements de soins. Parce que les modèles d’IA générative fonctionnent comme des boîtes noires complexes, il est difficile d’identifier et de créditer le processus de prise de décision. Cela pose un problème d’attribution.
Le problème d’attribution soulève également des questions éthiques et légales. Il est essentiel dans le secteur de la santé de pouvoir attribuer la responsabilité des choix effectués. Face à des organisations de santé qui pourraient hésiter à adopter des solutions d’IA générative sans mécanismes d’attribution clairs, plusieurs méthodologies “d’interprétabilité et de compréhensibilité” sont étudiées pour résoudre ce problème.
Problème de contextualisation :
La contextualisation consiste à absorber et à prendre en compte les données contextuelles pertinentes lors de la production de sorties d’une IA générative. Cela implique de comprendre le contexte précis, les restrictions et les besoins liés à l’activité, et d’utiliser ces informations pour fournir des résultats plus précis. En tenant compte du contexte, le modèle de GenAI peut fournir des résultats plus appropriés pour le scénario en question. Une autre méthode de contextualisation peut inclure des données plus globales (ressources financières, contraintes de temps, problèmes éthiques et moraux, règles institutionnelles, etc.). En santé, la contextualisation permet de garantir que les sorties générées (diagnostics, recommandations de traitement, dossiers de patients…) sont exactes et conformes aux meilleures pratiques. Sans une contextualisation suffisante, donc, les résultats pourraient ne pas être cohérents.
Génération d’informations fausses :
Concrètement, on ne sait jamais si les informations produites par un LLM sont vraies, déformées ou fausses. Et, parce que ce sont des algorithmes probabilistes, ils peuvent proposer des réponses différentes à la même demande si elle est formulée plus d’une fois. Un tel comportement pose un problème de reproductibilité et de fiabilité qui nécessite une surveillance humaine continue du fonctionnement du modèle.
Dans ce sens, des chercheurs de la Cleveland Clinic Foundation ont mené une étude (article H&TI à lire ici) pour évaluer la capacité de ChatGPT et de Google Bard à fournir des recommandations en matière de médecine préventive. L’IA a présenté des réponses précises dans seulement 30 à 50 % des cas (Kassab et al., 2024).
Intégration avec les technologies de santé actuelles :
Les modèles génératifs doivent être compatibles avec les systèmes d’information, les DPI et autres infrastructures informatiques de santé. Un traitement en temps réel des demandes et des résultats exige une architecture informatique efficace et des algorithmes optimisés.
Manque d’expertise professionnelle :
Bien que les modèles de GenAI puissent aider à la prise de décision, la responsabilité des soins prodigués aux patients doit être assumée par les professionnels de la santé. Les recommandations de l’IA doivent être prises en compte après une validation appropriée par des cliniciens. Des cadres réglementaires et éthiques bien codifiés sont indispensables pour régir le déploiement des modèles d’IA générative dans le secteur de la santé.
Coût :
L’entraînement et la construction de modèles d’IA générative nécessitent des ressources importantes, une expertise et un investissement en infrastructure informatique. Certaines dépenses récurrentes peuvent s’avérer trop coûteuses (mise à niveau des modèles, maintenance du matériel, cybersécurité, formation continue…).
Éthique :
Des lois strictes et des organismes de réglementation peuvent protéger le processus global de traitement d’un patient. Un facteur majeur dans les considérations éthiques est la transparence. L’utilisateur doit pouvoir savoir en toute autonomie si la sortie fournie par l’IA est vraie. Il existe également un risque que la dépendance excessive aux LLM entraîne la sous-évaluation du jugement clinique et de la compétence humaine. Bien que les LLM puissent soutenir la prise de décision, ils ne devraient pas remplacer les connaissances, l’expérience ou la capacité de réflexion critique de l’être humain.
Les systèmes d’IA générative doivent être considérés comme des machines insuffisantes qui ont le potentiel d’augmenter l’efficacité des processus mais qui nécessitent une surveillance humaine étroite.
