MAACHETarek

  • IA : vers une voie collective des usages au service de la santé mondiale ? (Rapport USAID)

    Une technologie porteuse de solutions globales

    En pleine expansion, L’IA offre un potentiel inédit pour transformer les systèmes de santé, notamment dans les PRFI. Elle pourrait résoudre des problèmes structurels en optimisant les ressources, renforçant les systèmes de soins et élargissant l’accès à des services de qualité : e l’assistance virtuelle aux professionnels de santé à la prévention des épidémies, ses applications ouvrent des perspectives fascinantes.

    Cependant, ces innovations doivent être adaptées aux réalités locales pour éviter le déploiement de solutions inefficaces ou inadaptées. C’est dans ce contexte que l’agence américaine de développement international, USAID, publie le rapport  “Artificial Intelligence in Global Health. Defining a Collective Path Forward“, avec l’ambition de définir une voie commune pour la généralisation de l’impact de l’IA en santé, partout dans le monde.

    Des cas d’usage prometteurs identifiés :

    Quatre grands domaines d’application de l’IA ont été identifiés comme ayant un fort potentiel d’impact et de scalabilité :

    1. santé publique assistée par IA : surveillance des maladies et gestion des populations à risque ;
    2. assistants virtuels pour les professionnels de santé : soutien au diagnostic et à l’éducation sanitaire en zones rurales ;
    3. assistants virtuels pour les patients : suivi personnalisé et orientation dans les parcours de soins.
    4. outils d’aide à la décision clinique : soutien des médecins via des analyses sophistiquées de données médicales.

    Ces innovations, si bien déployées, pourraient révolutionner l’accès aux soins tout en réduisant les coûts.

    Cadre des cas d'usage de l'IA en santé - @ USAID
    Cadre des cas d’usage de l’IA en santé – @ USAID

    Freins à la montée en puissance de l’IA dans les PRFI :

    USAID prévoit que “deux défis actuels seront résolus à mesure que la technologie évoluera et que les taux de pénétration technologique dans les PRFI continueront d’augmenter”. Pour elle, “les lacunes dans les éléments de base de l’IA et les lacunes dans l’infrastructure nécessaire pour l’IA (comme la pénétration des smartphones et l’accès à la 4G) devraient être comblées dans les années à venir grâce aux avancées technologiques et aux efforts d’autres projets mondiaux de santé et de développement”.

    Quant aux défis identifiés comme “clés” dans le rapport, bon nombre d’entre eux ne sont pas spécifiques à l’IA, mais constituent des obstacles à l’extension des technologies de santé numérique en général. Ainsi, USAID souligne plusieurs obstacles majeurs qui limitent l’adoption de l’IA, notamment :

    • la qualité et la disponibilité des données : des infrastructures numériques insuffisantes entravent l’analyse ;
    • la viabilité économique : des modèles commerciaux adaptés aux PRFI manquent ;
    • les défis éthiques et réglementaires : gestion des données, confidentialité, et intégration dans les cadres juridiques ;
    • et le manque de confiance et de normes : scepticisme face à des technologies nouvelles, combiné à l’absence de critères d’évaluation clairs.
    Défis auxquels l'IA fait face dans la santé mondiale - @ USAID
    Défis auxquels l’IA fait face dans la santé mondiale – @ USAID

    Le rapport conclut que ces défis exigent une intervention concertée pour créer un écosystème favorable à un déploiement efficace de cette technologie dans la santé à l’échelle mondiale.

    7 priorités pour accélérer l’intégration de l’IA en santé mondiale

    Bien qu’elle ne soit pas une panacée, l’IA offre des solutions concrètes aux défis de santé mondiale. En veillant à son adoption éthique et durable, les acteurs de la santé peuvent transformer durablement les systèmes de soins dans les régions les plus vulnérables du monde. Avec ce rapport comme feuille de route, l’agence américaine propose une collaboration étroite entre gouvernements, bailleurs de fonds et innovateurs. Une démarche essentielle, selon elle, pour maximiser l’impact de l’IA.

    Afin d’accélérer l’intégration de l’IA en santé mondiale, le rapport identifie sept priorités :

    • soutenir une innovation responsable et durable ;
    • appuyer le passage à l’échelle des solutions ;
    • produire des preuves concrètes de retour sur investissement ;
    • renforcer la collecte et l’interopérabilité des données ;
    • construire des écosystèmes numériques collaboratifs ;
    • soutenir les gouvernements locaux dans leur appropriation de ces technologies ;
    • mais aussi coordonner les parties prenantes pour maximiser l’impact.

     

  • Médecine personnalisée : la prévention, levier d’avenir de lutte contre le cancer (exemple du programme Interception)

    Anticiper pour mieux soigner

    Le cancer reste la première cause de mortalité en France et dans de nombreux pays occidentaux. Face à ce fléau, la prévention et le dépistage jouent un rôle fondamental. Le programme “Interception”, lancé par Gustave Roussy et piloté par le Dr Suzette Delaloge, oncologue médical, s’inscrit dans cette dynamique en proposant des solutions de prévention personnalisées, permettant d’identifier les personnes à risque augmenté de cancer et d’anticiper la maladie avant son apparition. Environ 30 à 40% des cancers sont diagnostiqués chez des personnes qui auraient pu être identifiées comme étant à risque élevé bien avant leur développement. L’IA devient alors un levier incontournable pour affiner cette prévision et rendre la médecine plus préventive.

    La promesse de la personnalisation du dépistage :

    Le programme Interception repose sur l’identification précoce des risques de cancer. Contrairement aux méthodes classiques de dépistage de masse, souvent généralisées, cette approche se concentre sur l’individu et son profil spécifique. Des facteurs de risques variés, comme les antécédents familiaux, les prédispositions génétiques ou les expositions environnementales (tabac, pollution…), sont pris en compte pour proposer des stratégies de prévention sur mesure.

    Les 4 phases du parcours patient du programme Interception - @ Gustave Roussy
    Les 4 phases du parcours patient du programme Interception – @ Gustave Roussy

    Grâce à l’IA, des scores de risque sont générés, permettant de quantifier et de personnaliser le suivi des patients. Cela offre une meilleure efficacité dans le dépistage et réduit les risques de faux positifs ou de sur-diagnostics, fréquents dans les méthodes traditionnelles.

    Situation de risque augmenté de cancer - @ Gustave Roussy
    Situation de risque augmenté de cancer – @ Gustave Roussy

    Des parcours de soins sur-mesure

    Une fois le risque identifié, le programme Interception met en place un suivi personnalisé, en collaboration avec les médecins traitants. Ce suivi inclut des consultations de prévention, des ateliers de sensibilisation et des examens spécifiques, selon les risques identifiés. Par exemple, les femmes à risque élevé de cancer du sein peuvent bénéficier de mammographies fréquentes et d’IRM annuelles.

