📝 Sémantique de la prévention dans la recherche

Réaliser une revue bibliographique sur la “prévention en santé” pose plusieurs défis, notamment en termes de sémantique et de choix des mots-clés :

• d’un côté, le terme “prévention” est polysémique et englobe une variété d’interventions (primaire, secondaire, tertiaire), ce qui peut entraîner une dispersion des résultats ;
• de l’autre, selon les disciplines et les pays, les vocabulaires peuvent différer pour désigner des concepts similaires (par exemple, le terme “vaccination” peut être inclus sous des termes plus larges comme “immunisation” ou “prophylaxie”).

Par ailleurs, les variations terminologiques liées à la “santé préventive”, aux “interventions préventives” ou même à la “promotion de la santé” nécessitent une attention particulière pour ne pas exclure des études pertinentes. De plus, la prévention étant un domaine transdisciplinaire, elle peut être abordée sous l’angle de la médecine clinique, de la santé publique, de la sociologie ou de l’épidémiologie. Cela complexifie davantage la recherche et le tri des articles en raison des cadres théoriques et méthodologiques variés, et pourrait expliquer la spécialisation des revues ou revues systématiques publiées ces dernières années, qui visent le plus souvent une aire thérapeutique ou une pathologie bien définies.

De la “prévention” à la “santé publique” et inversement :

Bien que n’étant pas interchangeables, car se référant à des concepts distincts, les termes « prévention » et « santé publique » sont souvent utilisés dans des contextes similaires dans la littérature scientifique. La prévention est un sous-ensemble des activités de santé publique : toutes les actions de santé publique ne sont pas préventives (par exemple, le traitement des maladies existantes), et toute la prévention ne relève pas nécessairement de la santé publique (certaines approches sont individuelles ou communautaires). Quelques définitions pour y voir plus clair :

La prévention :

La santé, selon l’Organisation mondiale de la santé (OMS), est définie comme un état de complet bien-être physique, mental et social, et non simplement l’absence de maladie (OMS, 1946). Cette approche globale de la santé inclut des aspects médicaux ainsi que les déterminants sociaux qui influencent les conditions de vie des individus, tels que la naissance, l’éducation, le travail et la vieillesse.

Selon une définition de l’OMS en 1948, la prévention est “l’ensemble des mesures visant à éviter ou réduire le nombre et la gravité des maladies, des accidents et des handicaps”. Il en existe trois niveaux  :

• primaire, pour empêcher l’apparition d’une maladie (vaccination…) ;
• secondaire, pour détecter la maladie à un stade précoce pour en limiter les conséquences (dépistage…) ;
• et tertiaire, pour réduire les complications d’une maladie déjà installée (réhabilitation, gestion des maladies chroniques…).

De ce fait, la prévention a pour principaux enjeux l’optimisation des ressources, en fonction de l’impact potentiel des différentes actions, ainsi que l’équité en santé pour s’assurer que les stratégies de prévention atteignent toutes les couches de la population, surtout celles les plus vulnérables.

Quant à la promotion de la santé, définie dans la Charte d’Ottawa (1986), elle vise à donner aux individus les moyens d’améliorer leur santé à travers cinq axes : l’élaboration de politiques favorables à la santé, la création d’environnements favorables, le renforcement de l’action communautaire, l’acquisition d’aptitudes individuelles et la réorientation des services de santé. Enfin, l’éducation pour la santé vise à fournir des connaissances et des savoir-faire pour préserver et améliorer la santé des individus.

La santé publique :

En 1952, l’OMS définit la santé publique comme “la science et l’art de prévenir les maladies, de prolonger la vie et d’améliorer la santé physique et mentale à un niveau individuel et collectif”. Son champ d’action inclut donc tous les systèmes de promotion de la santé, de prévention des maladies, de soins et de réadaptation. Plus concrètement, la santé publique se réfère à l’ensemble des efforts organisés par les gouvernements, les institutions et la société pour prévenir les maladies, prolonger la vie et promouvoir la santé des populations. Elle ne se limite pas à la prévention, mais englobe également la surveillance des maladies, l’élaboration de politiques de santé, la gestion des systèmes de soins, la recherche épidémiologique, la promotion de comportements et de modes de vie sains.

Le champ lexical bibliographique de l’IA en prévention :

Pour trouver des études spécifiques aux usages de l’intelligence artificielle (IA) en prévention, plusieurs termes sont à explorer et à croiser, en fonction des thématiques particulières.

D’abord autour de la prévention :

• dépistage (screening) : identification précoce les maladies chez les individus asymptomatiques ;
• vaccination (immunization) : stratégies préventives pour protéger contre des infections spécifiques ;
• prédiction (prediction) : utilisation des données pour prévoir le risque d’apparition d’une maladie ;
• santé préventive (preventive health) : ensemble des actions destinées à éviter la survenue de maladies ;
• intervention préventive (preventive intervention) : actions ciblées pour prévenir une maladie ou un état de santé dégradé ;
• promotion de la santé (health promotion) : incitation des individus à adopter des comportements sains (alimentation, activité physique, arrêt du tabac) ;
• gestion des risques (risk management) : identification et limitation des risques pour la santé ;
• éducation à la santé (health education) : formation et sensibilisation du public aux pratiques préventives ;
• prévention des maladies chroniques (chronic disease prevention) : programmes et stratégies pour éviter l’apparition de maladies comme le diabète ou les maladies cardiovasculaires ;
• hygiène et prévention (hygiene and prevention) : prévention des maladies infectieuses à travers l’amélioration des pratiques d’hygiène.

