Le recours à des solutions d’intelligence artificielle (IA) et de machine learning (apprentissage profond) permettrait d’améliorer l’interopérabilité des données et systèmes d’information (SI) utilisés dans le secteur de la santé. Réciproquement, atteindre un meilleur niveau d’interopérabilité permettrait de réaliser de grands progrès dans le domaine de l’IA et des solutions de machine learning dédiées à la santé.
C’est ce qu’indiquent plusieurs publications parues entre août et novembre 2019 telles que :
• un article publié le 5 novembre dans le magazine canadien Hospital news : Leveraging AI and Machine Learning to advance Interoperability in Canadian Healthcare (Exploiter l’IA et l’apprentissage automatique pour améliorer l’interopérabilité dans les soins de santé au Canada) ;
• une communication de l’entreprise Cabot parue le 22 août 2019 : Interoperability and AI – a symbiotic Relationship for Healthcare (Interopérabilité et IA – une symbiose bénéficiant à la santé) ;
• une revue de la littérature publiée le 20 août 2019 dans la revue Nature : Why digital medicine depends on interoperability (Pourquoi la médecine digitale dépend de l’interopérabilité).
Selon ces documents, l’intelligence artificielle permettrait en effet d’augmenter le niveau d’interopérabilité – en particulier sémantique – des SI. Ce type de technologie permettrait de recueillir, de trier et de comprendre plus efficacement les données de santé non structurées, partagées entre divers espaces de stockage ou de visualisation.
Réciproquement, des systèmes et des données plus interopérables nourriraient plus efficacement les technologies d’IA et de machine learning déjà en cours de développement : plus et mieux alimentées par des données interopérables, ces algorithmes intelligents disposeraient d’un matériau structuré garantissant des analyses plus rapides et des résultats plus exacts.
Plus concrètement, la synergie entre algorithmes intelligents et systèmes interopérables permettrait par exemple :
• d’améliorer la sécurité et l’efficience des prises en charge ;
• de mettre en œuvre la médecine prédictive ;
• de poursuivre la digitalisation des dossiers médicaux ;
• de planifier plus efficacement les tâches à l’échelle d’un cabinet médical, d’un service médical ou d’un hôpital ;
• d’intégrer les données de vie réelle aux essais cliniques ou à la pratique médicale courante.
L’interopérabilité pour gagner du temps et améliorer la qualité des prises en charge
L’interopérabilité des systèmes d’information cliniques et des données de santé demeure un objectif difficilement atteignable. Bien que des normes et des terminologies aient été définies à l’échelle internationale, à l’instar des ressources d’interopérabilité des soins de santé rapides (FHIR), de nombreux progrès restent à faire dans la manière de partager, de lire et de comprendre les données de santé entre systèmes.
C’est que les nombreuses technologies de santé disponibles à l’heure actuelle produisent de plus en plus de données aux sémantiques ambiguës dans des formats très différents, au moyen de processus spécifiques. Ces données non structurées sont souvent stockées dans des bases de données non relationnelles (où les informations ne sont ni triées ni hiérarchisées) et difficilement exploitables alors appelées lacs de données (data lakes). De nouveaux algorithmes intelligents peuvent cependant aider à restructurer ces données, à extraire des informations de ces lacs données avant toute analyse : ils peuvent constituer un levier de l’interopérabilité.
Cependant, plus ces données sont déstructurées et nombreuses, plus les algorithmes doivent les analyser longuement, et plus ils risquent de sélectionner de mauvaises informations ou d’interpréter ces dernières de façon erronée : plus les données et les SI deviendront interopérables, plus les algorithmes intelligents fourniront des analyse rapides et exactes.
L’enjeu de l’interopérabilité est donc au moins double : il s’agit tant de gagner du temps que d’améliorer la qualité des analyses, au bénéfice des patients.
Les algorithmes intelligents au service de l’interopérabilité
IA, interopérabilité syntaxique et interopérabilité sémantique
L’interopérabilité présente deux composantes : syntaxique et sémantique.
- L’interopérabilité syntaxique concerne une structure commune permettant d’échanger puis d’interpréter les données entre systèmes informatiques.
- L’interopérabilité sémantique concerne elle l’existence d’un langage commun, d’une terminologie partagée afin que la signification des données soit transférée avec les données elles-mêmes.
Les technologies telles que l’intelligence artificielle et l’apprentissage automatique permettent à la fois de créer une structure partagée entre les SI et de conférer aux données une signification compréhensible par plusieurs SI. Par exemple, les auteurs de l’article d’Hospital news indiquent qu’au Vancouver General Hospital ainsi qu’à l’université de Colombie-Britannique, des chercheurs ont mis en place un algorithme intelligent capable de trier automatiquement les données de radiographie au sein d’espaces de stockage structurés aux données accessibles et compréhensibles à la fois par les radiologues de l’hôpital et les étudiants ou chercheurs de l’université : il s’agit de collecter, de stocker puis de partager des données structurées et signifiantes entre plusieurs SI par le recours à des algorithmes intelligents.
Structurer automatiquement les données
Ces données peuvent d’abord être automatiquement hiérarchisées et « traduites » en fonction des personnes censées accéder à ces données, indique Cabot. Par exemple, les dossiers médicaux électroniques, alimentés par des données produites et traitées par divers SI, doivent pouvoir être comprises par les professionnels de santé comme par les patients : selon Cabot, des algorithmes intelligents permettent de rendre ces solutions plus « flexibles » et « user friendly », c’est-à-dire plus compréhensibles par les individus qui doivent pouvoir lire les données de santé.