    Ce suivi ne se limite pas aux soins médicaux : il inclut également des conseils en nutrition et activité physique, qui peuvent réduire l’incidence de certains cancers. Le recours à l’IA dans cette gestion permet de suivre l’évolution des risques et d’adapter en temps réel les parcours de soins.

    Deux exemples de dépistage et de prévention personnalisés - @ Gustave Roussy
    Deux exemples de dépistage et de prévention personnalisés – @ Gustave Roussy

    La “journée Interception”, temps fort du parcours de lutte contre le cancer :

    La Journée Interception permet d’évaluer les risques de cancer et de planifier un suivi personnalisé. Elle combine des consultations individuelles et des ateliers en groupe pour informer les participants sur :

    • leur risque spécifique ;
    • les bénéfices et limites du dépistage et des mesures préventives ;
    • ainsi que les symptômes à surveiller et les options de traitement.

    Un plan de suivi est ensuite élaboré avec le médecin traitant, incluant examens complémentaires (imagerie, coloscopie, suivi gynécologique…) et conseils hygiéno-diététiques (nutrition, activité physique).

    L’exemple du parcours “Interception poumon” :

    Le parcours “Interception poumon” de Gustave Roussy s’adresse aux personnes à risque accru de cancer du poumon, âgées de 50 à 74 ans, ayant fumé un paquet par jour pendant au moins 20 ans, et qui fument encore ou ont arrêté depuis moins de 10 ans.

    Ce programme inclut une demi-journée axée sur la prévention et le dépistage, comprenant :

    • un scanner thoracique à faible dose ;
    • une consultation de sevrage tabagique ;
    • et des ateliers sur la cigarette, le cancer, l’alimentation et l’activité physique.

    Les participants repartent avec les résultats de leur scanner et un plan de prévention personnalisé. En cas d’anomalie détectée, ils peuvent intégrer le parcours InstaDiag Poumon, une prise en charge rapide et coordonnée en partenariat avec le Centre international des cancers thoraciques (CICT). Cela permet de réduire l’attente, le stress et les déplacements, tout en assurant un diagnostic rapide.

    Vers de nouveaux biomarqueurs et outils de dépistage

    Le programme Interception ne se contente pas de mettre en place des mesures de prévention et de dépistage. Il s’engage également dans une recherche active pour améliorer les méthodes de détection. Des études cliniques, telles que l’étude MyPeBS pour le dépistage personnalisé du cancer du sein, ou l’étude LEAH qui explore l’usage de l’ADN circulant pour le dépistage, sont au programme. L’IA joue un rôle clé dans ces recherches, notamment pour l’identification de nouveaux biomarqueurs et la mise au point de nouveaux tests de dépistage. Ces avancées pourraient, à terme, révolutionner la manière dont nous anticipons les cancers, en permettant une détection encore plus précoce et plus précise.

    La contribution du programme Interception dans la recherche pourrait permettre une détection plus précoce des cancers - @ Gustave Roussy
    La contribution du programme Interception dans la recherche pourrait permettre une détection plus précoce des cancers – @ Gustave Roussy

    Le programme Interception représente un tournant dans la lutte contre le cancer. Il permet, grâce à l’IA, d’identifier les personnes à risque et de leur offrir un parcours de soins et de prévention personnalisé. Ce modèle prévisionnel et prédictif ouvre de nouvelles perspectives dans la gestion du cancer, où l’anticipation devient la clé de la prévention. Les innovations continues dans ce domaine permettent d’espérer une réduction significative de l’incidence des cancers dans les années à venir.

     

  • IA : l’intégration des modèles de langage en oncologie entre promesses et vigilance (The Lancet)

    Un potentiel prometteur freiné par des défis complexes

    L’introduction de l’intelligence artificielle (IA) dans l’oncologie suscite des attentes considérables, en particulier grâce à l’avancée des technologies de traitement du langage naturel (NLP). Les grands modèles de langage (LLM), capables de traiter et d’analyser de vastes ensembles de données narratives issues des dossiers médicaux, promettent de transformer la manière dont les décisions cliniques sont prises. De la recommandation de traitements adjuvants à l’identification de patients éligibles pour des essais cliniques, ces outils pourraient jouer un rôle clé dans l’amélioration de la prise en charge des patients. Cependant, malgré ces avancées, l’intégration de ces technologies dans les pratiques cliniques quotidiennes reste un défi majeur. Les préoccupations liées à leur efficacité, leur biais potentiel, ainsi qu’aux enjeux éthiques et techniques freinent leur déploiement à grande échelle.

    Cette étude, publiée dans la rubrique “Personal view” du numéro de novembre du journal The Lancet Regional Health – Europe, explore les résultats et les recommandations pour assurer une adoption sûre et bénéfique des modèles de langage en oncologie. En soulignant la nécessité d’évaluations prospectives et de validations rigoureuses, elle propose des solutions pour garantir que ces innovations contribuent véritablement à améliorer les soins aux patients, tout en minimisant les risques associés.

    Les risques cachés des modèles de langage en santé

    Les LLM apportent des avancées significatives, mais leur déploiement en santé comporte des risques importants. Ils consomment énormément d’énergie et de ressources, accentuant leur empreinte écologique. Les biais discriminatoires, notamment liés au genre, à l’origine ou aux stéréotypes, persistent dans leurs résultats, influençant négativement les recommandations médicales ou éducatives. De plus, ces modèles peuvent perpétuer ces biais dans les outils dérivés, notamment dans les startups en santé. Les mécanismes non transparents et non reproductibles des LLM compliquent l’évaluation rigoureuse de leurs performances. Enfin, leur usage intensif peut modifier la relation médecin-patient en déplaçant les décisions vers des recommandations biaisées ou mal interprétées, impactant la confiance et l’équité des soins :

    • impact environnemental (consommation élevée d’énergie et d’eau, contribution à l’épuisement des matériaux et à la pollution des sols, modèles génératifs plus énergivores que les systèmes spécifiques) ;
    • travail aliénant (dépendance au travail de “click workers” dans des conditions souvent précaires et invisibles) ;
    • prolifération disproportionnée (multiplication des LLMs avec plus de 200 nouveaux modèles en 2023, formation redondante et influence des contextes politiques sur les données utilisées) ;
    • discrimination de genre (association stéréotypée des femmes à des rôles familiaux et des hommes à des sphères professionnelles, conséquences sur des suggestions automatisées comme les choix éducatifs) ;
    • origine démographique et stigmatisations (propagation de biais liés à l’origine, à la religion ou aux handicaps, diffusion de préjugés médicaux basés sur la race ou inégalités dans les recommandations de soins) ;
    • distractions des modèles (utilisation d’informations inattendues ou inadéquates pour des prédictions, comme des annotations textuelles dans des images médicales) ;
    • transmission de biais aux modèles dérivés (formation de nouveaux modèles à partir de données synthétiques, amplifiant les biais des modèles d’origine) ;
    • influence sur les humains (intériorisation des biais par les utilisateurs, même après le retrait de l’IA) ;
    • problèmes de reproductibilité (variabilité des résultats selon les exécutions dues à des outils non déterministes et au parallélisme des opérations) ;
    • évaluation impossible (limitations des données de santé pour des évaluations généralisées, benchmarks saturés ou surutilisés réduisant leur pertinence) ;
    • perturbation de la relation médecin-patient (impact négatif des recommandations biaisées sur les décisions partagées, interaction de facteurs humains et sociaux renforçant ces biais).