Ensuite autour de l’AI :

L’IA a un potentiel considérable pour soutenir la prévention et renforcer la santé publique. La littérature scientifique présente un éventail de domaines où l’IA apporte des avancées significatives, grâce à ses différentes composantes et différents modèles. Les mots-clés suivants sont à prendre considération :

• artificial intelligence (AI) ;
• l’apprentissage automatique ou machine learning (ML) ;
• l’apprentissage profond ou deep learning (DL) ;
• l’IA générative ou generative AI (GenAI) ;
• ou encore les grands modèles de langage ou large language models (LLM).

↗️ Une explosion du nombre de publications depuis 2020

Sur la plateforme Pubmed, une première recherche sur les deux mots-clés “prevention” et “artifcial intelligence” dans les “titres” des articles n’obtient que 82 résultats, compris entre 2012 (un article) et 2024* (23 articles). Un petit chiffre mais qui témoigne quand même d’une augmentation importante du nombre d’études mettant en avant, de manière directe, ces deux terminologies. En enlevant la condition du “titre”, la recherche est significativement plus fructueuse : 15 820, entre 1974 (un article) et 2025 (déjà un article prévu), avec un pic autour de 2 800 articles par an, entre 2022 et 2024. Si l’on ne s’intéresse qu’aux vingt dernières années, c’est-à-dire de 2004 à 2024, on obtient 15 400 résultats.

* Pour cette étude H&TI, les résultats de recherche portant sur l’année 2024 concernent la période du 1er janvier au 16 septembre.

IA, prévention et santé publique :

Suivant relativement la même tendance ces vingt dernières années, c’est-à-dire une augmentation significative dès 2020, le nombre de publications mentionnant “IA” et “prévention” ou “santé publique” dépasse les 100 000 au total. Il se rapproche de 10 000 articles en l’an 2020 seul, et atteint son pic en 2022 avec 14 042 articles recensés sur Pubmed. En 2024, la bibliothèque médicale américaine compte déjà 12 342 articles.

 

IA, DL, ML, LLM…

Lorsque la recherche est élargie pour inclure du vocabulaire plus précis concernant les technologies de l’IA, en croisant “prévention” ou “santé publique” avec “IA” ou “deep learning” ou “machine learning” ou “LLM”, le nombre total de résultats sur Pubmed, entre 2004 et 2024, augmente jusqu’à près de 123 000. Le pic (19 490) est observé en 2023. De janvier à septembre 2024, 16 153 articles sont enregistrés.

🤖 Quel rôle de l’IA dans le soutien aux initiatives de santé publique ?

Capables d’apprendre à partir des data et de faire des prédictions ou de proposer des décisions pour améliorer la prévention des maladies et l’optimisation des services et du système de santé, les outils d’IA analysent de grandes quantités de jeux de données (dossiers de santé, épidémiologie, environnement, réseaux sociaux…) pour aider les professionnels de santé, les chercheurs et les décideurs du secteur à opter pour les meilleures orientations, qu’elles soient stratégiques, cliniques ou socioéconomiques.

Grâce à cette amélioration des processus de prise de décision par les autorités et les administrations de la santé, l’IA contribue à l’élaboration d’interventions en santé publique plus efficaces et efficientes (1, 2, 3).

S’appuyer sur le ML pour formuler des politiques de santé publique :

En traitant des ensembles de données complexes, les algorithmes d’apprentissage automatique peuvent identifier des tendances et des facteurs de risque associés à diverses maladies. Le machine learning aide également dans la modélisation prédictive (prévoir les besoins et d’allouer les ressources adéquates). Mais aussi dans l’identification des populations vulnérables et des disparités en matière de santé, favorisant ainsi des interventions plus ciblées. D’où l’indispensable vigilance à avoir vis-à-vis des biais sociaux dans les systèmes d’IA, de la qualité et de la représentativité des données utilisées, qui risquent de reproduire les mêmes inéquités entre les populations et différents groupes démographiques. (4, 5).

… Ainsi que sur le DL :

L’apprentissage profond peut lui aussi contribuer à l’amélioration de la prévention, du diagnostic, du traitement et, plus globalement de la gestion des soins. Ses capacités à reconnaitre les schémas et à prédire les évolutions font de lui un outil essentiel pour relever les défis modernes de la santé publique (6). Il est plus efficace lorsqu’il traite des ensembles de données vastes et complexes. La littérature scientifique regorge en exemples de cas d’usage du deep learning en prévention :

• analyse d’images médicales : l’interprétation des images médicales, telles que les radiographies, les IRM et les scanners permet la détection précoce des maladies et par là même une initiation plus rapide des traitements pour de meilleurs résultats thérapeutiques (7).
• diagnostic et évaluation des risques : le traitement de vastes quantités de données de patients, y compris leurs dossiers électroniques et informations génétiques, permet d’identifier des schémas qui pourraient indiquer le début de maladies ou déterminer les facteurs de risque d’un individu.
• épidémiologie et prévision des épidémies : l’analyse de sources de données, telles que les réseaux sociaux, les recherches en ligne et les données d’objets connectés (IoT), permet de prédire les épidémies et de suivre leur progression (10, 11).
• surveillance des dispositifs connectés : la collecte des données en temps réel grâce à l’IoT, en fournissant des informations sur l’activité physique, l’état physiologique, les habitudes de sommeil, etc., aide à une gestion proactive des maladies et à la promotion de modes de vie plus sains (12, 13).
• analyse génomique : le déchiffrage de données génomiques complexes est précieux pour identifier les marqueurs génétiques associés aux maladies, il nourrit les approches de médecine de précision (14).
• télésurveillance : l’analyse des données collectées depuis les foyers des patients permet aux professionnels de santé d’intervenir rapidement si nécessaire, en particulier dans les déserts médicaux (15).
• surveillance des tendances en santé publique : l’analyse des données provenant des rapports d’actualité, des agences de santé gouvernementales et des réseaux sociaux aide à identifier en temps opportun les menaces potentielles pour la santé et à formuler des réponses appropriées (16, 17).

