Articles

« Le métier de data scientist consiste à analyser, exploiter, mettre en valeur des données et à les communiquer. Au départ, l’outil sert à comprendre des données, concevoir des modèles pour résoudre un problème et engendrer des résultats. Avec l’industrialisation croissante des besoins, ce cadre s’est un peu élargi. Le data scientist intervient dans une organisation pour accompagner de façon transversale, en partant du besoin de cette organisation et en essayant de voir si à partir des défis qu’ils ont à relever, on peut résoudre ces questions avec des méthodes algorithmiques, explique le Dr Nicolas Rochet, co-fondateur du Lica, un laboratoire d’intelligence collective et artificielle.

Dans un entretien accordé à Health & Tech Intelligence, il revient en détail sur son métier, auquel beaucoup se sont formés sur le tas mais qui est aujourd’hui accessible grâce au développement nombreux cours en lignes.

Les sciences & technologie actuelles telle que l’intelligence artificielle ont le pouvoir d’impacter positivement notre société afin de construire un monde meilleur. Cette maxime accompagne le Dr Nicolas Rocher au quotidien dans son travail de data scientist. En plus de ses missions au sein du Lica, il fait également partie d’une communauté appelée Data for good qui œuvre en ce sens, avec notamment la création du « serment d’Hippocrate du data scientist » ou encore l’AlgoTransparency, qui vise à développer des outils pour rendre le traitement des données compréhensibles et interprétables. Nicolas Rocher estime d’ailleurs que le rôle des data scientist est aussi « de vulgariser et de démocratiser ces [nouvelles] technologies pour les faire comprendre au grand public ».

Le métier de « data scientist » est de plus en plus en plus présent mais en quoi consiste-t-il ?

C’est un métier qui est assez nouveau car il a émergé à partir des années 2000 aux États-Unis. La plupart des gens se sont un peu formés sur le tas puisqu’il n’y a encore pas très longtemps en France, il n’y avait pas de formation académique sur le sujet, maintenant il y a des masters qui s’ouvrent un peu partout. En général il s’agit de scientifiques qui ont des profils un peu variés, qui peuvent venir soit des mathématiques ou des neurosciences comme moi ou même de la physique.

Le métier de data scientist consiste à analyser, exploiter, mettre en valeur des données et à les communiquer. Au départ, l’outil sert à comprendre des données, concevoir des modèles pour résoudre un problème et engendrer des résultats. Avec l’industrialisation croissante des besoins, ce cadre s’est un peu élargi. Le data scientist intervient dans une organisation pour accompagner de façon transversale, en partant du besoin de cette organisation et en essayant de voir si à partir des défis qu’ils ont à relever, on peut résoudre ces questions avec des méthodes algorithmiques. Si c’est le cas, on réalise l’audit des données dont l’organisation dispose pour mettre en place des modèles, en tirer des résultats puis les expliquer. En ce qui concerne la santé, il faut connaître son univers qui est un peu particulier afin de savoir interagir avec tous les acteurs : les institutionnels, les hôpitaux, les ARS, les entreprises, les start-ups et tous ceux qui développent des produits autour de la santé.

Pourquoi l’IA vous intéresse-t-elle autant ?

J’ai créé une entreprise avec des amis qui s’appelle le Lica, un laboratoire d’intelligence collective et artificielle dans lequel on s’intéresse de façon générale à l’impact technologique de l’IA sur la société. J’ai choisi de m’intéresser à la santé mais on travaille également sur d’autres sujets, notamment sur des missions d’accompagnement à la mise e place de l’intelligence artificielle. Nous identifions leurs besoins et organisant les infrastructures des données.

J’ai centré mon métier sur le secteur de la santé parce que j’ai étudié les neurosciences cognitives donc j’ai travaillé sur le cerveau humain et autour des questions de santé et de société. Il m’a donc paru logique de poursuivre. Selon moi, c’est un domaine où l’IA peut avoir un impact positif sur la société de façon générale et puis c’est un domaine en plein développement où l’IA et la data science ont un potentiel assez impressionnant en termes d’applications. Il serait surtout avantageux pour un plus grand nombre si ces technologies sont développées de la bonne façon.

Auriez-vous un exemple de projets impliquant l’IA en santé ?