Li, J. Pei and L. Lai, “Structure-based de novo drug design using 3D deep generative models”, Chem. Sci., vol. 12, no. 41, pp. 13664-13675, 2021.
Abdine, M. Chatzianastasis, C. Bouyioukos and M. Vazirgiannis, “Prot2Text: Multimodal protein’s function generation with GNNs and transformers”, arXiv:2307.14367, 2023.
Vert JP. How will generative AI disrupt data science in drug discovery? Nat Biotechnol. 2023;41(6):750–1.
Mueller, R. B. Parikh and A. Noble, “Evaluating clinical trial inclusion/exclusion criteria from claims using generative artificial intelligence”, 2023.
Gootjes-Dreesbach, M. Sood, A. Sahay, M. Hofmann-Apitius and H. Fröhlich, “Variational autoencoder modular Bayesian networks for simulation of heterogeneous clinical study data”, Frontiers Big Data, vol. 3, pp. 16, May 2020.
Callaway, “How generative AI is building better antibodies”. Nature. 2023. https://doi.org/10.1038/d41586-023-01516-w.
Dey, S., Luo, H., Fokoue, A. et al. Predicting adverse drug reactions through interpretable deep learning framework. BMC Bioinformatics 19 (Suppl 21), 476 (2018)
Suthar AC, Joshi V, Prajapati R. A review of generative adversarial-based networks of machine learning/artificial intelligence in healthcare. 2022.
Jadon and S. Kumar, “Leveraging generative AI models for synthetic data generation in healthcare: Balancing research and privacy”, arXiv:2305.05247, 2023.
Limeros SC, Majchrowska S, Zoubi MK, Ros’en A, Suvilehto J, Sjöblom L, Kjellberg MJ. GAN-based generative modelling for dermatological applications – comparative study. 2022. ArXiv.
Nair, D. D. Mohan, S. Frank, S. Setlur, V. Govindaraju and M. Ramanathan, “Generative adversarial networks for modelling clinical biomarker profiles with race/ethnicity”, Brit. J. Clin. Pharmacol., vol. 89, no. 5, pp. 1588-1600, May 2023.
Barat, P. Soyer and A. Dohan, “Appropriateness of recommendations provided by ChatGPT to interventional radiologists”, Can. Assoc. Radiologists J., vol. 74, no. 4, pp. 758-763, Nov. 2023.
Meyers, Joshua, Benedek Fabian, and Nathan Brown. 2021. “De Novo Molecular Design and Generative Models.” Drug Discovery Today 26 (11): 2707–15.
Madani, Ali, Ben Krause, Eric R. Greene, Subu Subramanian, Benjamin P. Mohr, James M. Holton, Jose Luis Olmos Jr, Caiming Xiong, Zachary Z. Sun, and Richard Socher. 2023. “Large Language Models Generate Functional Protein Sequences across Diverse Families.” Nature Biotechnology, 1–8.
Bohr, Adam, and Kaveh Memarzadeh. 2020. “The Rise of Artificial Intelligence in Healthcare Applications.” In Artificial Intelligence in Healthcare, 25–60. Elsevier.
AlAmir, Manal, and Manal AlGhamdi. 2022. “The Role of Generative Adversarial Network in Medical Image Analysis: An in-Depth Survey.” ACM Computing Surveys 55 (5): 1–36.
Kazerouni, Amirhossein, Ehsan Khodapanah Aghdam, Moein Heidari, Reza Azad, Mohsen Fayyaz, Ilker Hacihaliloglu, and Dorit Merhof. 2023. “Diffusion Models in Medical Imaging: A Comprehensive Survey.” Medical Image Analysis, 102846.
Yasin Shokrollahi, Sahar Yarmohammadtoosky, Matthew M. Nikahd, Pengfei Dong, Xianqi Li, Linxia Gu. 2023. “A Comprehensive Review of Generative AI in Healthcare”. 2310.00795. arXiv, Cornell University
H. Kung, M. Cheatham, A. Medenilla, C. Sillos, L. De Leon, C. Elepaño, et al., “Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models”, PLOS Digit. Health, vol. 2, no. 2, Feb. 2023.