Contribution des LLM aux systèmes de santé publique :

Les LLM peuvent contribuer aux systèmes de santé publique de plusieurs manières, notamment en prévention :

• surveillance des maladies : en traitant et analysant de grandes quantités de données provenant de réseaux sociaux, d’articles de presse et de forums en ligne, les LLM détectent des tendances subtiles liées aux maladies, permettant aux autorités de santé de surveiller les symptômes, les déplacements et les réactions, facilitant ainsi une détection précoce des épidémies (18, 19).
• diagnostic et traitement : en analysant les données des patients, les dossiers médicaux et les publications scientifiques pertinentes, les LLM détectent des corrélations et des anomalies non évidentes pour les cliniciens, contribuant à des diagnostics plus précis et personnalisés (21, 22).
• politiques de santé publique : en analysant divers ensembles de données (dossiers de santé, épidémiologie…), les LLM découvrent des connexions cachées et identifient des facteurs de risque potentiels, prévoient les trajectoires des maladies et évaluent l’efficacité des stratégies d’intervention (21).
• éducation des patients : en adaptant leur contenu aux besoins individuels, au contexte culturel, à la langue et aux antécédents, les LLM personnalisent les matériaux éducatifs pour les patients, améliorant leur compréhension, engagement et taux d’observance (21, 23, 24).

➡️ 6 principaux domaines d’application de l’IA

1️⃣ Surveillance des maladies et détection précoce des épidémies :

Analyse de données, reconnaissance de tendances et de signaux inhabituels, surveillance en temps réel et modélisation prédictive… Les capacités de l’IA permettent aux systèmes de santé publique de détecter précocement les épidémies et de prendre des mesures informées pour les atténuer (25) :

• intégration et analyse des données : une compréhension complète et dynamique du paysage sanitaire, améliorant la capacité à identifier des anomalies et des indicateurs potentiels de maladies (26) ;
• reconnaissance de motifs et détection des anomalies : une reconnaissance des écarts de comportement (augmentation soudaine des publications sur internet mentionnant certains symptômes, des visites dans les établissements de santé ou un pic dans les recherches sur Internet liées à des maladies spécifiques) qui pourraient indiquer le début d’une épidémie (27) ;
• surveillance en temps réel, monitoring et alertes précoces : lorsqu’un signal potentiel d’épidémie est identifié grâce à l’analyse continuelle des flux de données entrants, l’IA déclenche des alertes précoces, fournissant aux autorités de santé publique des informations clés pour enquêter davantage et initier des protocoles de réponse rapide (28) ;
• modélisation prédictive et prévisions : formée sur les données des épidémies passées, l’IA peut générer des scénarii prédictifs, permettant l’élaboration de stratégies d’intervention et la mise en œuvre des campagnes de santé publique ciblées (29) ;
• aide à la décision : les tableaux de bord et les visualisations alimentés par l’IA offrent un aperçu clair des tendances des maladies facilitent la prise de mesures préventives appropriées (confinement, restrictions de voyage, vaccination…) (30) ;
• collaboration mondiale et partage d’informations : en diffusant rapidement des aperçus situationnels et des alertes d’épidémies, l’IA aide à coordonner des réponses internationales et à minimiser la propagation des maladies au-delà des frontières (31).

2️⃣ Prévision et modélisation des maladies infectieuses :

Les modèles d’IA utilisés pour l’analyse de textes médicaux et la visualisation des données offrent aux professionnels de la santé publique une vision simple de la situation à partir d’ensembles de données complexes (32, 33).

L’IA peut améliorer la prévision et la modélisation des maladies infectieuses en intégrant des données sur les facteurs environnementaux et démographiques, les images satellites et les modes de transmission des maladies. Elle prédit ainsi la propagation des maladies et accélère la planification des interventions (34, 35). Parmi les cas d’usage rapportés dans la littérature :

• intégration et fusion des données : les modèles alimentés par l’IA créent une vue d’ensemble des facteurs influençant la transmission des maladies, offrant une perspective holistique qui permet une compréhension plus précise et nuancée de la dynamique des épidémies (36) ;
• reconnaissance de schémas complexes : en déchiffrant les relations complexes entre les conditions climatiques, la mobilité humaine, les indicateurs socioéconomiques et les taux de transmission des maladies, l’IA révèle des informations cachées que les modèles traditionnels pourraient négliger (37) ;
• surveillance en temps réel et détection précoce : en identifiant rapidement des événements inhabituels dans l’incidence des maladies, l’IA soutient les systèmes d’alerte précoce (38) ;
• modélisation prédictive et planification des scénarii : les modèles prédictifs d’IA permettent aux décideurs de simuler différentes stratégies d’intervention, allocations de ressources et mesures de confinement, facilitant ainsi une planification efficace et une optimisation des ressources (35, 39) ;
• apprentissage adaptatif et mise à jour : l’IA peut s’adapter aux conditions changeantes en apprenant en continu à partir de nouvelles données, cette adaptabilité garantit que ses modèles de prévision restent pertinents et précis, même face à des scénarii d’épidémie en évolution (40) ;
• analyse géospatiale et visualisation : ces représentations visuelles fournissent des aperçus intuitifs sur la répartition géographique des cas, les clusters ou zones potentielles de propagation et les tendances au fil du temps (41, 52) ;
• allocation des ressources et planification des interventions : en identifiant les zones avec le plus grand besoin, la modélisation alimentée par l’IA assure une adéquation efficace des ressources, réduisant ainsi l’impact d’une épidémie (43, 44) ;
• communication et sensibilisation du public : la communication proactive alimentée par l’IA, facilement compréhension par le grand public, favorise la sensibilisation, le respect des consignes et l’engagement communautaire (45, 46).

