DM

Une équipe française de chercheurs et d’ingénieurs de l’Institut Gustave Roussy et de l’Université Paris-Sud a développé un système d’intelligence artificielle (IA) qui s’est révélé capable de prévoir si une molécule obtiendra ou pas, dans les 6 ans, une autorisation de mise sur le marché (AMM). Alors que très peu de molécules arrivent au lit du patient, cette prédiction pourrait être utilisée pour anticiper les dépenses de santé, particulièrement importantes en cancérologie. Les résultats de cette étude* ont été publiés le 20 septembre 2019 dans le Journal of Clinical Oncology (JCO) Clinical Cancer Informatics.

De la molécule au médicament anticancéreux : une course d’obstacles

Il y a beaucoup d’appelés mais peu d’élus dans le développement de nouveaux médicaments. Entre les premiers screening de molécules et l’autorisation de mise sur le marché (AMM), le processus est long. Comme l’explique le Dr Loïc Verlingue, oncologue et chef de l’équipe « data science » du Département de l’innovation thérapeutique et des essais précoces (DITEP) de Gustave Roussy, « le développement d’un médicament est long, coûteux et demande l’implication de plusieurs milliers de patients. Alors qu’environ 19 % des médicaments en développement dans les maladies infectieuses, 17 % en ophtalmologie et près de 10 % toutes disciplines confondues recevront une autorisation de mise sur le marché après les essais de phase I, en cancérologie seulement 5 % d’entre eux démontreront suffisamment d’efficacité pour finalement être approuvés pour le traitement d’un cancer. » 

En effet, actuellement, beaucoup d’agents anticancéreux sont candidats aux essais clinique de phase 1 mais très peu deviendront finalement des médicaments. C’est pourquoi une équipe française de médecins-chercheurs et d’ingénieurs de l’Institut Gustave Roussy et de l’Université Paris-Sud ont eu l’idée de développer un algorithme d’apprentissage automatique (machine learning) ayant pour mission de prédire les résultats du développement de médicaments.

Un algorithme pour repérer les futurs médicaments

Cet algorithme, appelé « Resolved2 », a été entraîné à partir des données pharmacologiques de 462 molécules d’oncologie en développement en phase I, données publiques disponibles dans les abstracts Pubmed et dans la base de données pharmacologiques DrugBank5.0. Le modèle a sélectionné 28 variables parmi les plus pertinentes sur 1 411 à partir des molécules d’oncologie autorisées ou non par l’agence américaine d’approbation des médicaments entre 1972 et 2017. Et il a ensuite été testé sur 70 autres molécules afin d’évaluer sa robustesse.

Les résultats de leurs travaux ont été publiés le 20 septembre 2019 dans la revue Journal of Clinical Oncology (JCO) Clinical Cancer Informatics.

Résultats : une prévision précise à 90 %

• Quand l’IA prédit qu’une molécule n’obtiendra pas dans les 6 ans une autorisation de mise sur le marché (AMM), la prédiction s’avère juste dans 92 % des cas.
• Quand l’IA prévoit que la molécule sera autorisée, cela se révèlera juste dans 73 % des cas dans les 6 ans.
• La justesse de la précision monte à 90 % dans les 10 ans.
• Un médicament « prédit approuvé » par Resolved2 a 16 fois plus de chance de l’être effectivement qu’un médicament « prédit non approuvé ».

Cette étude française apporte la preuve de concept (PoC) que l’issue du développement d’un médicament peut être prédit grâce à des outils d’apprentissage automatique. En effet, l’algorithme parvient à prédire avec précision le délai d’approbation par la FDA à partir du moment où la molécule a passé l’étape de la phase 1.

Donner plus de chances aux patients inclus dans les essais 

« Resolved2 peut trouver son utilité auprès des industriels qui développent de nouveaux médicaments, bien sûr, mais également auprès des académiques, les médecins « Principal Investigator », afin de mieux sélectionner les molécules qu’ils proposent à leur patient dans des essais de phase II ou III », estiment les auteurs de cette étude. « L’objectif est que leur patient aient plus de chance de tirer un bénéfice de l’essai dans lequel il sera inclus, » explique le Dr Verlingue. En outre, alors que les médicaments anticancéreux sont particulièrement onéreux, prévoir l’arrivée sur le marché de telles molécules permettrait aussi aux décideurs d’anticiper ces dépenses de santé.