Aux États-Unis, il y a déjà des systèmes d’intelligence artificielle pour l’aide au diagnostic qui ont été mis en place notamment pour la reconnaissance de la rétinopathie diabétique. Ces services peuvent être utilisés déjà par les médecins puisqu’ils sont autorisés par l’Agence du médicament à fournir un diagnostic. Il y a des projets auxquels les hôpitaux de Paris ont participé pour essayer de prédire le taux d’occupation aux urgences ou le taux d’occupation des lits afin d’améliorer la logistique des hôpitaux. Il y a tout un tas de projets autour des diagnostics qui aident les médecins et permettent de libérer du temps.

Il faut bien noter que ces exemples ne sont pas forcément sans revers. Par exemple, une étude a été menée afin de pouvoir détecter les tumeurs de la peau à partir de photos. Cela pourrait aider les dermatologues puisque l’IA atteignait des résultats comparables à ceux des médecins de haut niveau. En revanche cette étude a probablement été réalisée avec des photos d’un panel d’une population blanche. Par conséquent, la population noire est sûrement sous-représentée dans l’échantillon qui a servi à entraîner l’intelligence artificielle. Ce qui peut amener un certain type de biais en défaveur des populations noires. Il y a toujours des potentialités très importantes et des points de vigilance éthique à avoir pour les mettre en place. Il y a une nécessité de réfléchir à l’éthique avec laquelle va être utilisée toutes ces applications. Il y a beaucoup de structures qui se pose ces questions et qui mettent en avant la nécessité forte de mise en place de règles d’éthique autour de l’intelligence artificielle, en particulier en santé.

Les structures françaises et l’Europe jouent un rôle privilégié étant donné le cadre législatif autour du RGPD. Finalement, on parle de réglementation qui oblige les personnes qui conçoivent des intelligences artificielles ou qui gèrent des données à se conformer à un certain nombre de règles pour s’assurer de protéger les personnes qui vont être concernées par ces applications.

Quelles sont les compétences requises pour réussir comme data scientist ?

Un data scientist a besoin de compétences scientifiques. Il doit connaître la méthodologie générale pour mener une recherche. Cela consiste à définir les besoins, identifier un problème, mettre en place des solutions pour y répondre essentiellement. Il faut quelqu’un qui a des connaissances sur la méthodologie scientifique. C’est une personne qui doit se former d’un point de vue théorique aux mathématiques en particulier les statistiques et les probabilités, l’algèbre aussi, l’algèbre binaire.

Le data scientist doit avoir aussi une grande curiosité pour les recherches en général en mathématiques ou dans d’autres domaines. Je pense qu’on peut citer par exemple la théorie des graphes et la théorie des jeux, qui bien que n’étant pas directement reliées aux compétences de tous les jours d’un data scientist, sont des choses qui viennent de plus en plus alimenter ce domaine de compétence.

Un data scientist a besoin de maîtriser l’informatique puisque, justement, la deuxième facette du métier c’est de pouvoir adapter les modélisations mathématiques par du code informatique. Il faut maîtriser des notions d’informatique générale, toutes les technologies autour de la donnée. Cela consiste à connaître les infrastructures de gestion de données : le stockage, la manipulation des données, le traitement des données et les langages adaptés.

On peut citer en particulier Python, qui est assez utilisé dans la communauté des data scientists. Il faut aussi effectuer de la veille technologique sur les différentes solutions qui se développent de plus en plus pour faire de la data science et de l’IA. On peut citer les cadres qui permettent de traiter des données tout simplement. Scikit-learn est par exemple une initiative de l’Inria, qui est bien documentée pour les gens qui débutent. On peut aussi citer les librairies open source les plus connues qui sont poussées par les géants du beb : Tensorflow de Google, Microsoft Azure machine learning, Pytorch de Facebook…

Quelles formations recommanderiez-vous ?

En ce qui concerne les formations, il y en a de plus en plus. J’aurais du mal à en conseiller une parce que ça dépend des objectifs de chaque personne. Il y a beaucoup de cours en ligne : des MOOCS qui permettent à des étudiants de se former de façon assez indépendante. On peut citer quelques plateformes comme Coursera, qui est américaine, et OpenClassRoom, qui est française et qui permet de se former en français à des cours sur la data science. Il y aussi Kaggle, une autre plateforme américaine pour apprendre avec une communauté mais surtout travailler sur des projets concrets. Cette plateforme s’organise autour de concours, des data challenges. Les entreprises postent des problèmes et les données qui vont avec. Ce sont de petits concours auxquels n’importe quel data scientist du monde entier peut s’inscrire et qui se déroule sur une période de temps limitée, en général sur quelques mois. Les meilleurs reçoivent un prix. Au delà de l’aspect pécuniaire qui peut intéresser les data scientists, c’est aussi un formidable moyen de prouver ses compétences. Il y a beaucoup d’interactions avec la communauté ce qui permet d’apprendre en pratiquant. Il y a très souvent des sujets liés à la santé sur cette plateforme.