3️⃣ Amélioration de la distribution et de l’adhésion aux vaccins :

L’IA peut améliorer la distribution et l’adhésion aux vaccins en prédisant la demande, en identifiant les populations à risque et en optimisant la logistique de distribution. Elle contribue de manière significative à atteindre une couverture vaccinale étendue. En voici quelques exemples de son exploitation à ces fins (47, 48) :

• prédiction de la demande et optimisation de la chaîne d’approvisionnement : en analysant les données historiques sur la vaccination, les données démographiques de la population et les tendances épidémiologiques pour prédire la demande future en vaccins, l’IA peut permettre d’éviter les pénuries et les gaspillages tout en améliorant l’efficience des interventions (49) ;
• identification des populations à risque : en fonction de facteurs tels que l’âge, l’état de santé et la localisation géographique, l’IA aide à prioriser la distribution des vaccins aux groupes plus vulnérables et optimise de ce fait l’impact des campagnes de vaccination (50, 51) ;
• optimisation de la logistique et de la distribution : l’IA garantit que les vaccins sont transportés, stockés de manière efficace et sous les conditions appropriées et livrés aux zones éloignées ou mal desservies (52, 53) ;
• suivi en temps réel et ajustement de l’allocation : si certaines zones connaissent une adhésion inattendue ou une demande plus élevée, les systèmes alimentés par l’IA peuvent rapidement ajuster les plans de distribution pour garantir une couverture vaccinale équitable (54) ;
• atténuation de l’hésitation vaccinale : l’IA identifie les préoccupations des citoyens et les fausses informations qui contribuent à leur hésitation, favorisant la conception de campagnes d’information ciblées (55, 56) ;
• planification des rendez-vous et rappels : les plateformes de planification alimentées par l’IA simplifient le processus de vaccination en offrant des options de rendez-vous pratiques pour les individus, avec des rappels automatisés, par SMS ou par e-mail personnalisés, pour le taux de rendez-vous manqués (57) ;
• aperçus basés sur les données pour les politiques : en analysant la couverture vaccinale, les résultats et d’autres indicateurs pertinents, l’IA favorise la prise de décisions politiques basées sur les preuves (58).

4️⃣ Analyse des déterminants de santé et lutte contre les inégalités :

L’implication de l’IA dans l’analyse des déterminants sociaux de la santé et la lutte contre les inégalités est essentielle pour promouvoir l’équité et améliorer la santé globale de la population. Cela implique que les ensembles de données utilisés pour entraîner les modèles d’IA soient représentatifs et diversifiés en termes de genre, d’ethnie, d’âge, de localisation géographique et d’autres facteurs pertinents afin d’éviter les biais (59-61). Parmi les exemples d’application de l’IA dans ce domaine :

• intégration complète des données : en intégrant des données multidimensionnelles (niveaux de revenu, éducation, conditions de logement, statut d’emploi, environnements de quartier…), l’IA dessine un tableau complet des interactions complexes entre les facteurs sociaux et les résultats en matière de santé (62) ;
• analyse des corrélations : en examinant les déterminants sociaux en parallèle avec les données de santé, l’IA identifie des connexions qui pourraient ne pas être apparentes par une analyse traditionnelle (59) ;
• identification des populations vulnérables : en repérant les régions avec un accès limité aux soins de santé, des conditions de vie précaires ou des ressources insuffisantes, l’IA aide à prioriser les interventions et l’allocation des ressources vers les zones les plus nécessiteuses (63) ;
• accès équitable aux soins de santé : en reconnaissant certains obstacles (accès aux soins, barrières linguistiques, problèmes de transport ou illettrisme en santé), des solutions alimentées par l’IA peuvent être développées pour faciliter la navigation des patients, fournir des ressources multilingues et offrir des options de télémédecine, favorisant un accès équitable à des soins de qualité (33) ;
• stratégies d’intervention personnalisées : la précision permise par l’IA assure que les interventions sont contextuellement pertinentes et efficaces – si, par exemple, une zone mal desservie manque d’accès à des aliments nutritifs, l’IA peut guider le développement d’initiatives telles que la création de jardins communautaires ou de programmes de distribution alimentaire mobile (64, 65) ;
• modélisation prédictive pour des interventions ciblées : en identifiant les interventions les plus susceptibles de réduire les disparités en matière de santé, l’IA aide à optimiser l’utilisation des ressources, à travers des modèles qui simulent différents scénarii, permettant la prise de décisions éclairées pour un impact maximal (66) ;
• suivi et évaluation en temps réel : en ajustant les stratégies en fonction des données en cours d’analyse, l’IA garantit que les efforts d’intervention restent alignés avec les besoins changeants et l’évolution des disparités (33) ;
• aide la décision et soutien aux politiques publiques : les décideurs peuvent utiliser les analyses de l’IA pour plaider en faveur d’interventions ciblées, allouer des fonds à des programmes spécifiques et élaborer des réglementations centrées sur les déterminants sociaux de la santé (33).