    Rrecommandations pour maximiser l’impact positif des modèles de langage en santé

    Pour garantir un usage efficace et éthique des modèles de langage en santé, des mesures précises sont nécessaires à chaque étape, de la collecte des données à leur déploiement. Ces recommandations visent à limiter les biais, préserver la confidentialité des données, réduire l’empreinte écologique et renforcer la relation médecin-patient. Voici les points clés :

    • collecte et nettoyage des données : assurer une qualité irréprochable des données et identifier et réduire les biais dans les données publiques ou synthétiques ;
    • formation des modèles : prioriser l’utilisation de modèles pré-entraînés ou ajustés (fine-tuning) pour minimiser les ressources nécessaires, mais aussi évaluer l’impact écologique et la pertinence d’entraîner un nouveau modèle ;
    • sélection des résultats attendus : définir des objectifs utiles pour la clinique en consultant des experts en statistiques, et considérer les impacts des prédictions sur les utilisateurs ;
    • validation externe : tester les modèles sur des données externes pour évaluer leur généralisation et garantir leur performance réelle ;
    • partage des données : favoriser la transparence tout en respectant strictement la confidentialité des données des patients ;
    • apprentissage fédéré : permettre l’entraînement décentralisé des modèles pour protéger les données sensibles, malgré des défis techniques ;
    • évaluation de la performance et de la généralisation : mesurer les performances sur des données inédites, en tenant compte des biais culturels ou régionaux ;
    • déploiement des outils : intégrer les modèles aux systèmes existants avec une formation des utilisateurs pour préserver la relation médecin-patient ;
    • gestion des dérives de calibration : surveiller et ajuster régulièrement les prédictions après le déploiement pour maintenir leur précision ;
    • suivi des variations des données : détecter les changements dans les données qui pourraient nuire aux performances du modèle ;
    • exigences réglementaires : consulter des experts pour respecter les normes en vigueur, notamment en matière de reproductibilité ;
    • impact écologique : évaluer et minimiser l’empreinte écologique grâce à des pratiques comme l’IA frugale ou des analyses de cycle de vie ;
    • relation médecin-patient : renforcer une communication centrée sur le patient pour éviter une dépendance excessive aux recommandations des IA.

    Le défi de l’évaluation des modèles de langage

    L’évaluation des modèles de langage dans le domaine de l’oncologie reste entravée par des difficultés liées à la reproductibilité, l’accès aux données et les limitations des benchmarks existants. Ces obstacles freinent leur adoption pour des usages cliniques.

    • problème de reproductibilité : les modèles doivent être testés sur des bases de données externes pour détecter des biais (culturels, linguistiques, etc.) et garantir leur fiabilité dans des contextes variés ;
    • accès limité aux données cliniques : les données narratives en oncologie sont difficiles d’accès, et les bases publiques anonymisées ne couvrent souvent pas les besoins spécifiques du domaine ;
    • saturation des benchmarks publics : les ensembles de données standard atteignent leurs limites (surentraînement des modèles), soulignant la nécessité d’évaluations spécifiques et prospectives ;
    • besoin d’essais cliniques dédiés : seuls des essais en conditions réelles peuvent valider les performances des modèles pour des tâches oncologiques précises, comme le diagnostic ou les recommandations thérapeutiques.

    Imaginer les futurs essais pour l’IA en oncologie

    Les essais prospectifs jouent un rôle clé pour valider l’impact des modèles IA dans des conditions réelles. Ces études, en comparant les performances des IA à celles des médecins ou en mesurant leurs effets sur les résultats cliniques, sont essentielles pour établir la fiabilité des outils en oncologie.

    • Études non interventionnelles récentes : comparaisons préliminaires entre IA et médecins pour le diagnostic et les recommandations (exemple : cancers gastro-intestinaux), avec des résultats optimistes mais des erreurs critiques dans certains cas ;
    • Importance des essais interventionnels : ces essais, standard en médecine, évaluent l’impact clinique réel, par exemple en mesurant la survie ou les effets secondaires (exemple : validation de l’IA dans le dépistage du cancer du sein.
    • Focus actuel sur l’imagerie : la majorité des études IA se concentrent sur l’imagerie médicale (50% des essais actifs), les méthodes NLP sont encore sous-représentées (3 études en cours) ;
    • Obstacles spécifiques au NLP : les designs classiques (randomisation) ne conviennent pas toujours, nécessitant des approches innovantes pour évaluer les outils NLP.

    Le développement de l’IA en oncologie nécessite des essais cliniques innovants adaptés à des applications comme les recommandations thérapeutiques ou le suivi des patients. Ces essais doivent surmonter des défis méthodologiques importants pour garantir un impact clinique mesurable et pertinent.

    Les cas d’usage de l’IA en oncologie incluent des applications telles que la recommandation de traitements adjuvants pour les cancers hormonodépendants, l’estimation du pronostic et le suivi des risques médicaux, ainsi que le matching des patients aux essais cliniques à l’aide du NLP. Toutefois, plusieurs défis méthodologiques doivent être surmontés, notamment la nécessité d’un recrutement ciblé et de mesures adaptées à l’application évaluée. Il est également essentiel d’effectuer une comparaison rigoureuse entre les groupes interventionnels et témoins, avec des analyses statistiques préalablement planifiées. La conception de ces essais nécessite la mobilisation d’équipes multidisciplinaires pour garantir leur robustesse et leur pertinence. Enfin, les essais basés sur des biomarqueurs peuvent inspirer la conception d’évaluations pour les nouveaux outils NLP en oncologie.

    L’avenir prometteur mais exigeant du NLP en oncologie

    Selon cet article du Lancet, malgré un potentiel considérable, les modèles NLP nécessitent une validation clinique approfondie avant de pouvoir être déployés à grande échelle en oncologie. Leur adoption dépendra de leur capacité à prouver leur fiabilité, leur sécurité et leur bénéfice pour les patients.

    Les auteurs estiment que les modèles de langage peuvent surpasser les médecins pour estimer le pronostic, prédire les risques médicaux et identifier les essais cliniques adaptés à un patient. Mais le manque de validation freine leur utilisation, alors que des essais prospectifs en conditions réelles sont essentiels pour évaluer leur impact et éviter les biais. Ils soulignent, par ailleurs, qu’informer les médecins sur les atouts et limites de l’IA est indispensable pour une adoption éclairée, sécurisée et bénéfique en oncologie.

     

     

    * Artificial intelligence in oncology: ensuring safe and effective integration of language models in clinical practice

    Verlingue, Loïc et al.