De manière générale, je peux conseiller les cours en ligne de Stanford, qui sont d’assez bonne qualité. Quant aux masters, le master Data science de Paris Saclay ou les masters de l’Ensae sont de bonnes qualités. Des écoles un peu plus généralistes commencent aussi à proposer des masters de data science, notamment l’école Ynov, qui est un campus de l’informatique autour de tous les métiers de l’informatique et du numérique.

Quelles sont les perspectives d’évolution d’un data scientist en santé ?

Les perspectives d’évolution dépendent de chacun mais, entre les années 2015 et 2018, il y a eu une forte demande de data scientists dans les entreprises, dans les start-ups et dans les grands groupes, qui commence un tout petit peu à ralentir.

On peut citer aussi des perspectives d’évolution dans des structures publiques. Le gouvernement a proposé des missions d’intérêt public dans lesquelles il y avait des postes de data scientists. Également en entrepreneuriat, beaucoup de data scientists créent des entreprises pour proposer des prestations sur la data science. Les structures publiques gagneraient à pouvoir embaucher des data scientists afin d’apporter des nouvelles solutions à leurs organisations.

Vous avez indiqué être le co-fondateur du Lica, laboratoire d’intelligence collective et artificielle. Pouvez-nous en dire plus sur cette structure ?

Le Lica est à la fois une association et une entreprise. Ce profil ambivalent nous permet d’accompagner des entreprises pour la création de nouveaux services et l’implémentation de l’intelligence artificielle.

On s’intéresse aussi aux questions de l’éthique autour de l’IA et des technologies numériques, de l’appropriation des citoyens de ces technologies. Qu’est-ce qu’ils peuvent en dire ? Quelles réponses peuvent-ils apporter lors de la consultation citoyenne ? On est vraiment très attaché au fait de ne pas laisser ces questions uniquement aux entreprises ou aux organisations publiques mais de donner la parole aux citoyens. J’aimerais pousser des actions à travers des ateliers, des événements et des conférences. Le rôle d’un data scientist c’est aussi de vulgariser et de démocratiser ces technologies pour les faire comprendre au grand public.

Vous faites également partie de la communauté Data for good.

Je participe en effet au projet collectif Data for good. La mission qu’ils se sont donnée est d’apporter le droit d’appliquer la data science à des projets d’impact positif et en particulier de s’adresser aux organisations qui n’ont pas les moyens, par exemple, de recruter une équipe en data science. Cela concerne souvent des associations ou des infrastructures publiques. Cette organisation met en relation les gens qui ont des compétences autour de la donnée. Elle existe dans le monde entier et, en particulier en France, le mouvement est assez fort. Les activités sont principalement concentrées autour de Paris. Je suis en train d’organiser avec d’autres personnes sa délocalisation à Marseille. A Lyon, une antenne va se créer avec l’idée de servir d’interface entre les associations et les institutions publiques qui ont des besoins et les gens qui ont des compétences et du temps à donner pour y répondre.

Le projet est très intéressant puisqu’il fédère de plus en plus de monde et commence à avoir un écho important. Ils ont des projets qui concernent la santé notamment, un projet lié à l’éthique et l’intelligence artificielle dont on a un peu parlé dans la presse :

• il s’agit d’AlgoTransparency, qui vise à développer des outils pour rendre le traitement des données compréhensibles et interprétables. Un enjeu non négligeable pour la santé : l’algorithme est capable de proposer des diagnostics. On a envie de comprendre a minima comment on peut prendre une décision.
• Un autre projet, qui s’appelle « le serment d’Hippocrate du data scientist », vise à proposer une charte de fonctionnement de ce métier en s’inspirant du serment d’Hippocrate des médecins.

Ces initiatives sont portées par la communauté Data for good. 