Ces données peuvent évidemment être automatiquement hiérarchisées lors de la collecte intelligente en fonction de ce que ces dernière sont censées montrer. Cabot donne l’exemple du stockage des éléments des comptes rendus cliniques et des courriers partagés par les professionnels de santé : les données réunies sur ces documents peuvent être structurées en fonction de ce que cherchent ces différents professionnels, de leurs hypothèses diagnostiques.
Quand l’interopérabilité alimente des algorithmes intelligents
L’interopérabilité pour augmenter l’efficience des algorithmes intelligents
« Extraire des données à partir de différents SI et dépasser les frontières entre institutions de santé est crucial pour alimenter les algorithmes intelligents avec un maximum des données et utiliser ces derniers à leurs pleines capacités », expliquent les auteurs de l’article paru dans Nature.
Les analyses proposées par ces algorithmes dans le domaine de la santé sont en effet souvent fondées sur des informations émises par les médecins généralistes, les laboratoires d’analyses médicales, les examens complémentaires prescrits par divers spécialistes, voire également sur des données de santé produites par des applications mobiles. De nouvelles disciplines telles que la médecine prédictive ou la pharmacogénomique demandent également d’échanger des données entre de nombreux SI et systèmes de santé, et ce parfois à l’échelle internationale.
Atteindre un certain niveau d’interopérabilité permettrait donc aux professionnels de la santé d’utiliser des algorithmes fiables capables de les aider à établir des diagnostics, à élaborer des prescriptions adaptées ou réaliser certains gestes (chirurgie, radiologie interventionnelle, etc.) et ainsi de mettre en œuvre une nouvelle médecine de précision et data-driven.
É viter d’enseigner des erreurs aux algorithmes d’apprentissage automatique
Plus qu’à alimenter efficacement les solutions d’intelligence artificielle, l’interopérabilité servirait également à s’assurer de la pertinence des informations fournies aux algorithmes d’apprentissage automatique précisément dans le cadre de cet apprentissage automatique : l’interopérabilité permettrait de réduire les erreurs d’enseignement dans le cadre du machine learning.
« Un algorithme d’intelligence artificielle par exemple programmé pour identifier des patients diabétiques à partir de données non structurées pourrait sélectionner des patients non diabétiques mais simplement présentant des antécédents familiaux de diabète », explique l’article de Nature.
Ce genre d’erreurs étant difficile à repérer et à corriger, il est donc primordial que les algorithmes intelligents utilisés en santé puissent disposer pour leurs calculs et leur apprentissage automatique de données solides, clairement structurées et non ambigües, c’est-à-dire interopérables.
Exemples de synergies entre algorithmes intelligents et interopérabilité
Parce que la question de la symbiose entre IA et interopérabilité peut sembler abstraite, la plupart des documents traitant de ce thème proposent de nombreux exemples illustrant les apports de cette synergie technologique au domaine de la santé.
Health and Tech Intelligence a retenu quelques exemples.
Intégrer les données en conditions de vie réelle
De plus en plus de patients utilisent de plus en plus de dispositifs mobiles connectés à même de produire des données de santé non à l’hôpital mais dans l’environnement de vie réel du patient. Si ces données pourront dans le futur être recueillies et structurées au sein de divers SI au bénéfice du patient dans le cadre de ses prises en charge de santé, ces dernières pourront également être exploitées par les chercheurs. Ces derniers devront alors traiter une quantité phénoménale de données produites par des dispositifs fabriqués dans divers pays : ils devront atteindre un niveau d’intéropérabilité très avancé afin d’exploiter les données de vie réelle d’un maximum d’individus anonymisés.
Améliorer la digitalisation des dossiers médicaux
On l’a dit, des algorithmes intelligents permettent de poursuivre la digitalisation des dossiers médicaux et de rendre ces derniers de plus en plus interopérables et adaptés aux utilisateurs amenés à accéder aux données. A terme, ces derniers devraient pouvoir intégrer automatiquement des données produites par tout SI clinique ou par toute application mobile de santé. Ainsi pleinement interopérables, ces dossiers médicaux pourront être adjoints d’autres algorithmes qui proposeront alors non plus simplement de hiérarchiser les données mais bien de les analyser, de les traiter, de formuler des alertes, des recommandations, etc.
Mettre en oeuvre la médecine prédictive
Alimenter des algorithmes intelligents avec des données provenant de sources variées pourrait permettre d’identifier les patients à risque de pathologies notamment chroniques avant que celles-ci se déclarent ou passent à un stade avancé.
Améliorer la qualité des prises en charges
« En pratique, l’une des plates-formes numériques disponibles, stocke et analyse 15 pétaoctets de données de patients provenant de 390 millions d’études d’imagerie, de dossiers médicaux et de données de patients, ce qui permet d’ajouter jusqu’à un pétaoctet de nouvelles données chaque mois », indique Hospital news. Ces données ne peuvent pas toutes être manuellement hiérarchisées et analysées par l’Homme. Aussi, un niveau d’interopérabilité suffisant atteint notamment grâce à l’IA et qui alimenterait en retour d’autres algorithmes intelligents permettrait d’utiliser ces données de façon optimale, d’établir des diagnostics plus sûrs et des plans de traitement plus adaptés dans le cadre d’une médecine véritablement fondée sur les preuves.