    The Lancet Regional Health – Europe, Volume 46, 101064

     

  • Entretien : « Comprendre et soulager la douleur chronique doit être au cœur de l’action » (F. Alliot-Launois, Aflar)

    Les multiples défis des patients douloureux

    Quels sont les principaux obstacles rencontrés par les patients souffrant de rhumatismes ?

    La douleur chronique est un défi quotidien majeur qui dépasse le cadre médical. Elle touche l’autonomie, mais aussi l’intégration sociale et professionnelle des patients. Nombre d’entre eux se sentent seuls dans un parcours de soins souvent complexe et mal coordonné. Ils doivent jongler entre médecins, pharmaciens, spécialistes de la douleur, kinésithérapeutes et infirmiers, assumant eux-mêmes le rôle de coordinateurs.

    Certaines populations, comme les personnes âgées, les adolescents ou les femmes, sont particulièrement négligées. La douleur des femmes, par exemple, est moins bien diagnostiquée et moins bien prise en compte. Par ailleurs, les travaux actuels sur les liens entre douleur, inflammation, alimentation, microbiote, etc., restent à approfondir, car il s’agit de pistes qui pourraient offrir des pistes de traitement.

    La douleur peut aussi détruire les liens sociaux et familiaux : divorce, chômage, isolement, voire parfois suicide, malheureusement. C’est pourquoi une des missions de l’Aflar est de soutenir les patients via des groupes de parole, des conseils et une écoute active. Nous tenons compte aussi des proches, car la sphère familiale est souvent très impactée.

    L’innovation entre limites et promesses

    Quelles sont les innovations récentes pour la gestion de la douleur que vous avez pu remarquer ?

    Les avancées thérapeutiques récentes concernent moins les médicaments que les approches alternatives. En pharmacologie, les antalgiques classiques comme le paracétamol ou les anti-inflammatoires non stéroïdiens (AINS) restent incontournables, avec des indications larges dans les douleurs rhumatismales. Les opioïdes, régulés par des prescriptions strictes, doivent être utilisés avec précaution du fait de leurs effets secondaires et du risque de dépendance.

    Le cannabis thérapeutique offre une opportunité intéressante, mais il reste très encadré en France, rendant son accès difficile. Beaucoup de patients, frustrés, se tournent vers des solutions non remboursées comme l’homéopathie, les phytothérapies ou encore des cures alimentaires. Pourtant, certaines de ces pratiques, mal expliquées ou mal encadrées, comportent des risques.

    En revanche, des études sérieuses montrent que des régimes anti-inflammatoires peuvent être bénéfiques pour les patients souffrant de maladies rhumatismales. De même, les approches non médicamenteuses – méditation, sophrologie, activité physique adaptée, voire de simples activités du quotidien comme le tricot ou le jardinage – jouent un rôle important dans le soulagement des douleurs. Très peu de patients bénéficient d’une éducation thérapeutique du patient (ETP), et les centres de la douleur, avec leurs longues listes d’attente, ne peuvent répondre à la demande massive : on parle en effet de 20 millions de personnes concernées en France.

    Comment les nouvelles technologies, comme l’intelligence artificielle, peuvent-elles transformer la prise en charge de la douleur ?

    Les solutions numériques offrent des perspectives fascinantes. L’IA, par exemple, peut décrypter le langage des patients, leurs comportements et leurs émotions pour mieux évaluer leur douleur. Elle permet de personnaliser les traitements et de suivre l’évolution de la douleur dans le temps. Cela pourrait révolutionner la prise en charge, notamment pour des populations souvent négligées, comme les femmes, les adolescents ou les personnes âgées.

    Cependant, il est crucial que l’IA reste un outil complémentaire à l’humain. La parole et l’écoute d’un professionnel de santé sont indispensables pour créer un lien de confiance et apporter un soutien empathique. À l’Aflar, nous sommes déjà engagés avec des start-ups qui développent des solutions innovantes pour améliorer la qualité de vie des patients. Nous travaillons aussi à renforcer les solutions non numériques, proposées gratuitement dans nos pôles régionaux. Mais il reste beaucoup à faire pour intégrer ces technologies dans les parcours de soins. Nous devons donner aux soignants les moyens de détecter et de traiter efficacement la douleur, en particulier dans les Ehpad et les lieux de vie où les besoins sont immenses.

    La douleur ne doit donc pas être vécue comme une fatalité…

    La douleur chronique n’est jamais normale. L’objectif de l’Aflar est d’agir sur tous les fronts : sensibilisation, écoute, recherche clinique et mise en œuvre de solutions thérapeutiques adaptées. Avec les nouvelles technologies et une meilleure coordination des soins, nous espérons redonner de l’espoir et de la qualité de vie à des millions de patients en France.

     

  • Qu’est-ce que le projet TEF-Health, une infrastructure européenne pour valider l’IA en santé ?

    Une infrastructure unique pour tester l’IA médicale

    TEF-Health répond à un besoin fondamental : offrir aux développeurs de solutions innovantes un environnement adapté pour tester et valider les technologies médicales basées sur l’IA. Ce projet met à disposition des centres physiques et virtuels permettant d’évaluer des dispositifs tels que des logiciels de diagnostic et des robots chirurgicaux dans des conditions proches de la réalité clinique.

    Ces infrastructures, réparties à travers l’Europe, garantissent une validation complète et conforme aux normes européennes. Elles permettent aussi d’accélérer la certification des dispositifs, un enjeu majeur pour la mise sur le marché. Parmi les partenaires du projet, figurent des hôpitaux, des universités, ainsi que des organismes de certification comme le Laboratoire national de métrologie et d’essais santé (LNE) en France ou TÜV en Allemagne.

    Services de TEF-Health : tests physiques et virtuels, accompagnement réglementaire et certification - @ EIT Health
    Services de TEF-Health : tests physiques et virtuels, accompagnement réglementaire et certification – @ EIT Health

    Un consortium paneuropéen au service de l’innovation

    TEF-Health rassemble 51 partenaires issus de 9 pays européens : Allemagne, France, Suède, Portugal, Slovaquie, Belgique, Finlande, Italie et République tchèque. Cette collaboration transnationale inclut des instituts de recherche, des hôpitaux, des agences de certification et des entreprises technologiques. Le consortium est coordonné par Charité-BIH, un prestigieux institut de santé basé à Berlin.

    Cette diversité géographique et institutionnelle garantit une expertise multidimensionnelle et favorise la synergie entre les acteurs du secteur. Elle permet également de développer des standards européens harmonisés pour les innovations en santé.

    Localisation des partenaires TEF-Health dans 9 pays européens - @ EIT Health
    Localisation des partenaires TEF-Health dans 9 pays européens – @ EIT Health

    Soutenir les start-ups et PME dans le domaine de l’IA

    Une partie significative du financement du projet, soit 30 millions d’euros, est allouée à la réduction des frais pour les petites structures, comme les start-ups et PME. Ces entreprises peuvent accéder à des infrastructures de pointe pour tester leurs innovations, tout en bénéficiant de conseils spécialisés dans des domaines tels que la conformité réglementaire et la cybersécurité.