La prochaine étape est d’adapter le modèle à l’Europe car les molécules approuvées ne sont pas strictement identiques et les critères d’évaluation peuvent également varier par rapport aux États-Unis.

67 % des CHU ont mis en œuvre une solution basée sur intelligence artificielle (IA) au sein de leur établissement : 1 à 5 projets centrés sur l’IA sont d’ailleurs en cours dans 57 % des CHU. C’est l’une des informations centrales qui ressort du premier baromètre de maturité de l’IA dans les hôpitaux publics, présenté par le Centre hospitalier régional universitaire de Nancy le 21 novembre 2019 à l’occasion de son forum sur l’IA en santé. L’enquête a été réalisée par le centre de soins nacéien en partenariat avec EY Consulting (Ernst & Young) auprès des directeurs généraux (DG) et des présidents de la commission médicale d’établissement (PCME) des CHU et des CH.

De manière générale, 81 % des CHU perçoivent l’IA comme un sujet important et 76 % comme un élément stratégique.

À noter également que les domaines les plus concernés par une application de l’intelligence artificielle en hôpital sont :
• en premier lieu : recherche, parcours patients, prédiction des risques et pilotage des activités ;
• puis : qualité des soins, appui aux pratiques de soins, performance des processus et gestion des ressources ;
• et aussi : achats/coordination entre les professionnels de santé sur un territoire.

Le CHRU de Nancy indique par ailleurs qu’un certain nombre de CHU expriment le besoin d’être accompagnés dans la hiérarchisation des thématiques à aborder.

Autres enseignements clés :
• le partage des pratiques et des usages ainsi que les retours d’expériences semblent essentiels selon les résultats du baromètre ;
• Pour 66 % des répondants, le frein principal au développement l’IA dans les établissements de soins est l’absence de compétences et d’expertises spécifiques ;
• Pour 62 % des sondés, le risque principal d’un déploiement de l’IA est la déhumanisation du travail.

32 CHU interrogés

L’objectif de ce baromètre est d’identifier comment, deux ans après la publication du rapport Villani sur l’intelligence artificielle (IA), « les établissements de santé appréhendent et agissent, d’un point de vue stratégique et opérationnel, pour un déploiement actif de l’IA dans leur établissements », explique le CHRU.

32 CHU ont été interrogés dans le cadre de cette enquête (taux de réponse : 33 %), menée en ligne de juin à septembre 2019, avec l’appui de la Conférence des DG de CHU.

Autres enseignements clés du baromètre :

96 % des établissements interrogés estiment que l’IA aura des effets positifs sur l’exercice de leur profession

• Bénéfices :
  • libération de temps pour ne plus effectuer des tâches à 0 valeur ajoutée ;
  • augmentation de la rapidité et amélioration de la fiabilité des prises de décision ;
  • meilleure performance économique de l’hôpital à terme. 
• Freins :
  • absence de compétences et d’expertises spécifiques sur l’IA ;
  • perception complexe du développement de projets centrés sur l’IA ;
  • organisation peu adaptée au mode projet.

Organisations mises en place pour l’IA : une hétérogénéité traduisant des degrés de maturité divers

• Direction dédiée :
  • direction recherche : 19 % ;
  • direction de la stratégie : 29 % ;
  • direction générale adjointe (DGA) : 5 % ;
  • directeur des systèmes d’information (DSI) : 14 % ;
  • autres : 14%.
• 90,5 % des répondants sont favorables à la mise en place d’une communauté d’experts transverse.