Teebagy, L. Colwell, E. Wood, A. Yaghy and M. Faustina, “Improved performance of ChatGPT-4 on the OKAP exam: A comparative study with ChatGPT-3.5”, medRxiv, Apr. 2023.
Bhayana, S. Krishna and R. R. Bleakney, “Performance of ChatGPT on a radiology board-style examination: Insights into current strengths and limitations”, Radiology, vol. 307, no. 5, Jun. 2023.
Yang, H. Fu, A. I. Aviles-Rivero, C.-B. Schönlieb and L. Zhu, “DiffMIC: Dual-guidance diffusion network for medical image classification”, Proc. Int. Conf. Med. Image Comput. Comput.-Assist. Intervent., pp. 95-105, 2023.
Bing, W. Zhang, L. Zheng and Y. Zhang, “Medical image super resolution using improved generative adversarial networks”, IEEE Access, vol. 7, pp. 145030-145038, 2019.
Susnjak, “Beyond predictive learning analytics modelling and onto explainable artificial intelligence with prescriptive analytics and ChatGPT”, Int. J. Artif. Intell. Educ., pp. 1-31, Jun. 2023.
Patel SB, Lam K. ChatGPT: the future of discharge summaries? Lancet Digit Health. 2023;5:e107–8.
Christel Gérardin, Perceval Wajsbürt, Basile Dura, Alice Calliger, Alexandre Moucher, Xavier Tannier, Romain Bey, “Detecting automatically the layout of clinical documents to enhance the performances of downstream natural language processing”, arXiv:2305.13817. 23, May 2023
Grouin C, Grabar N, “Year 2022 in Medical Natural Language Processing: Availability of Language Models as a Step in the Democratization of NLP in the Biomedical Area”. Yearb Med Inform. 2023 Aug;32(1):244-252.
Buche, F. Lasson and S. Kerdelo, “Conditional autoencoder pre-training and optimization algorithms for personalized care of hemophiliac patients”, Frontiers Artif. Intell., vol. 6, Jan. 2023.
Yang, “Multi-modal depression detection and estimation”, Proc. 8th Int. Conf. Affect. Comput. Intell. Interact. Workshops Demos (ACIIW), pp. 26-30, Sep. 2019.
Dave, S. A. Athaluri and S. Singh, “ChatGPT in medicine: An overview of its applications advantages limitations future prospects and ethical considerations”, Frontiers Artif. Intell., vol. 6, May 2023.
Huang, L. Neill, M. Wittbrodt, D. Melnick, M. Klug, M. Thompson, et al., “Generative artificial intelligence for chest radiograph interpretation in the emergency department”, JAMA Netw. Open, vol. 6, no. 10, Oct. 2023.
M. Levine, R. Tuwani, B. Kompa, A. Varma, S. G. Finlayson, A. Mehrotra, et al., “The diagnostic and triage accuracy of the GPT-3 artificial intelligence model”, medRxiv, Jan. 2023.
Zaballa, A. Pérez, E. G. Inhiesto, T. A. Ayesta and J. A. Lozano, “Learning the progression patterns of treatments using a probabilistic generative model”, J. Biomed. Informat., vol. 137, Jan. 2023.
Liu, E. Fuster-Garcia, I. T. Hovden, D. Sederevicius, K. Skogen, B. J MacIntosh, et al., “Treatment-aware diffusion probabilistic model for longitudinal MRI generation and diffuse glioma growth prediction”, arXiv:2309.05406, 2023.
Harrer, “Attention is not all you need: The complicated case of ethically using large language models in healthcare and medicine”, eBioMedicine, vol. 90, Apr. 2023.