5️⃣ Prédiction et prévention des maladies chroniques :

L’identification précoce des individus à risque permet de mettre en place des interventions ciblées pour favoriser les changements de comportement. L’IA peut contribuer à cet objectif de plusieurs manières :

• analyse des facteurs de risque : en identifiant des corrélations et des fils conducteurs au sein des données analysées, l’IA discerne les facteurs de risque associés aux maladies chroniques, tels que les maladies cardiaques, le diabète et le cancer, ce qui permet aux prestataires de soins de proposer des interventions et des conseils en temps opportun aux individus concernés(67) ;
• analyse du profil génétique : en étudiant le profil génétique d’un individu, l’IA identifie des marqueurs qui le prédisposent à certaines maladies, cela encourage la mise en œuvre précoce de dépistages ciblés, de stratégies de prévention personnalisées et d’interventions sur les risques génétiques eux-mêmes (68) ;
• habitudes de vie et comportements : en examinant les données de l’IoT sur la qualité du sommeil, l’activité physique, les habitudes alimentaires et les niveaux de stress, l’IA donne une idée précise sur les facteurs de risque des maladies chroniques liés aux comportements avec des recommandations personnalisées sur les changements de mode de vie que les individus doivent effectuer  (67, 69) ;
• détection précoce des maladies : en prenant en compte plusieurs variables (facteurs génétiques, mode de vie, antécédents médicaux), l’IA peut identifier les individus à risque plus élevé de maladies chroniques grâce à une modélisation prédictive (70) ;
• plans de prévention personnalisés : ces plans incluent des recommandations pour les modifications de mode de vie, les dépistages réguliers et les interventions ciblées, garantissant la personnalisation et l’efficacité des stratégies de prévention à travers l’amélioration de l’adhésion des patients (71) ;
• suivi et retour d’information continus : les plateformes de télésurveillance alimentées par l’IA offrent un soutien continus aux patients en suivant leurs indicateurs de santé et en les encourageant à adopter des comportements sains et à rester engagés dans la gestion de leur santé (70, 71) ;
• gestion de la santé populationnelle : à une échelle plus large, l’IA aide les autorités de santé publique à identifier les tendances et les motifs liés à la prévalence des maladies chroniques au sein des populations, et donc à développer des campagnes de santé publique et à allouer des fonds aux zones présentant les taux les plus élevés de maladies chroniques (71).

6️⃣ Détection des produits de qualité inférieure ou falsifiés :

L’IA peut renforcer la vigilance vis-à-vis des médicaments et autres produits de santé falsifiés ou de qualité inférieure :

• analyse des données : en analysant des données des enregistrements de ventes, des chaînes d’approvisionnement et des données réglementaires, l’IA peut détecter des tendances d’achat inhabituelles, identifier des anomalies dans les itinéraires de distribution ou signaler des irrégularités dans l’étiquetage des produits (cela nécessite une robustesse des systèmes de gestion logistique des produits de santé, ce qui n’est pas le cas dans de nombreux pays) (76, 77) ;
• reconnaissance d’images : en comparant des images de produits authentiques avec des contrefaçons suspectes, l’IA peut rapidement identifier des écarts visuels ou des incohérences, les codes QR et autres marqueurs de sécurité pourraient faciliter cette vérification par les consommateurs, notamment dans les pays avec des systèmes réglementaires fragiles (78) ;
• NLP : le traitement du langage naturel des discussions liées aux médicaments falsifiés sur internet peut aider les autorités à recueillir des indices et identifier les sources potentielles des problèmes (77, 79) ;
• analytique prédictive : l’IA peut prédire les emplacements et les cas potentiels de distribution de médicaments falsifiés en se basant sur des données historiques et des tendances inhabituelles, cela pourrait être particulièrement pertinent dans les pays ayant des frontières perméables (77, 79) ;
• surveillance en temps réel : l’IA peut surveiller en temps réel les marketplaces en ligne pour identifier les annonces ou les publications faisant la promotion de médicaments falsifiés, cette approche proactive peut conduire à une identification et à une suppression plus rapides de ces annonces0 (80, 81) ;
• réseaux collaboratifs : les systèmes alimentés par l’IA peuvent faciliter le partage d’informations entre les parties prenantes concernées (organismes de réglementation, agences de maintien de l’ordre, associations de patients, entreprises pharmaceutiques et prestataires de soins) pour améliorer la capacité à suivre et à lutter contre la circulation des produits falsifiés et de qualité inférieure de manière efficace, une approche multisectorielle, incluant les patients, est nécessaire (82).

Pour aller plus loin :

👉 Cartographie des cas d’usage de l’IA en prévention et au service de la santé publique.

Défis et limites de l’IA en prévention

L’IA permet d’analyser de vastes ensembles de données et d’optimiser les actions en santé publique. Son utilisation doit cependant être accompagnée de mesures qui garantissent la transparence, l’éthique et la protection des données pour assurer des impacts positifs durables. Elle apporte des solutions innovantes pour soutenir la prévention et la santé publique, notamment par la surveillance épidémiologique, la personnalisation des interventions de santé et la réduction des inégalités. Mais elle reste confrontée à trois défis majeurs :

• qualité et accessibilité des données : les algorithmes d’IA dépendent de la qualité des données, es biais présents dans les données peuvent conduire à des conclusions erronées et à la perpétuation des inégalités en matière de soins ;
• confidentialité et sécurité des données : la collecte de données personnelles, souvent nécessaire pour les algorithmes d’IA, pose des questions éthiques sur la confidentialité et la gestion des informations sensibles ;
• manque de transparence et biais algorithmiques : les systèmes d’IA, en particulier ceux basés sur des réseaux de neurones, sont souvent perçus comme des boîtes noires, ce qui rend difficile la compréhension et la justification des décisions prises ; cela interroge sur la responsabilité médicolégale et l’adoption des outils par les professionnels de santé.