    Des appels à projets annuels permettent de sélectionner les entreprises participantes, qui reçoivent un accompagnement personnalisé pour valider leurs solutions et accélérer leur entrée sur le marché. Ces initiatives visent à soutenir les jeunes pousses innovantes et à stimuler l’économie numérique européenne.

    Services d'accompagnement offerts aux start-ups et PME par TEF-Health - @ EIT Health
    Services d’accompagnement offerts aux start-ups et PME par TEF-Health – @ EIT Health

    Une ambition pour harmoniser normes et technologies

    En plus de ses infrastructures, TEF-Health se distingue par son rôle dans la définition de standards éthiques, techniques et réglementaires. Le projet développe des protocoles de certification spécifiques pour garantir la qualité, la sécurité et l’acceptabilité des technologies IA dans la santé. Ces efforts renforcent la confiance des professionnels et du public envers les innovations médicales.

    Essentielle pour éviter les disparités entre pays membres, l’harmonisation des standards au niveau européen devrait, à long terme, permettre une adoption plus rapide des nouvelles technologies et réduire les inégalités d’accès aux soins.

    Résultats attendus : 500 solutions testées et un impact mesurable

    TEF-Health se fixe des objectifs ambitieux pour mesurer son succès et son efficacité. D’ici 2028, le projet prévoit de tester 500 solutions innovantes dans des conditions réelles, avec un taux d’adoption initial de 2 % par les prestataires de soins. Parmi les autres indicateurs déterminés :

    • 80 % des utilisateurs des infrastructures de test seront des PME ;
    • 70 % des projets impliqueront des partenaires transnationaux ;
    • et 50 % des solutions testées devraient entrer dans un processus de certification, contribuant à accélérer leur mise sur le marché.

    Une vision stratégique pour l’Europe de la santé

    TEF-Health s’inscrit dans le cadre du programme Digital Europe, qui vise à moderniser les systèmes de santé en renforçant leur efficacité et leur résilience. Grâce à des partenariats durables entre universités, entreprises et centres de recherche, le projet aspire à transformer les avancées scientifiques en bénéfices concrets pour les professionnels de santé et les patients. Il représente, de ce fait, un pièce importante du puzzle de l’innovation médicale en Europe. Avec une infrastructure inédite, un consortium paneuropéen et des ambitions stratégiques claires, TEF-Health illustre la volonté de l’Union européenne de s’imposer comme un acteur clé dans le domaine de l’IA en santé.

     

  • Réforme du financement de la prévention primaire : un virage décisif pour les établissements de santé (rapport Igas)

    Ancrer la prévention primaire dans les établissements de santé

    La prévention primaire vise à réduire la mortalité et la morbidité évitables en agissant en amont des maladies. Elle permet de diminuer les affections de longue durée (ALD), qui représentent 66 % des dépenses de l’Assurance maladie. Selon l’Organisation mondiale de la santé (OMS), cette approche améliore la santé globale et permet de maîtriser les dépenses à court et long terme. Pourtant, en France, les établissements de santé n’ont historiquement consacré que 0,4 % de leurs dépenses à la prévention, un chiffre dérisoire comparé à d’autres pays.

    La réforme du financement des établissements de santé, introduite par la loi de financement de la sécurité sociale (LFSS) pour 2024, marque une étape clé dans la réorientation des soins vers la prévention primaire. Ce rapport de l’Igas, publié le 8 octobre 2024, dresse un état des lieux et propose des mesures concrètes pour ancrer cette démarche au sein des établissements hospitaliers, principalement en médecine, chirurgie, obstétrique (MCO) et en hospitalisation à domicile (HAD). En plus des recommandations qu’il émet, il fait un focus sur les enjeux et le rôle central de l’innovation numérique et de l’intelligence artificielle (IA) dans la prévention.

    Présentation du nouveau modèle de financement - @ Igas
    Présentation du nouveau modèle de financement dans le PLFSS pour 2024- @ Igas

    Des actions de prévention ciblées sur 4 déterminants majeurs :

    En parallèle de la création de ce financement pérenne, l’Igas recommande de concentrer les actions de prévention sur quatre déterminants majeurs de santé : tabac, alcool, alimentation et activité physique. L’objectif étant d’agir sur ces facteurs de risque afin de prévenir les maladies chroniques coûteuses comme les maladies cardiovasculaires, le diabète, et certains cancers.

    Selon le rapport, les interventions devront également être adaptées aux publics fragiles, dans une approche d’universalisme proportionné, afin de compenser leur accès souvent limité aux soins préventifs.

    Former les soignants pour une approche préventive intégrée :

    L’Igas souligne par ailleurs l’importance de former les professionnels de santé pour les intégrer pleinement dans cette démarche. Ils seront formés à identifier les opportunités de discussion sur la santé avec les patients, même lors de contacts courts, et à délivrer des conseils adaptés pour encourager des changements de comportement.

    Un dispositif de formation des soignants est recommandé pour les accompagner suivant la méthode anglaise du “Making every contact count” (MECC), qui vise à tirer parti de chaque interaction avec les patients pour délivrer des messages de prévention.

    Présentation du modèle 'Making every contact count' - @ NHS
    Présentation du modèle ‘Making every contact count’ – @ NHS

    Modalités et chiffres clés du financement

    Le rapport de l’Igas met un accent particulier sur la nécessité de créer un financement incitatif et pérenne pour garantir l’intégration durable de la prévention primaire dans les pratiques des établissements de santé. Une ligne budgétaire spécifique, intitulée “dépenses de prévention primaire des établissements de santé”, sera inscrite dans l’objectif de santé publique. Cette mesure permettra une visibilité claire des financements, indispensables pour soutenir les actions de prévention sur le long terme.

    Les montants alloués à cette réforme sont progressifs :

    • 12 millions d’euros sont prévus dès 2025 pour initier la phase pilote dans 100 établissements volontaires ;
    • ce montant augmentera pour atteindre 163 millions d’euros en 2027, au moment de la généralisation à la majorité des 2 273 établissements de MCO et HAD.

    Ces fonds serviront principalement à développer et diffuser des outils de formation pour les professionnels de santé et à les mobiliser pour intégrer les actions de prévention dans leur pratique quotidienne.

    Le modèle de financement repose sur un versement automatique, sans passer par des appels à projets, une fois les évaluations d’efficacité réalisées. Ce mécanisme vise à faciliter l’adhésion des établissements et à lever les contraintes administratives qui pourraient freiner leur participation. De plus, les agences régionales de santé (ARS) seront responsables du déploiement territorial et sélectionneront les établissements en fonction des spécificités locales et des besoins régionaux.