« Lorsque nous avons créé le centre, nous nous sommes rendu compte du potentiel que représentait l’intelligence artificielle (IA). Nous avons en effet beaucoup de données à la Cleveland Clinic, commente le Dr Aziz Nazha, directeur du Centre médical d’IA de l’établissement américain. Nous avons des experts et ils ont des idées géniales. Nous nous sommes donc poser la question suivante : Peut-on permettre à ces individus de traduire ces idées en des outils utiles qu’ils utiliseraient pour le soin des patients et le résultat ? »

Dans un entretien accordé à Health & Tech Intelligence, l’expert international présente son métier de médecin data scientist, qui l’a amené à manier l’intelligence artificielle au quotidien dans ses recherches. Grâce à cette double compétence médicale et informatique, il crée des modèles de données utiles dans le traitement de ses patients. Son travail au sein de la Cleveland Clinic lui permet de révéler le potentiel de ces nouvelles technologies pour améliorer la santé. Il illustre notamment cette idée en prenant l’exemple de son système développé à destination des patients atteints du syndrome myélodysplasique pour prédire leur résistance à la chimiothérapie.

L’enthousiasme au sein du secteur est croissant, constate-t-il, mais se montre encore parfois lent à embrasser ces nouvelles méthodes. L’oncologue encourage à dépasser la dichotomie « humains contre machines » pour accueillir la pensée synergique « humains + machines ». Il a d’ailleurs déjà commencé à forger la prochaine génération de médecins data scientists.

Qu’est-ce qui vous a amené à vous concentrer sur l’intelligence artificielle (IA) en tant que médecin ?

Aziz Nazha : Je suis un médecin spécialisé dans le traitement des patients atteints de la leucémie. J’ai été formé comme oncologue hématologue mais je suis également développeur. Je développe des programmes, des modèles que j’utilise. J’ai commencé par construire des modèles médicaux qui transformaient les données génomiques et cliniques en des outils utiles que je pouvais utiliser pour mes patients. Et j’ai découvert que l’intelligence artificielle avait une bonne applicabilité dans la santé et pouvait nous aider à convertir des données génomiques très complexes en des outils cliniques.

C’est de cette manière que j’ai commencé à mettre cela en œuvre. J’ai aussi réalisé que nos données de santé augmentaient et que nous en aurons de plus en plus dans le futur et que le seul moyen d’apprendre quelque chose de ces données était en utilisant le machine learning et le deep learning. Il y a donc une énorme opportunité d’appliquer cette technologie en santé afin de manier des modèles qui pourront la transformer et changer les résultats patients.

Il semblerait que l’un des objectifs du nouveau centre de Cleveland Clinic est d’encourager davantage de collaboration entre les cliniciens et les data scientists à déployer l’intelligence artificielle. En quoi cela est-il complémentaire ?

Lorsque nous avons créé ce centre, nous nous sommes rendu compte du potentiel que représentait l’intelligence artificielle. Nous avons en effet beaucoup de données à la Cleveland Clinic. Nous avons des experts et ils ont des idées géniales. Nous nous sommes donc poser la question suivante : Peut-on permettre à ces individus de traduire ces idées en des outils utiles qu’ils utiliseraient pour le soin des patients et le résultat ? C’est la raison pour laquelle nous avons essayé de mettre tout cela en place avec cette mission et que nous utiliserons les technologies de l’intelligence artificielle tel que le machine learning pour transformer la santé.

Nous voyons vraiment le centre comme un hub de collaboration entre académiciens, industriels, scientifiques, data scientists, statisticiens, informaticiens, médecins etc. Nous travaillons tous ensemble pour utiliser ces technologies et ainsi faire avancer la santé. C’est ainsi que nous voyons le centre et c’est ce sur quoi nous avons commencé à travailler : construire une collaboration et une bonne relation entre les divers centres académiques, les industries et les individus de la clinique.

Nous constatons une évolution des compétences au sein de l’industrie de la santé. Vous êtes par exemple considéré comme un « médecin data scientist » : qu’est-ce que cela signifie et qu’est-ce que cela implique en termes de travail au quotidien ?

Nous avons remarqué un manque de connexion entre les médecins et les data scientists. En d’autres termes, les médecins ne parlent pas le langage informatique et inversement les informaticiens ne parlent pas le langage des médecins. Par conséquent, vous ne pouvez pas vraiment savoir ce qui est important du point de vue clinique. C’est pour cela que nous forgeons cette nouvelle génération de médecins data scientists qui peuvent maîtriser les deux langages. Nous pouvons ainsi combler l’écart entre ces deux mondes et ce que nous nous efforçons de faire.

Comment recruter et former des futurs médecin data scientists ?