Bibliographie

1	Bohr A, Memarzadeh K. The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare. 2020;25.
2	Al Kuwaiti A, Nazer K, Al-Reedy A, Al-Shehri S, Al-Muhanna A, Subbarayalu AV, et al. A Review of the Role of Artificial Intelligence in Healthcare. Journal of Personalized Medicine [Internet]. 2023 Jun;13(6). Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10301994/
3	OECD Legal Instruments [Internet]. Available from: https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449#mainText
4	Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data. JAMA Intern Med. 2018 Nov 1;178(11):1544–7.
5	Rieke N, Hancox J, Li W, Milletarì F, Roth HR, Albarqouni S, et al. The future of digital health with federated learning. npj Digital Medicine. 2020 Sep 14;3(1):1–7.
6	Litjens G, Kooi T, Bejnordi BE, Setio AAA, Ciompi F, Ghafoorian M, et al. A survey on deep learning in medical image analysis. 2017 Dec 1;42.
7	Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Deep learning for healthcare: review, opportunities and challenges. Brief Bioinform. 2017 May 6;19(6):1236–46.
10	Bhouri MA, Costabal FS, Wang H, Linka K, Peirlinck M, Kuhl E, et al. COVID-19 dynamics across the US: A deep learning study of human mobility and social behavior [Internet]. medRxiv. 2020. p. 2020.09.20.20198432. Available from: https://www.medrxiv.org/content/10.1101/2020.09.20.20198432v1.abstract
11	Rodríguez-González A, Zanin M, Menasalvas-Ruiz E. Public Health and Epidemiology Informatics: Can Artificial Intelligence Help Future Global Challenges? An Overview of Antimicrobial Resistance and Impact of Climate Change in Disease Epidemiology. Yearb Med Inform. 2019 Aug;28(01):224–31.
12	Zheng Y, Tang N, Omar R, Hu Z, Duong T, Wang J, et al. Smart Materials Enabled with Artificial Intelligence for Healthcare Wearables. Adv Funct Mater. 2021 Dec 1;31(51):2105482.
13	Gamble A. Artificial intelligence and mobile apps for mental healthcare: a social informatics perspective. Aslib Journal of Information Management. 2020 Jun 5;72(4):509–.
14	Majumder MA, Guerrini CJ, Bollinger J, Cook-Deegan R, McGuire AL. Sharing data under the 21st Century Cures Act. 2017 May 25;19(12).
15	Malche T, Tharewal S, Tiwari PK, Jabarulla MY, Alnuaim AA, Hatamleh WA, et al. [Retracted] Artificial Intelligence of Things- (AIoT-) Based Patient Activity Tracking System for Remote Patient Monitoring. J Healthc Eng [Internet]. 2022 Mar 1;2022. Available from: https://doi.org/10.1155/2022/8732213
16	Zhao R, Yan R, Chen Z, Mao K, Wang P, Gao RX. Deep learning and its applications to machine health monitoring. 2019 Jan 15;115.
17	Jdey I, Hcini G, Ltifi H. Deep learning and machine learning for Malaria detection: overview, challenges and future directions [Internet]. 2022. Available from: http://arxiv.org/abs/2209.13292
18	Bollig N, Clarke L, Elsmo E, Craven M. Machine learning for syndromic surveillance using veterinary necropsy reports. PLoS One. 2020 Feb 5;15(2)
20	Budd J, Miller BS, Manning EM, Lampos V, Zhuang M, Edelstein M, et al. Digital technologies in the public-health response to COVID-19. Nat Med. 2020 Aug 7;26(8):1183–92.
21	Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digital Health. 2023 Feb 9;2(2)
22	Oh BD, Lee YK, Kim JD, Park CY, Kim YS. Deep Learning-Based End-to-End Language Development Screening for Children Using Linguistic Knowledge. NATO Adv Sci Inst Ser E Appl Sci. 2022 May 6;12(9):4651.
23	Thirunavukarasu AJ, Ting DSJ, Elangovan K, Gutierrez L, Tan TF, Ting DSW. Large language models in medicine. Nat Med. 2023 Jul 17;29(8):1930–40.
24	Clusmann J, Kolbinger FR, Muti HS, Carrero ZI, Eckardt JN, Laleh NG, et al. The future landscape of large language models in medicine. Communications Medicine. 2023 Oct 10;3(1):1–8.
25	Syrowatka A, Kuznetsova M, Alsubai A, Beckman AL, Bain PA, Craig KJT, et al. Leveraging artificial intelligence for pandemic preparedness and response: a scoping review to identify key use cases. npj Digital Medicine. 2021 Jun 10;4(1):1–14.
26	Dórea FC, Revie CW. Data-Driven Surveillance: Effective Collection, Integration, and Interpretation of Data to Support Decision Making. Front Vet Sci. 2021 Mar 12;8:633977.
27	Chen M, Hao Y, Hwang K, Wang L, Wang L. Disease Prediction by Machine Learning Over Big Data From Healthcare Communities [Internet]. Available from: https://doi.org/10.1109/ACCESS.2017.2694446
28	Santosh KC. AI-Driven Tools for Coronavirus Outbreak: Need of Active Learning and Cross-Population Train/Test Models on Multitudinal/Multimodal Data. J Med Syst. 2020 Mar 18;44(5):1–5.
29	Rustam F, Reshi AA, Mehmood A, Ullah S, On BW, Aslam W, et al. COVID-19 Future Forecasting Using Supervised Machine Learning Models [Internet]. Available from: https://doi.org/10.1109/ACCESS.2020.2997311
30	Shinde S, Yadav S, Somvanshi A. Epidemic Outbreak Prediction Using Machine Learning Model [Internet]. Available from: https://ieeexplore.ieee.org/document/10039594
31	Wong ZSY, Zhou J, Zhang Q. Artificial Intelligence for infectious disease Big Data Analytics. Infection, Disease & Health. 2019 Feb 1;24(1):44–8.