    Plan de financement des actions de prévention primaire dans les établissements de santé - @ Igas
    Plan de financement des actions de prévention primaire dans les établissements de santé – @ Igas

    Les 11 recommandations de l’Igas

    Pour assurer la réussite de la réforme du financement de la prévention primaire dans les établissements de santé, l’Igas émet, dans ce rapport, 11 recommandations visant à structurer le déploiement des actions, garantir un financement pérenne et renforcer la synergie entre les acteurs locaux et nationaux :

    • Créer une ligne budgétaire dédiée à la prévention primaire dans les établissements de santé, intégrée à l’objectif de santé publique.
    • Cibler les actions de prévention sur quatre déterminants majeurs de santé : tabac, alcool, alimentation, et activité physique.
    • Adapter les interventions aux publics fragiles, en mettant en œuvre une logique d’universalisme proportionné.
    • Impliquer le personnel soignant dans les actions de prévention, à la fois comme bénéficiaires et acteurs, pour améliorer leur santé et l’attractivité de leurs métiers.
    • Mettre en place un financement pérenne, automatique, sans appels à projets, pour soutenir durablement les actions de prévention.
    • Favoriser l’échange d’informations entre acteurs de santé, en créant un dispositif de partage de données, tout en respectant le RGPD.
    • Renforcer les partenariats avec les collectivités territoriales, en les mobilisant comme partenaires des établissements dans l’accompagnement des actions de prévention.
    • Déployer la réforme en deux phases : une phase pilote en 2025 avec 100 établissements volontaires, suivie d’une généralisation en 2026-2027.
    • Développer un outil de suivi basique pour recueillir et suivre les actions de prévention dès la phase pilote.
    • Créer un comité scientifique chargé de l’évaluation des actions, de la définition des contenus de formation, et de l’élaboration des indicateurs de santé publique.
    • Assurer la gouvernance nationale du modèle de financement par le Conseil économique de l’hospitalisation publique et privée (CEHPP), avec un pilotage territorial confié aux ARS.

    Ces recommandations visent à instaurer un cadre solide pour que la prévention primaire devienne un pilier des établissements de santé, en s’appuyant sur une organisation financière et territoriale adaptée aux enjeux actuels de santé publique.

     

  • SC24 : les nouvelles innovations annoncées par Nvidia (santé, sciences des données…)

     

    Transformer les sciences grâce à l’IA et au supercalcul

    Lors de l’édition 2024 du Supercomputing (SC24), Nvidia a présenté une série d’innovations destinées à accélérer la recherche scientifique et à relever des défis mondiaux grâce à l’IA et aux supercalculateurs. Focus sur les annonces marquantes dans les domaines des sciences de la vie et de la gestion des données.

    Accélérer la découverte de médicaments :

    Nvidia continue d’investir dans des outils conçus pour la biopharmacie :

    • Bionemo Framework, désormais en open source, optimise la découverte de médicaments : cet outil d’IA double la vitesse d’entraînement par rapport aux méthodes classiques ;
    • et Diffdock 2.0, une solution avancée pour prédire les liaisons entre médicaments et protéines cibles, offre des performances 6,2 fois plus rapides avec une précision accrue de 16 %.

    Ces innovations visent à réduire significativement les délais de développement de nouveaux traitements, améliorant ainsi les perspectives pour les chercheurs et l’industrie pharmaceutique.

    Des outils pour le calcul quantique :

    Le géant américain des nouvelles technologies a, par ailleurs, dévoilé des mises à jour pour sa plateforme CUDA-Q, utilisée pour des simulations quantiques à grande échelle. Ces avancées permettent :

    • de réaliser des simulations complexes en quelques minutes au lieu de plusieurs semaines ;
    • ainsi que de concevoir des qubits plus performants et évolutifs.

    Un outil qui renforcera ainsi les capacités des chercheurs à explorer le potentiel du calcul quantique dans divers domaines, notamment la physique et la chimie.

    Une puissance de calcul au service des sciences des données

    Nvidia a également introduit Cupynumeric, une bibliothèque accélérée par GPU pour les utilisateurs de Python. Compatible avec Numpy, elle permet d’exécuter des calculs massifs sans modifier le code existant, simplifiant ainsi le travail des chercheurs :

    • en accélérant les applications en apprentissage automatique, science des données et calcul numérique ;
    • et en déployant ces calculs sur des supercalculateurs ou des serveurs cloud avec une facilité inégalée.

    Ces innovations démontrent la volonté de Nvidia de jouer un rôle central dans la transformation des sciences et des industries grâce à l’IA. En mettant des outils de pointe à la disposition des chercheurs, des développeurs et des entreprises, Nvidia est en bonne position pour repousser les limites des connaissances et ouvrir de nouvelles perspectives pour relever les défis mondiaux dans différents domaine, notamment la santé et les sciences de la vie.

     

  • Entretien : l’IA pour faciliter l’inclusion des patients dans les essais cliniques (M. Morice et N. Varoqueaux, Amgen)

    Un projet collaboratif au service de la recherche clinique

    Le projet AIIPIK (Artificial Intelligence to Improve Patient Inclusion and Knowledge) a été lancé avec le soutien d’Amgen France dans le but de surmonter l’un des obstacles majeurs aux essais cliniques : la difficulté à identifier les patients éligibles dans des délais appropriés. Dans un entretien exclusif avec Health&Tech Intelligence, Marie Morice, directrice de l’innovation, et Nathalie Varoqueaux, directrice médicale chez Amgen France, reviennent sur les motivations stratégiques et opérationnelles du laboratoire spécialisé en biotechnologies pour soutenir ce projet expérimental porté par la société Ospi en collaboration avec le CHU de Toulouse.

    Selon Marie Morice, AIIPIK s’inscrit pleinement dans la stratégie globale d’Amgen visant à intégrer l’IA dans ses processus de recherche et développement (R&D). « L’IA n’est pas seulement utilisée pour découvrir de nouvelles cibles thérapeutiques, mais aussi pour optimiser le processus des essais cliniques, en particulier la sélection des patients car cela représente un enjeu majeur d’accès à l’innovation », explique-t-elle. Les essais du laboratoire « sont de plus en plus personnalisés grâce aux thérapies ciblées ». Or, identifier manuellement les patients éligibles « reste un processus long et fastidieux pour les équipes de recherche clinique ». Ce projet collaboratif fait ainsi le lien entre les équipes médicales et l’innovation, créant une synergie entre la recherche clinique et les technologies de pointe pour accélérer l’accès des patients aux innovations. « Il représente pour Amgen un exemple de connexion avec l’écosystème de la recherche et de l’innovation en France ».