Recueillir les avis et suggestions de tous les acteurs impliqués dans le développement ou l’utilisation de dispositifs médicaux (DM) intégrant des algorithmes apprenants (machine learning) : industriels, associations de patients et collèges nationaux professionnels mais aussi développeurs de solutions informatiques, chercheurs, instituts interdisciplinaires d’intelligence artificielle (3IA)… C’est l’objectif poursuivi par la Haute autorité de santé (HAS) en soumettant à consultation publique son projet de grille d’analyse des algorithmes auto-apprenants ce 20 novembre 2019, et ce jusqu’au 20 janvier 2020. Selon elle, « une approche collective est nécessaire ».

« Le numérique se déployant, et la Cnedimts (commission de la HAS) évaluant de plus en plus de DM connectés, la question de l’accès au remboursement de ceux qui utiliseront l’intelligence artificielle va se poser », contextualise la HAS. Le projet de grille d’analyse proposé par la Haute autorité vise à fluidifier l’instruction de ces dossiers, et la mise en consultation publique à mieux cerner ce champs nouveau en expansion.

Plus précisément, l’idée de cette consultation est d’ »apprécier la lisibilité du projet de grille » et « la pertinence de chacun des items identifiés ». Toutes les contributions seront analysées pour parvenir à une version finale de la grille « qui sera exploitée dans le cadre des futures demandes par les industriels de prises en charge par l’Assurance maladie de leurs DM », précise la HAS, ajoutant que la grille devrait être définitivement adoptée et appliquée en avril 2020.

Pour plus d’informations ou toutes difficultés rencontrées, envoyer un email à contact.sed@has-sante.fr.

Contexte : se préparer aux demandes d’évaluation des DM basés sur IA

« L’intelligence artificielle (IA) bouscule le monde de la santé. Pour tous, patients et professionnels de santé, le numérique rend possible une nouvelle façon de travailler, de soigner, d’être soigné et de s’occuper de sa santé. Mais une innovation technologique n’est pas forcément une innovation clinique », note la Haute autorité de santé (HAS).

Dans ce contexte, la Commission nationale d’évaluation des dispositifs médicaux (DM) et des technologies de santé (Cnedimts), commission spécialisée de la HAS, souhaite compléter ses outils d’évaluation pour se préparer aux demandes d’évaluation des DM basés sur l’utilisation d’algorithmes auto-apprenants (machine learning).

« Pour établir l’intérêt de leur remboursement par l’Assurance maladie, et comme pour tout autre dispositif médical, la Cnedimts doit se prononcer sur le bénéfice que ces technologies apportent au patient ou à la santé publique, explique la Haute autorité. Les critères d’appréciation de l’intérêt des innovations embarquant des procédés d’apprentissage automatique restent donc des critères cliniques, la grille d’analyse proposée constituant un pan descriptif complémentaire pour les technologies concernées. »

• Pour aller plus loin : la HAS détaille le contexte de l’évaluation des dispositifs médicaux avec IA sur son site web, accessible via ce lien.

Objectifs de la consultation publique

En soumettant à consultation publique son projet de grille d’analyse, la HAS souhaite :

• recueillir les avis et les réflexions des acteurs et des experts impliqués dans le développement de solutions s’appuyant sur des procédés d’apprentissage automatique (machine learning) ;
• déterminer les éléments nécessaires et suffisants pour permettre l’évaluation par la HAS de dispositifs médicaux s’appuyant sur ces procédés ;
• apprécier le niveau de précision attendu ;
• apprécier la compréhension des contributeurs sur les critères actuels du projet.

Modalités de la consultation publique

Pour soumettre des commentaires, il faut :

• télécharger le document support via ce lien ;
• transmettre les contributions en remplissant le formulaire de réponse en ligne, accessible via ce lien : « il est nécessaire de répondre à toutes les questions en une seule fois ; aucune sauvegarde intermédiaire n’étant possible », précise la Haute autorité de santé.