Une des missions du centre d’ailleurs est de développer les talents en interne et de travailler sur des modules qui sont vraiment conçus pour former des data scientists au secteur de la santé. Il s’agit de médecins qui programment et comprennent les données de santé pour les utiliser et les appliquer à leurs recherches et leurs patients. J’ai moi-même enseigné à des étudiants en médecine comment programmer et travailler sur ces projets. Et nous continuons de former la nouvelle génération. Nous sommes d’ailleurs en train de discuter avec l’école médicale sur la manière d’incorporer ces nouvelles méthodes de data science au sein du cursus des étudiants en médecine. Nous avons commencé avec quelques uns d’entre eux et maintenant ils continuent d’utiliser ces technologies une fois diplômés. Je suis persuadée qu’aller de l’avant est très important.

Toutefois j’ai parlé avec de nombreux médecins et certains ne veulent pas développer des programmes. Ce n’est pas grave. Il y a en effet des outils qui permettent d’utiliser le machine learning sans savoir programmer. Par conséquent, on peut se concentrer sur ces outils. Le but n’est pas de devenir développeur mais de pouvoir lire des syntaxes et autres langages informatiques et de les appliquer car nous sommes aujourd’hui dans une phase de l’histoire humaine où la science biomédicale détient ces outils. Alors nous avons des données, de la puissance de calcul et nous avons ces modèles et ces outils. Ainsi on peut obtenir l’algorithme et le programme en entier. On doit juste l’adapter à son projet pour que cela devienne pertinent et que l’on puisse l’utiliser avec les patients. C’est ce que nous essayons de faire : forger ces nouveaux talents en interne afin de pouvoir mener à bien nos projets et innover.

Quel conseil donneriez-vous à un futur médecin data scientist ?

C’est bien de commencer à penser à programmer et à utiliser les langages informatiques, d’utiliser le machine learning et le deep learning. La clé est de comprendre chaque méthode, ses forces et ses faiblesses. Et ensuite d’essayer de dépasser certaines de ces faiblesses. Ce que nous avons vu et que nous continuerons à constater dans les années à venir c’est qu’il y a une multitude de projets qui utilisent les mauvaises méthodes en santé.

Je pense que les data scientists, et les informaticiens en général, doivent également reconnaître que les données de santé sont différentes des données du monde bancaire ou des données d’images. Il s’agit de systèmes de données différents qui impliquent des livrables et des résultats différents. Une fois que l’on a compris ces 2 choses, nous devons nous concentrer sur la valeur et le résultat patient.

Bien entendu nous utilisons la bonne méthode pour obtenir le bon résultat mais le résultat est mené par notre recherche. Par exemple, si je construis un modèle, en quoi ce modèle aidera mon prochain patient qui viendra à la clinique et en quoi cela me permettra de lui donner un meilleur traitement ? C’est ce sur quoi nous nous concentrons. Nous mettons l’accent pour que le projet repose sur l’axe académique avec pour mission de permettre aux médecins de mieux soigner leurs patients.

Pouvez-vous nous donner un exemple concret où l’IA améliore la santé ?

Je peux vous parler d’un des projets que nous avons réalisés. Nous avons utilisé les systèmes de recommandation automatiques. C’est ainsi que fonctionne Netflix ou Amazon en conseillant des films par exemple. En créant le même type d’algorithme, nous sommes parvenus à construire des modèles qui pouvaient prédire la résistance à la chimiothérapie chez les patients atteints de cancer appelé « syndromes myélodysplasiques ». Nous avons validé ces modèles en retournant dans le laboratoires en les testant en utilisant notamment le système CRISPR. C’était l’une des méthodes où nous utilisions un algorithme qu’utilisent normalement les industries mais cette fois-ci pour obtenir des connaissances cliniques.

Autre exemple : nous avons récemment construit un modèle de prédiction personnalisé. Ce dernier peut donner les résultats spécifiques aux patients atteints du syndrome myélodysplasique. Nous nous sommes rendus compte que les résultats de nos patients étaient très hétérogènes. Certains d’entre eux en souffrent pendant des années et d’autres ne vivent qu’un mois. Nous avons trouvé des modèles communs et des systèmes de stratification que nous utilisons à la clinique. Il y a une différence significative entre ce que nous prédisons et le résultat réel du patient. Cela nous amène à l’idée suivante : Peut-on développer un modèle utilisant le machine learning pour donner une prédiction personnalisée spécifique au patient ? C’était une collaboration internationale entre différents ensembles de données aux États-Unis et en Europe. Nous avons développé ce modèle et l’avons présenté à l’American Society of Hematology en 2018. Nous avons attiré l’attention de beaucoup de médias, avec plus d’une trentaine de publications réalisées sur le sujet. Je pense que les gens sont enthousiasmés par ce concept de prédiction personnalisée mais également par l’utilisation du machine learning dans le back-end (arrière-plan) du modèle.