    De son côté, Nathalie Varoqueaux précise que ce projet est issu du programme d’accélération de l’EIT « Start-ups Meet Pharma », auquel Amgen a participé en 2021 pour proposer de rechercher une solution capable d’identifier et de sélectionner automatiquement les patients pour des essais cliniques à partir des dossiers médicaux. « L’identification de patients éligibles aux essais cliniques sur la base de critères spécifiques est un élément clé pour le succès de nos études cliniques et l’attractivité de la France pour les essais internationaux. Or, il est difficile d’estimer en temps utile le potentiel de patients éligibles dans les établissements ». Elle explique, par ailleurs, qu’au travers du projet AIIPIK, l’ambition d’Amgen est de « comprendre l’intérêt et la faisabilité d’utiliser l’IA pour accélérer la phase de “pré-screening” de patients dans les essais cliniques et ainsi augmenter le nombre de patients participants, notamment en oncologie où 70 % des études d’Amgen impliquent l’existence d’un biomarqueur. »

    Une expérimentation clinique au CHU de Toulouse

    Le cœur du projet AIIPIK réside dans la capacité du logiciel I4H « Intelligence 4 Health » (i4H) de la société Ospi à analyser en continu des comptes-rendus médicaux pour identifier les patients éligibles à un essai clinique. Ce logiciel intègre des fonctionnalités de traitement du langage naturel (NLP) pour analyser en temps réel les données médicales structurées et non structurées. Parmi ces données, on trouve les comptes-rendus médicaux, les résultats des examens d’imagerie, ainsi que les biomarqueurs, essentiels dans les essais cliniques d’aujourd’hui.

    L’outil a été testé au CHU de Toulouse, dans le cadre d’une expérimentation clinique rétrospective visant à évaluer sa capacité à identifier rapidement des patients éligibles à un essai clinique en oncologie thoracique, une des pathologies les plus complexes à traiter. Le premier bilan des résultats a montré que l’outil d’IA était plus efficace que l’identification manuelle, une avancée importante pour la recherche clinique.

    « L’IA permet d’automatiser une tâche fastidieuse et chronophage, tout en améliorant la précision des sélections des patients », précise Nathalie Varoqueaux. Et d’ajouter que, grâce à l’outil développé par Ospi, « la phase de pré-screening des patients éligibles à un essai clinique aurait pu être accomplie en 30 minutes tandis que, manuellement, cela peut prendre de plusieurs jours à plusieurs semaines. »

    Améliorer l’accès à l’innovation pour tous les patients

    L’un des objectifs principaux d’Amgen, à travers ce projet, est de garantir un accès équitable aux essais cliniques, en particulier dans des disciplines comme l’oncologie, où les traitements ciblés reposent sur des biomarqueurs spécifiques. « La recherche clinique représente un enjeu majeur pour l’accès à l’innovation, et le recrutement des patients reste un très grand défi », souligne Marie Morice. En effet, dans un contexte où 77 % des essais cliniques nécessitent la recherche de biomarqueurs, l’utilisation d’outils comme I4H permet de réduire le temps nécessaire pour identifier les patients qui peuvent bénéficier de ces thérapies personnalisées.

    De plus, le projet AIIPIK ne se limite pas à un cadre expérimental restreint. Selon Nathalie Varoqueaux, il fait partie d’une réflexion plus large qui est en cours sur l’intégration de l’IA dans différents types d’établissements, qu’ils soient publics ou privés, dans le but de faciliter l’inclusion des patients dans des essais cliniques, quel que soit leur type de pathologie.

    Vers un déploiement à grande échelle :

    Les premiers résultats du projet AIIPIK montrent des avancées prometteuses, mais il reste encore des défis à surmonter. « Il est crucial que cet outil devienne une solution autonome pour les médecins, afin qu’ils puissent l’utiliser directement sans nécessiter l’intervention systématique de data scientists », explique Marie Morice.

    Les deux représentantes du laboratoire rappellent aussi qu’un autre outil d’IA développé par Amgen, appelé Atomik, aide leurs équipes à sélectionner les centres de recherche. « Cela illustre l’intégration des outils d’IA dans notre quotidien, avec l’utilisation d’objets connectés et d’autres plateformes numériques, notamment pour la mise en place d’essais cliniques décentralisés. »

    Un impact direct sur la recherche clinique en oncologie :

    Les premiers résultats de l’expérimentation ont été présentés lors du congrès de la Société européenne d’oncologie médicale (ESMO), en septembre 2024 : l’outil a permis d’identifier plus de patients que les méthodes manuelles classiques. Cette avancée représente une étape importante dans l’amélioration des pratiques de recherche clinique, et pourrait, à terme, faciliter l’accès des patients aux traitements les plus innovants, dans des délais réduits et avec une plus grande précision.

     

     

  • Gestion du diabète : comment l’innovation transforme le parcours patient (chiffres clés, étude IA, cartographie des acteurs et des solutions)

    Le diabète à l’ère numérique : entre promesses et défis

    La gestion du diabète, maladie chronique touchant de plus en plus de personnes en France, reste un défi de santé publique majeur. Alors que les cas augmentent à un rythme soutenu, atteignant un coût annuel de près de 11 milliards d’euros pour l’Assurance maladie, les outils traditionnels peinent à offrir des solutions durables et adaptées à tous les patients. C’est dans ce contexte que les innovations numériques et l’IA s’imposent comme des alternatives prometteuses. Capables de surveiller les niveaux de glucose en temps réel, d’anticiper les crises ou encore de personnaliser les traitements, ces technologies pourraient transformer en profondeur la prise en charge du diabète et alléger la charge des professionnels de santé.

    Une telle transition soulève cependant de nombreuses questions. Bien qu’innovants, ces dispositifs numériques et algorithmes doivent encore prouver leur fiabilité et leur accessibilité. Comment garantir leur intégration dans les systèmes de santé tout en respectant les normes de sécurité et de confidentialité ? Et dans quelle mesure ces outils répondent-ils réellement aux besoins des patients, souvent confrontés à des inégalités d’accès aux technologies ? Si l’IA et les dispositifs médicaux numériques (DMN) offrent des perspectives enthousiasmantes, leur mise en œuvre à grande échelle nécessite une réflexion approfondie pour conjuguer innovation et inclusion.

    Analyses

    Une augmentation des nouveaux cas qui fait grimper les montants de prise en charge

    Les derniers chiffres montrent que 3,8 millions de personnes en France sont touchées par le diabète, soit une croissance de 75 % en 12 ans, ce qui représente un coût annuel de 10,9 milliards d’euros sur une année pour l’Assurance maladie. Un coût qui devrait augmenter quand l’International diabetes fédération prévoit 4,225 millions de diabétiques en France en 2045. 👉 Tous les chiffres clés sont à retrouver dans cet article.

    Diabète et DMN : un cadre européen pour garantir sécurité et innovation

    Avec l’essor des DMN, des outils comme la plateforme Sésame de la HAS facilitent l’accès aux innovations. Le cadre réglementaire européen impose par ailleurs des normes aux DMN, assurant leur sécurité et leur intégration dans les systèmes de santé. Dans cet article, zoom sur le périmètre réglementaire des DMN de gestion du diabète et de leurs enjeux. 👉 L’analyse H&TI du contexte réglementaire est disponible ici.