Martinez-Martin, Z. Luo, A. Kaushal, E. Adeli, A. Haque, S. S. Kelly, et al., “Ethical issues in using ambient intelligence in health-care settings”, Lancet Digit. Health, vol. 3, no. 2, pp. 115-123, Feb. 2021.
Après la conférence du Think Tank qui a vu différents intervenants partager leurs retours de Himss24 et discuter de la valeur ajoutée de la GenAI en santé, Health & Tech Intelligence dresse, dans cet indicateur premium, un état des lieux détaillé du déploiement de ces technologies.
Afin de pouvoir évaluer la maturité de ses différents cas d’usage, des analyses sous différents angles et des cartographies complémentaires sont publiées aujourd’hui.
Analyses
Quelles stratégies des géants de la tech pour l’IA générative ?
Les Gafam investissent tous dans des solutions d’IA générative (GenAI), en particulier dans les grands modèles de langage (LLM), avec des logiciels comme ChatGPT, Claude 3, Llama et Gemini. Développés pour plusieurs usages, ces technologies sont utilisées en santé comme dans l’automatisation des tâches manuelles, les dossiers patient informatisés (DPI) et la découverte des médicaments.
Quelles dynamiques d’investissements sur la GenAI ?
Depuis l’avènement de ChatGPT en novembre 2022, l’IA générative connaît un intérêt croissant de la part des géants américains de la tech. En tête, Microsoft investit la plus grande somme avec 10 milliards de dollars dans OpenAI et sa solution ChatGPT en 2023. Cependant, d’autres acteurs comme Google, Amazon, Apple et Meta ont rejoint la course à l’IA générative.
👉 Plus de détails sur ces dynamiques d’investissement dans cet article.
Quels cadres éthique et réglementaire ?
La France prévoit de dépenser 2,22 milliards d’euros pour la diffusion des technologies d’intelligence artificielle (IA) dans les différents secteurs économiques. Et, comme la Chine et les Etats-Unis, la France travaille en Europe sur des mesures visant à instaurer un cadre réglementaire et éthique afin de tirer le meilleure de l’IA générative (GenAI).
👉 Un tour d’horizon international des politiques publiques et réglementations (France, USA, Chine) à lire ici.
Quelles recommandations en France et dans le monde ?
Si aucune loi au monde n’encadre pour le moment clairement l’usage de l’intelligence artificielle générative (GenAI), de par sa complexité et sa nouveauté, de nombreux acteurs ont déjà formulé des recommandations à destination des pouvoirs publics, des établissements de santé ou encore des fournisseurs des solutions technologiques. Etats des lieux.
👉 Un panorama international des recommandations émises sur la GenAI en santé à retrouver ici.
Revue de littérature scientifique
De la découverte des médicaments à l’automatisation des tâches, en passant par l’excellence opérationnelle et la pratique clinique, l’intelligence artificielle générative (GenAI) présente déjà plusieurs cas d’usage en santé. Mais qu’en est-il vraiment ? Qu’en dit la science, à ce jour ? Dispose-t-on d’assez de preuves d’efficacité et de sécurité des modèles de GenAI utilisés en santé ?
👉 GenAI en santé, une révolution en cours mais des biais et des limites encore à surpasser : une revue de la littérature accessible via ce lien.
Entretien
“Des outils mal conçus ou mal perçus entraînent une perte de productivité mais de petites améliorations contribuent à des gains de productivité significatifs lorsqu’elles sont combinées dans le dossier patient”. Automatiser des tâches pour soulager le personnel soignant et améliorer les outils qui leur sont mis à disposition, telle est l’ambition de la plateforme Alakin.
👉 Entretien : réduire la charge administrative grâce à l’automatisation des tâches par la GenAI : un entretien exclusif H&TI avec le Dr Fabrice Pakin , co-fondateur et CEO de Tech2Heal à lire en suivant ce lien.
Cartographies GenAI
Quels cas d’usage de l’IA Gen en santé (segments Pharma, Medtech, financeurs, établissements de santé ) ?