Les données personnelles collectées ne seront pas transmise à des tiers

• Les données personnelles (nom, prénom, adresse email, etc.) recueillies dans le cadre de la consultation publique « servent uniquement au traitement administratif de [la] contribution et ne sont pas transmises à des tiers », indique la HAS.
• Elles sont conservées pendant une durée qui n’excède pas la durée nécessaire aux finalités du projet.
• Conformément à la loi « Informatique et liberté », les contributeurs à la consultation peuvent exercer un droit d’accès, d’opposition, de rectification et de suppression des données les concernant par email à l’adresse suivante : dpo@has-sante.fr.

Des chercheurs allemands de l’hôpital universitaire de Munich ont créé un réseau de neurones profonds afin d’évaluer les capacités de l’intelligence artificielle à diagnostiquer une forme rare de cancer, la leucémie myéloïde aiguë. Formé sur un jeu de données de 18000 globules blancs, cette stratégie s’est révélée aussi efficace que l’analyse traditionnelle par des humains. Les résultats de cette étude* ont été publiés le 12 novembre 2019 dans la revue Nature Machine Intelligence.

Intelligence artificielle ou cytologiste ?

Chaque jour, des millions de cellules sanguines sont scrutées dans des laboratoires médicaux et des cliniques afin de pouvoir poser un diagnostic de maladies. La plupart de ces tâches répétitives sont encore effectuées manuellement par des cytologistes qui inspectent les cellules dans des frottis sanguins colorés et les classent en environ 15 catégories différentes. Malgré le haut degré de formation de ces professionnels, ce processus pose deux problèmes : la classification des cellules sanguines est sujette à des variations comme toute tâche humaine, et elle nécessite la présence d’un cytologiste qualifié.

Un réseau de neurones pour diagnostiquer un cancer hématologique

Par conséquent, comme pour toute tâche répétitive, l’idée de la déléguer en partie à un système d’intelligence artificielle fait son chemin. C’est précisément ce que des chercheurs allemands de l’hôpital universitaire de Münich ont voulu tester. Ils ont donc formé un réseau de neurones profonds à partir de quelque 18 000 images annotées de globules blancs. Les images étaient extraites de frottis sanguins de 100 patients atteints d’un cancer hématologique – la leucémie myéloïde aiguë – et de 100 témoins. Sa mission : classer les leucocytes et évaluer les performances du réseau en comparant la variabilité inter-expert.

Les résultats de cette étude ont été publiés le 12 novembre 2019 dans la revue Nature Machine Intelligence.

Résultats : l’IA aussi précise que l’humain

La solution basée sur l’intelligence artificielle a été capable d’identifier les cellules sanguines au moins aussi bien qu’un expert en cytologie.  » Notre approche peut potentiellement être utilisée comme aide à la classification pour examiner un nombre beaucoup plus grand de cellules dans un frottis qu’un expert humain. Cela permettra aux cliniciens de reconnaître les populations de cellules malignes présentant une prévalence plus faible et à un stade plus précoce de la maladie », estiment les auteurs de l’étude.

Un manque de données numérisées

Cependant, les algorithmes d’apprentissage en profondeur pour le traitement des images nécessitent, à la fois, une architecture de réseau de neurones à convolution appropriée avec des centaines de milliers de paramètres, et une quantité suffisamment importante de données de formation. Or, aucun grand ensemble de données numérisées sur les frottis sanguins n’était disponible, bien que ces échantillons soient constamment utilisés dans les cliniques. Actuellement, les chercheurs allemands collaborent donc étroitement avec le département de médecine III de l’hôpital universitaire LMU de Munich et l’un des plus grands laboratoires européens de la leucémie, afin de numériser davantage de frottis sanguins.

« Pour intégrer notre approche dans la pratique clinique, la numérisation des échantillons de sang des patients doit devenir une routine, ont souligné ces derniers. Les algorithmes doivent être formés à des échantillons provenant de différentes sources afin de faire face à l’hétérogénéité inhérente à la préparation des échantillons ». Ils espèrent ainsi pouvoir affiner leur modèle et évaluer avec précision d’autres caractéristiques de la maladie, telles que les mutations génétiques.