    Etude : une IA pourrait à l’avenir dépister les cas de diabète (Congrès EASD)

    Une équipe de chercheurs français et suisses a entraîné des algorithmes à détecter des changements dans la voix d’une personne afin de déterminer si elle est atteinte de diabète de type 2. Leurs travaux, présentés en septembre à l’EASD (European Association for the Study of Diabetes Annual Meeting), se sont révélés prometteurs. L’IA était précise à 66 % chez les femmes et 71 % chez les hommes. 👉 Plus de détails en suivant ce lien.

    Cartographies

    Associations locales, universités, services spécialisés… plus de 100 acteurs dans l’écosystème du diabète en France

    La lutte contre le diabète repose sur une mobilisation coordonnée de nombreux acteurs nationaux et internationaux. Ils agissent à différents niveaux, dans le cadre de missions de prévention, de dépistage, de prise en charge, de recherche scientifique ou encore de formation des professionnels de santé. Leur objectif commun est l’amélioration de la qualité de vie des personnes atteintes du diabète. 👉 A consulter ici.

    Panorama de 35 solutions numériques pour la gestion du diabète

    Diagnostic, surveillance, thérapie numériques (DTx), prévention des complications… Des dizaines de solutions numériques se déploient tout au long du parcours patient du diabète. 👉 A consulter ici.

     

  • GenAI : un outil proposé pour encadrer l’éthique des usages en santé (The Lancet)

    Entre potentiel médical et défis éthiques de la GenAI

    La GenAI regroupe des modèles capables de créer des contenus réalistes, des textes aux images médicales. Son potentiel en santé est immense : soutien aux diagnostics, génération de données synthétiques pour la recherche, assistance en formation médicale et aide à la prise de décision clinique. Cependant, en raison de la sensibilité des données traitées, ces applications exacerbent les risques liés à la confidentialité, la sécurité et la précision des informations.

    Les technologies comme les grands modèles de langage (LLM) peuvent améliorer l’accessibilité aux soins, mais elles présentent aussi des dangers : divulgation non intentionnelle de données personnelles, génération d’informations erronées (hallucinations) ou biaisées et vulnérabilité aux cyberattaques (manipulation de l’information). Bien que les préoccupations éthiques autour de ChatGPT soient largement débattues, l’étude, publiée en septembre et revue en novembre dans le journal The Lancet Digital Health, révèle que d’autres formes de GenAI, comme les réseaux antagonistes génératifs (GAN) utilisés pour générer des images médicales ou des données structurées, sont souvent négligées dans les discussions éthiques.

    9 principes éthiques pour guider l’usage de la GenAI en santé :

    Pour une adoption éthique et responsable de la GenAI, l’étude met en avant neuf principes clés :

    1️⃣ Responsabilité : Assurer une clarté sur la responsabilité légale des résultats produits par la GenAI, notamment en cas d’erreur clinique ou de biais introduits par l’IA.

    2️⃣ Autonomie : Respecter la capacité des patients à prendre des décisions éclairées, en les informant sur l’utilisation de l’IA dans leur prise en charge.

    3️⃣ Équité : Éviter les biais dans les décisions médicales pour garantir un accès équitable aux soins, en particulier pour les populations sous-représentées.

    4️⃣ Intégrité : Maintenir l’intégrité des données et reconnaître la propriété intellectuelle dans les recherches basées sur la GenAI.

    5️⃣ Non-malfaisance : Minimiser les risques de préjudice pour les patients en garantissant la fiabilité et la précision des informations générées.

    6️⃣ Confidentialité : Protéger la confidentialité des données sensibles des patients, en prévenant les fuites de données dans les échanges avec la GenAI.

    7️⃣ Sécurité : Renforcer la sécurité des systèmes de GenAI pour limiter les cyberattaques et préserver l’intégrité des données.

    8️⃣ Transparence : Assurer une transparence dans les algorithmes de GenAI, notamment dans les processus de prise de décision, pour éviter l’opacité des « modèles boîtes noires ».

    9️⃣ Confiance : Établir une confiance durable entre les utilisateurs et les technologies de GenAI en validant les performances des modèles et en garantissant leur pertinence clinique.

    Ces principes constituent le socle de la TREGAI Checklist (Transparent Reporting of Ethics for Generative AI), un outil permettant d’intégrer et de suivre ces considérations éthiques de manière systématique dans la recherche en santé.

    Un cadre d’évaluation pour une recherche éthique en GenAI

    Pour pallier l’absence de standards clairs, l’étude propose la TREGAI Checklist, une grille d’évaluation systématique des implications éthiques. Celle-ci vise à guider non seulement les chercheurs, mais aussi les comités de publication et de financement, afin d’encourager une adoption et un développement responsable de la GenAI en santé. En demandant aux chercheurs de documenter et d’analyser en détail les enjeux éthiques potentiels, la checklist facilite la prise de décision éclairée et encourage des pratiques responsables.

    Cette grille encourage les chercheurs à évaluer, pour chaque application de GenAI, l’éthique des modèles utilisés, en distinguant notamment les modalités de données (texte, image, données structurées) et en adaptant les principes éthiques en fonction des spécificités des applications. Par exemple, dans le cas des LLMs, l’accent est mis sur la transparence et la précision pour éviter les biais et les hallucinations. Quant aux GAN, utilisés pour générer des données visuelles en médecine, la checklist aide à contrôler la qualité des données synthétiques et leur utilité dans les recherches cliniques.

    Les limites et perspectives d’évolution de la TREGAI Checklist

    Bien que la checklist représente une avancée importante, elle présente certaines limites, notamment en ce qui concerne les applications de GenAI multimodales qui combinent plusieurs types de données (comme les images et les rapports médicaux). L’étude recommande une adaptation continue de la checklist, pour répondre aux besoins spécifiques des nouvelles applications de la GenAI. En effet, les modèles multimodaux, de plus en plus utilisés dans d’autres domaines, soulèvent des questions encore plus complexes d’évaluation éthique et technique, en particulier dans des domaines comme la neuro-imagerie.

    L’étude propose également de collaborer avec des experts en éthique pour renforcer la pertinence et la sensibilité des évaluations. La checklist est conçue pour évoluer avec le développement des technologies de GenAI, et un comité est en charge de la maintenir à jour et de l’adapter aux nouvelles découvertes et réglementations.

    Vers une adoption éthique et responsable de la GenAI en santé :

    La GenAI ouvre des perspectives passionnantes pour le secteur de la santé, mais sans cadre éthique rigoureux, elle pourrait nuire aux patients, aux chercheurs et à l’ensemble du secteur. La TREGAI Checklist apporte une réponse aux dilemmes éthiques de la GenAI, en plaçant la transparence, la sécurité et la responsabilité au centre des préoccupations. Conçu en tant que guide, elle vise non seulement à encadrer les développements actuels, mais aussi à inspirer des pratiques de recherche et d’innovation plus responsables.

     

     

    * Generative artificial intelligence and ethical considerations in health care: a scoping review and ethics checklist

    Ning, Yilin et al.

    The Lancet Digital Health, Volume 6, Issue 11, e848 – e856