Les principaux cas d’usage de l’IA générative en santé se portent sur les soins, la recherche biomédicale, les assurances et les technologies médicales (DPI, imagerie, automatisation manuel). Avec 9 cas d’usage principaux dans le secteur, la découverte de molécules et l’automatisation des tâches chronophages sont les deux segments qui concentrent le plus d’entreprises dédiées.
👉 Cette cartographie des cas d’usage de la GenAI est accessible en cliquant ici.
Quelles solutions présentes à l’international ?
Plus de 100 entreprises développant des solutions autour de l’IA générative dans le secteur de la santé sont référencées dans la cartographie dressée par Health and Tech Intelligence. Elle se compose de tous types d’acteurs, avec une majorité de PME. En 2023, les levées de fonds liées à l’IA générative dans le secteur de la santé représentaient plus de 340 selon CB Insights.
Quelles solutions présentes sur le marché en France ?
23 solutions d’IA générative sont utilisées ou vont l’être prochainement dans le secteur de la santé français, mais aucune d’elles n’est utilisée en clinique : c’est ce que montre la cartographie dressée par Health and Tech Intelligence. Les cas d’usage sont pour le moment concentrés, comme dans le reste du monde, sur la découverte de médicaments, ainsi que l’analyse et le traitement de la donnée.
La première conférence du ThinkTank Health and Tech pour 2024 s’est déroulée le 5 avril sur le campus de Microsoft. L’objectif principal était d’explorer et de discuter des défis actuels, des enjeux et des opportunités dans le domaine d’IA générative en santé, notamment à partir des solutions et cas d’usages recensés aux Etats Unis, lors de la conférence Himss24 à Orlando.
👉 La synthèse de cette première conférence du Think Thank de l’année 2024 est à lire ici.
+ Quiz et sondage GenAI
👉 A retrouver sur la page d’accueil de la plateforme Health & Tech Intelligence.
Outcome-as-a-service, un nouveau modèle pour le cloud
Leader mondial dans le traitement des données sismiques et l’identification des sous-sols, se spécialise dans la fourniture de données géoscientifiques, de services et de solutions technologiques, CGG souhaite partager en 2024 son expertise de pointe et ses ressources technologiques avec d’autres secteurs économiques en pleine croissance, tels que la biotechnologie et les industries utilisant l’IA.
Lancée par CGG en novembre 2023, l’offre “outcome-as-a-service” (Oaas) pour les solutions de calcul de haute performance (HPC) et IA propose un modèle économique innovant pour le Cloud. La tarification ne sera plus basée sur le temps de calcul (heure CPU), mais sur des unités de production. “Grâce à cette offre, le risque financier lié au temps de calcul ne sera plus assumé par le partenaire”. Une telle approche incite chaque partie à collaborer dans le but d’améliorer le processus de production.
En plus de es supercalculateurs activés par l’IA, CGG ajoute son “expertise en optimisation de code”. Les critères à optimiser qui sont précisés par l’équipe de production concernent notamment :
le temps de résultat ;
l’énergie requise ;
le nombre d’unités produites par unité de temps, etc.
Un soutien personnalisé pour les lauréats
Avec CGG, Cap Digital sélectionnera les entreprises qui bénéficieront en premier de ce soutien. Ces lauréats seront invitées par les membres du jury à une discussion, “afin de personnaliser le soutien qu’ils peuvent recevoir selon leurs besoins, leur feuille de route, leur maturité, etc.”, notamment :
l’évaluation des performances des codes de l’entreprise sur les infrastructures de CGG :
soit un accès aux infrastructures de CGG (AMD, Intel) pour évaluer la meilleure solution matérielle possible ;
soit en expérimentant avec le cluster de GPU Nvidia H100 afin d’utiliser le Oaas de CGG ;
un accès aux supercalculateurs de CGG sous forme de Oaas à des tarifs préférentiels (sous réserve de préparation en termes d’infrastructure) ;
et un hébergement de service.