32	Abdulkareem M, Petersen SE. The Promise of AI in Detection, Diagnosis, and Epidemiology for Combating COVID-19: Beyond the Hype. Front Artif Intell.
33	Anjaria P, Asediya V, Bhavsar P, Pathak A, Desai D, Patil V. Artificial Intelligence in Public Health: Revolutionizing Epidemiological Surveillance for Pandemic Preparedness and Equitable Vaccine Access. Vaccines [Internet]. 2023 Jul. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10383160/
34	Olawade DB, Wada OJ, David-Olawade AC, Kunonga E, Abaire O, Ling J. Using artificial intelligence to improve public health: a narrative review. Frontiers in Public Health [Internet]. 2023;11. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10637620/
35	Shi H, Wang J, Cheng J, Qi X, Ji H, Struchiner CJ, et al. Big data technology in infectious diseases modeling, simulation, and prediction after the COVID-19 outbreak. Intelligent Medicine. 2023 May;3(2):85.
36	Malik YS, Sircar S, Bhat S, Ansari MI, Pande T, Kumar P, et al. How artificial intelligence may help the Covid‐19 pandemic: Pitfalls and lessons for the future. Rev Med Virol [Internet]. 2021 Sep;31(5). Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7883226/
37	MacIntyre CR, Lim S, Quigley AL. Preventing the next pandemic: Use of artificial intelligence for epidemic monitoring and alerts. npj Digital Medicine. 2022 Dec 1;3(12).
38	Santangelo OE, Gentile V, Pizzo S, Giordano D, Cedrone F. Machine Learning and Prediction of Infectious Diseases: A Systematic Review. Machine Learning and Knowledge Extraction. 2023 Feb 1;5(1):175–98.
39	Scholz TM. Big Data in Organizations and the Role of Human Resource Management: A Complex Systems Theory-Based Conceptualization. Peter Lang Gmbh, Internationaler Verlag Der Wissenschaften; 2017. 237 p.
40	Gaglione D, Braca P, Millefiori LM, Soldi G, Forti N, Marano S, et al. Adaptive Bayesian Learning and Forecasting of Epidemic Evolution—Data Analysis of the COVID-19 Outbreak [Internet]. Available from: https://ieeexplore.ieee.org/document/9209964
41	Hertelendy AJ, Goniewicz K, Khorram-Manesh A. The COVID-19 pandemic: How predictive analysis, artificial intelligence and GIS can be integrated into a clinical command system to improve disaster response and preparedness. Am J Emerg Med. 2021 Jul;45:671.
42	Rinaldi G, Capello F. An Innovative System to Understand the Development of Epidemics Using GIS Spatial Analysis and Based on AI and Big Data. COVID-19 in Clinical Practice. 2021;229–61.
43	Rana MS, Shuford J. AI in Healthcare: Transforming Patient Care through Predictive Analytics and Decision Support Systems. JAIGS [Internet]. 2024 Jan 22;1(1). Available from: https://ojs.boulibrary.com/index.php/JAIGS/article/view/30
44	Chalutz Ben-Gal H. Artificial intelligence (AI) acceptance in primary care during the coronavirus pandemic: What is the role of patients’ gender, age and health awareness? A two-phase pilot study. Front Public Health. 2023 Jan 9;10:931225.
45	Bragazzi NL, Dai H, Damiani G, Behzadifar M, Martini M, Wu J. How Big Data and Artificial Intelligence Can Help Better Manage the COVID-19 Pandemic. Int J Environ Res Public Health. 2020 May 2;17(9):3176.
46	Venkatraman K, Manoharan A. Public Engagement as the Fifth Dimension of Outbreak Communication: Public’s Perceptions of Public Health Communication during COVID-19 in India. Health Commun [Internet]. 2023 Jan 28; Available from: https://www.tandfonline.com/doi/abs/10.1080/10410236.2021.1950294
47	Sharma A, Virmani T, Pathak V, Sharma A, Pathak K, Kumar G, et al. Artificial Intelligence-Based Data-Driven Strategy to Accelerate Research, Development, and Clinical Trials of COVID Vaccine. Biomed Res Int [Internet]. 2022. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9279074/
48	Garett R, Young SD. The role of social media in monitoring COVID‐19 vaccine uptake. J Eval Clin Pract. 2022 Aug;28(4):650.
49	Azadi M, Yousefi S, Farzipoor Saen R, Shabanpour H, Jabeen F. Forecasting sustainability of healthcare supply chains using deep learning and network data envelopment analysis. Sustainability. 2023 Jan 1;154.
50	Fisher S, Rosella LC. Priorities for successful use of artificial intelligence by public health organizations: a literature review. BMC Public Health. 2022 Nov 22;22(1):1–14.
51	Mhasawade V, Zhao Y, Chunara R. Machine learning and algorithmic fairness in public and population health. Nature Machine Intelligence. 2021 Jul 29;3(8):659–66.
52	Kumar A, Mani V, Jain V, Gupta H, Venkatesh VG. Managing healthcare supply chain through artificial intelligence (AI): A study of critical success factors. Comput Ind Eng. 2023 Jan;175:108815.
53	Long P, Lu L, Chen Q, Chen Y, Li C, Luo X. Intelligent selection of healthcare supply chain mode – an applied research based on artificial intelligence. Frontiers in Public Health [Internet]. 2023;11. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10758214/
54	Hu H, Xu J, Liu M, Lim MK. Vaccine supply chain management: An intelligent system utilizing blockchain, IoT and machine learning. J Bus Res. 2023 Feb;156:113480.
55	Gupta H, Verma OP. Vaccine hesitancy in the post-vaccination COVID-19 era: a machine learning and statistical analysis driven study. Evol Intell. 2022 Mar 9;16(3):739–57.