Comment choisissez-vous les projets et comment les managez-vous ?

Le centre traite plusieurs spécialités. Nous essayons de mettre en place des projets qui couvrent plusieurs spécialités comme la cardiologie ou la santé gastro-intestinale. Nous développons en ce moment ce processus où nous identifions plusieurs questions ou problèmes et ensuite nous essayons par le biais de ce processus de faire en sorte que les questions de la recherche auxquelles nous essayons de répondre aient de la valeur, qu’elles amélioreront les résultats du patient, diminueront les coûts et améliorerons le traitement ainsi que la qualité des soins. C’est ce que nous essayons de définir.

Une fois cela réussi, nous mettrons en places des procédures pour qu’au sein de l’équipe il y ait un chef qui contrôle le projet mais aussi quelques data scientists qui travaillent à la production des résultats. Nous venons tout juste de commencer à utiliser ce mode de fonctionnement, nous essayons d’identifier les leaders à plusieurs endroits pour construire la prochaine génération de projets qui émergeront du centre.

En cette phase transitoire que nous vivons, comment gérer l’implication des professionnels de santé sur les projets d’intelligence artificielle ? Avez-vous fait face à de la résistance ?

Nous faisons en effet face à de la résistance. J’ai commencé à travaillé sur tout cela en 2013. Nous avons transmis notre recherche à l’American Society of Hematology plusieurs fois et nous avons juste obtenu un poster en 2017. En 2018, nous avons eu des oraux et les gens ont commencé à reconnaître notre travail. Nous avons réussi à le faire en expliquant aux gens comment ouvrir la boîte noire de l’intelligence artificielle.

En d’autres termes, nous pouvons désormais extraire des caractéristiques de nos modèles et avant tout, nous pouvons garantir que les variables du modèle font sens. Nous pouvons apprendre quelque chose de nouveau grâce à l’IA. Les gens commencent à s’y intéresser mais il y a encore du chemin à faire. Je peux vous dire que nous avons attirer beaucoup de monde avec le système de recommandation automatique. Nous avons d’ailleurs essayé d’envoyer nos recherches à 3 revues médicales sans succès. Cela prouve que c’est encore difficile. Chaque fois que vous avez une nouvelle technologie, c’est très difficile de sortir les gens de leur zone de confort.

Cependant, je pense que dans quelques années les mentalités évolueront puisque nous produirons de plus en plus de projets et que nous expliquerons tout cela à de plus en plus de personnes. Cela deviendra alors la norme. S’adapter aux nouvelles technologies prend du temps dans l’industrie de la santé, qui est généralement plus lente que d’autres secteurs mais nous finirons par y arriver.

Que pensez-vous du débat des humains contre les machines ? Comment faites-vous pour que les projets respectent une certaine éthique ?

Lorsque nous construisons un modèle, nous extrayons toujours les caractéristiques, en d’autres termes l’algorithme. L’idée est d’identifier les variables importantes qui impacteront la décision de l’algorithme et que cela ait du sens d’un point de vue clinique. C’est pour cela qu’avoir des médecins data scientists qui construisent le modèle fait toute la différence parce que nous comprenons le système.

J’ai construit des modèles où j’ai disséqué les caractéristiques mais comme elles ne voulaient rien dire cliniquement, j’ai mis le modèle à la poubelle. Beaucoup d’entreprises se fourvoient d’ailleurs, alors nous leur conseillons notre méthode. Nous ne devons pas encourager une dichotomie humains contre machines mais plutôt une synergie « humains + machines ». J’utilise donc des algorithmes pour optimiser mon travail.

Les gens disent que Google pourrait devenir notre prochain docteur et que des robots nous soignerons. Cela n’arrivera pas. Il y a beaucoup d’aspects de la relation patient-médecin qui n’ont rien à voir avec des ordinateurs. Il y a beaucoup d’intuition en santé, beaucoup d’expérience que l’ordinateur ne saisit pas. Toutefois, élaborer des modèles qui aideront les médecins à choisir des traitements est très important car les médecins sont humains et donc ne peuvent pas traiter des données illimitées.

Par conséquent, nous avons vraiment besoin de réfléchir à tout ça et de dépasser cette manière de pensée l’humain contre la machine. C’est malheureusement ainsi que les industries vous le vendent. En fait cela devrait être « humains + machines ». Je m’améliore quand j’ai des meilleurs outils en tête que je peux utiliser sur mes patients. C’est ainsi que nous devons y penser.