📢 Cet AMI est ouvert aux scale-ups, grandes entreprises ainsi qu’aux départements R&D basés en Europe qui souhaitent optimiser leurs capacités de production.
👉 Les candidatures sont acceptées en anglais ou en français et doivent être envoyées avant le 6 mai 2024 à 10h00 via ce lien.
Le poids de l’hémodialyse sur la vie quotidienne du patient
Maladie grave qui entraine une détérioration irréversible de la capacité des reins à filtrer le sang, l’insuffisance rénale chronique (IRC) peut avoir un impact négatif sur la qualité de vie des patients, notamment les plus jeunes d’entre eux. En effet, l’hémodialyse fait partie des traitements de substitution censés remplacer une fonction rénale défaillante. Elle consiste à épurer le sang des toxines et de l’eau retenue en excès, à l’aide d’un “rein artificiel”. Le sang est prélevé par ponction et, après avoir traversé un filtre de dialyse, il est réinjecté dans le corps du patient.
Pour remplacer la fonction rénale avec succès, 3 séances hebdomadaires d’une durée de 4 heures sont nécessaires. Elles rythment ainsi la vie des patients concernés et de leur famille. Chez l’enfant et l’adolescent, une telle routine peut entraver son quotidien (vie sociale, régime alimentaire, scolarité, activités sportives…).
Plus d’autonomie pour les jeunes patients
Actuellement en France, l’hémodialyse en centre est la seule modalité disponible chez l’enfant. L’unité d’hémodialyse de l’hôpital Robert-Debré AP-HP est la plus importante d’Île-de-France, avec une file active de 28 patients dialysés. Il s’agit, par ailleurs, du premier centre d’hémodialyse pédiatrique français.
C’est dans ce contexte qu’une collaboration entre l’Association des utilisateurs du rein artificiel (Aura) et une société de fabrication de dialyseur a abouti à une innovation majeure promettant d’améliorer considérablement la qualité de vie des enfants et adolescents souffrant d’IRC. Cette nouvelle méthode d’hémodialyse à domicile, lancée dans le cadre d’un programme pilote, représente une alternative idéale à l’hémodialyse en centre hospitalier, offrant aux jeunes patients une plus grande autonomie et flexibilité dans leur traitement.
Révolutionner la prise en charge de l’IRC chez l’enfant
L’introduction d’un programme d’hémodialyse à domicile marque un tournant dans la prise en charge quotidienne de la maladie rénale. En effet, le nombre de séances à l’hôpital est significativement réduit, ce qui offre une plus grande liberté d’action aux patients. Les retours initiaux de ces derniers sont “encourageants”, soulignant le changement positif induit par cette nouvelle approche dans leur vie quotidienne et leurs projets d’avenir. Les soignants impliqués dans le programme (les deux infirmiers référents) se disent à leur tour satisfaits par le dispositif qui “permet de valoriser les patients, de les autonomiser dans des soins qui nous semblaient inaccessibles pour eux et surtout de leur proposer un nouveau projet de vie.”
2h d’hémodialyse par jour à domicile :
Grâce à un “dialyseur réduit”, les 3 séances hebdomadaires à l’hôpital sont remplacées par 2 heures quotidienne d’hémodialyse au domicile de l’enfant ou de l’adolescent. Selon l’équipe de l’hôpital Robert-Debré, les bénéfices attendus de cette modalité de prise en charge sont nombreux :
amélioration de l’état de santé ;
plus d’autonomie et de souplesse ;
diminution des besoins médicamenteux ;
levée de certaines restrictions alimentaires ;
et, surtout, plus d’autonomie et de souplesse dans les horaires de traitement et économie du temps de transport.
Jusqu’à 5 nouveaux patients à former en 2024 :
Nécessitant une formation avant tout déploiement à domicile, ce programme d’hémodialyse pédiatrique ouvre ses portes à des patients “actuellement dialysés dans d’autres centres d’Île-de-France ou d’autres régions et compte former 4 à 5 nouveaux patients en 2024”.