56	Covid-19 vaccine hesitancy: Text mining, sentiment analysis and machine learning on COVID-19 vaccination Twitter dataset. Expert Syst Appl. 2023 Feb 1;212:118715.
57	Qabajeh MM, Mousa S, Saleh HA, Hasan JA. Designing an Android Application for Electronic Booking in Health Clinics and Building Health Record System. J Appl Inf Technol [Internet]. 2023 Jun 25;14(3). Available from: https://www.jait.us/show-229-1357-1.html
58	Vaishya R, Javaid M, Khan IH, Haleem A. Artificial Intelligence (AI) applications for COVID-19 pandemic. Clin Epidemiol Glob Health. 2020 Apr 20;14(4):337–9. Available from: https://www.sciencedirect.com/science/article/pii/S1871402120300771
59	Zimmerman RM, Hernandez EJ, Scott Watkins W, Blue N, Tristani-Firouzi M, Yandell M, et al. An explainable AI approach for discovering social determinants of health and risk interactions for stroke in patients with atrial fibrillation [Internet]. medRxiv. 2023. p. 2023.02.27.23286470. Available from: https://www.medrxiv.org/content/10.1101/2023.02.27.23286470v1.abstract
60	Carroll NW, Art J, Burkard T, Lulias C, Kylie Severson MS, Tori Posa BA. Improving Risk Stratification Using AI and Social Determinants of Health. AJMC. 2022. Available from: https://www.ajmc.com/view/improving-risk-stratification-using-ai-and-social-determinants-of-health
61	Davis MA, Lim N, Jordan J, Yee J, Gichoya JW, Lee R. Imaging Artificial Intelligence: A Framework for Radiologists to Address Health Equity, From the AJR Special Series on DEI. American Journal of Roentgenology [Internet]. 2023 Feb 22; Available from: https://ajronline.org/doi/10.2214/AJR.22.28802
62	Brakefield WS, Ammar N, Shaban-Nejad A. An Urban Population Health Observatory for Disease Causal Pathway Analysis and Decision Support: Underlying Explainable Artificial Intelligence Model. JMIR Formative Research. 2022 Jul 20;6(7)
63	Kellenberger B, Vargas-Muñoz JE, Tuia D, Daudt RC, Schindler K, Whelan TTT, et al. Mapping Vulnerable Populations with AI [Internet]. arXiv.org. 2021. Available from: https://arxiv.org/pdf/2107.14123.pdf
64	Talati KN, Parikh SM. Big Data and Public Health: Avenue for Multidisciplinary Collaborative Research. In IGI Global; 1AD.
65	Wilder B. AI for Equitable, Data-Driven Decisions in Public Health. AAAI. 2023 Sep 6;37(13):15459–15459.
66	Allen B, Neill DB, Schell RC, Ahern J, Hallowell BD, Krieger M, et al. Translating Predictive Analytics for Public Health Practice: A Case Study of Overdose Prevention in Rhode Island. Am J Epidemiol. 2023 May 17;192(10):1659–68.
67	Mei J, Khiang CY, Hickson R, Xia E, Zhao S. Predicting non-communicable disease with infectious risk factors using artificial intelligence [Internet]. US Patent. 11380443, 2022. Available from: https://patentimages.storage.googleapis.com/26/30/57/01fd2ba7ed7264/US11380443.pdf
68	Long E, Wan P, Chen Q, Lu Z, Choi J. From function to translation: Decoding genetic susceptibility to human diseases via artificial intelligence. Cell Genomics. 2023 Jun 14;3(6):100320.
69	Somodevilla MJ, de Celis MCP, Pineda IH, Colmenares LE, Mena I. System Development Ontology to Discover Lifestyle Patterns Associated with NCD. Int Conf Bioinform Biomed Eng. 2015;47–56.
70	Mohanaprakash TA, Abirami P, Navaneethakrishnan M, Savija J, Ramya M, Anbarasa PA. Artificial Intelligence Powered Early Detection of Heart Disease [Internet]. Available from: https://ieeexplore.ieee.org/document/10127928
71	Joshi S, Bagayoko CO, Babington-Ashaye A, Geissbuhler A. Digital technologies for NCD prevention and control. In: Noncommunicable Diseases. 1st Edition. Routledge; 2023. p. 362–8.
72	Kocakoç İD. The Role of Artificial Intelligence in Health Care. The Impact of Artificial Intelligence on Governance, Economics and Finance, Volume 2. 2022;189–206.
76	Ferdosi BJ, Sakib MA, Islam MS, Dhar J. Identifying Counterfeit Medicine in Bangladesh Using Deep Learning. Human Centred Intelligent Systems. 2021;46–55.
77	Liang Y, Zhao Y, Que D, Zhang X, Xu C. Online Fake Drug Detection System in Heterogeneous Platforms Using Big Data Analysis [Internet]. Available from: https://ieeexplore.ieee.org/document/7979925
78	Chen CW, Tsai AC, Chang WY, Huang HF, Wang JF. Arbitrary Axis-aligned and Multi-scale Drug Recognition System [Internet]. Available from: https://ieeexplore.ieee.org/document/9468730
79	Andi HK. AI-Powered Drug Detection System Utilizing Bioactivity Prediction and Drug Release Tracking. Journal of Artificial Intelligence and Capsule Networks. 2022 Nov 9;4(4):263–73.
80	Bhardwaj A, Kumar S, Naidu A. Predictive analysis and supervised detection for fraudulent cases in healthcare [Internet]. Available from: https://ieeexplore.ieee.org/document/9734195
81	Flarence AR, Bethu S, Sowmya V, Anusha K, Sankara Babu B. Importance of supervised learning in prediction analysis. Periodicals of Engineering and Natural Sciences. 2018 Jun 5;6(1):201–14.
82	Elvas LB, Helgheim B, Ferreira JCA. Information Sharing through Digital Service Agreement [Internet]. medRxiv. 2023. p. 2023.01.18.23284718. Available from: https://www.medrxiv.org/content/10.1101/2023.01.18.23284718v1.abstract