La formation dure 6 semaines, soit environ 30 séances à l’hôpital, et porte sur les gestes techniques, l’utilisation de la machine et les précautions d’hygiène. La première patiente qui en a bénéficié a été accompagnée tous les jours par un infirmier d’hémodialyse, “dans une salle de formation dédiée construite récemment au sein du service”.
un pas significatif est franchi dans la simplification de l’accès aux services numériques en santé avec le lancement de la cartographie des services numériques régionaux. Cette initiative est un engagement concret de la feuille de route du numérique en santé 2023-2027 et répond à la complexité croissante du paysage numérique en santé, en offrant une lisibilité territoriale accrue.
a cartographie ne constitue pas l’exhaustivité des offres proposées par les ARS et les Grades et aura vocation à être enrichie. Les données affichées ont été recensées par l’ANS sur la base d’informations fournies et validées par les ARS et les Grades. Ces informations n’engagent pas la responsabilité de l’ANS.
La cartographie des services numériques régionaux est le fruit d’une collaboration étroite entre l’Agence du Numérique en Santé (ANS), la Délégation au numérique en santé (DNS), les agences régionales de santé (ARS) et les Groupements Régionaux d’Appui au Développement de la e-Santé (GRADeS). Ce travail collectif a permis de structurer et d’alimenter cette cartographie, dont la publication aujourd’hui vise à clarifier et rendre plus accessible près de 250 services numériques disponibles à l’échelle régionale.
Elle répond à cet enjeu en listant les services portés dans chaque région par les ARS et les GRADeS, en précisant les fonctionnalités offertes, les perspectives d’évolution et la conformité à la Doctrine du numérique en santé.
La cartographie des services numériques régionaux permettra aux établissements de santé, aux professionnels de santé et aux patients de bénéficier d’une meilleure visibilité sur les outils et les services portés en région par les ARS et les GRADeS.
Ce vendredi 12 avril à 13h, un webinaire est proposé pour découvrir la cartographie et partager vos retours. Inscription en ligne.
Simplifier l’accès aux services numériques en santé
Issu de la feuille de route du numérique en santé 2023-2027, le lancement de cette cartographie marque “un pas significatif” vers la simplification de l’accès aux services numériques en santé. Cette initiative, qui répond à la complexité croissante du paysage numérique en santé, est le fruit d’une collaboration entre plusieurs acteurs clés :
l’Agence du numérique en santé (ANS) ;
la Délégation au numérique en santé (DNS) ;
les agences régionales de santé (ARS) ;
et les Groupements régionaux d’appui au développement de la e-santé (Grades)
Avec près de 250 services numériques répertoriés, la cartographie facilite la compréhension et l’utilisation de ces outils pour les professionnels et les établissements de santé ainsi que pour les patients. Pour y arriver, elle détaille pour chaque service numérique régional :
ses fonctionnalités ;
ses perspectives d’évolution ;
et sa conformité à la doctrine du numérique en santé.
Moteur de recherche de la cartographie des services numériques régionaux – @ ANS
Pour une utilisation ciblée et plus plus efficiente
Bien que non exhaustive, la cartographie des services numériques régionaux est élaborée à partir de données validées par les ARS et les Grades. Elle sera continuellement enrichie et mise à jour pour refléter au mieux le paysage numérique en santé.
Cette démarche est censée favoriser une utilisation plus efficiente et mieux ciblée des services numériques, contribuant ainsi à améliorer la qualité des soins et l’expérience des utilisateurs. Ces derniers sont, par ailleurs, invités à se référer directement aux ARS et aux Grades concernés, pour toute information complémentaire ou pour bénéficier des offres présentées. L’ANS rappelle que les ARS et les Grades proposent également des offres d’accompagnement et d’appui au quotidien pour les professionnels et établissements de santé, disponibles sur leurs sites régionaux.
📆 Un webinaire est proposé par l’ANS pour présenter la cartographie, ce vendredi 12 avril à 13h00. Pour y participer, s’inscrire sur ce lien.