L’hôpital Foch crée son entrepôt de données de santé (EDS) avec l’objectif d’« accompagner et [d’] accélérer la recherche clinique ». Cet outil, lancé suite à l’accord de la Cnil obtenu le 14 octobre 2019, sera opérationnel au 1er janvier 2020 pour l’ensemble du personnel de recherche de l’établissement, « sous validation stricte du comité d’éthique », indique l’établissement dans communiqué daté de novembre 2019.

Il agrègera « sur une seule et même plateforme » les données administratives et médicales de plus de 500 000 patients « hospitalisés ou venus en consultation au sein de l’hôpital et ne s’y étant pas opposés », soit environ 5 millions de documents : comptes rendus de consultation et d’hospitalisation mais aussi de données de biologie et d’imagerie. L’EDS permettra de « renforcer les essais cliniques » et de « réaliser des études épidémiologiques en interne », en vue d’améliorer « la recherche de diagnostics plus ou moins rares et les délais d’accès aux essais cliniques », précise l’hôpital. Il fera l’objet d’une gouvernance spécifique associant professionnels de santé, chercheurs et représentants de patients, ainsi que le délégué à la protection des données (DPO) de l’établissement.

Dans le cadre de la Chaire de transplantation, créé au sein de l’hôpital Foch en septembre 2018, les données récupérées dans l’entrepôt permettront d’élaborer « un outil de prédiction de l’état de santé et de rechute éventuelles des patients transplantés », par exemple en transplantation pulmonaire, avec l’objectif d’adapter les traitements.

Une équipe de l’université de Californie à San Diego (UC San Diego) a mis au point un algorithme d’apprentissage automatique (machine learning) capable de prédire l’espérance de vie des patients souffrant d’insuffisance cardiaque. À partir de 8 variables, les chercheurs ont établi un score de risque permettant de déterminer les risques de décès élevés et faibles avec une précision de 88 %. Les résultats de cette étude* ont été publiés le 12 novembre 2019 dans l’European Journal of Heart Failure, le journal de la Heart Failure Association de la Société européenne de cardiologie (European Society of Cardiology – ESC).

Quand un malade veut en savoir plus sur son pronostic

La prévision de la mortalité est importante chez les patients insuffisants cardiaques. Cependant, les stratégies actuelles de prévision du risque ne donnent que des résultats modestes. Leur faiblesse vient probablement du fait qu’elles s’appuient sur des méthodes d’analyse statistique qui ne permettent pas de saisir les informations pronostiques dans de grands ensembles de données.

Avi Yagil, un professeur de physique à l’Université de Californie à San Diego, s’est attaqué à ce problème lorsqu’il a découvert qu’il souffrait d’une insuffisance cardiaque. En échec de traitement, il a finalement bénéficié d’une transplantation cardiaque en juin 2016. Et c’est lors de sa convalescence qu’il a commencé à réfléchir aux moyens d’améliorer le parcours de soins pour des patients comme lui.

« Dans mon travail quotidien, j’utilise l’apprentissage automatique (machine learning) pour comprendre une grande quantité d’informations et de mesures de particules et de leurs interactions, explique Avi Yagil. Le corps humain est encore plus complexe mais la profession médicale n’utilise pas assez les technologies nécessaires pour saisir les corrélations multidimensionnelles entre les mesures, telles que les tests de laboratoire, les signes vitaux, et les résultats. Nous avons émis l’hypothèse que cette méthodologie pourrait contribuer à améliorer le pronostic et le traitement des patients atteints d’insuffisance cardiaque. « 

Un algorithme basé sur 6000 insuffisants cardiaques

Le physicien s’est alors associé avec ses cardiologues de la faculté de médecine de l’université de San Diego de l’Institut cardiovasculaire de l’UC San Diego Health. « Nous voulions développer un outil qui prédit l’espérance de vie des patients atteints d’insuffisance cardiaque, indique Eric Adler, directeur des transplantations cardiaques. Il existe des applications dans lesquelles les algorithmes détectent toutes sortes de choses, comme les produits que vous souhaitez acheter. Nous avions besoin d’un outil similaire pour prendre des décisions médicales. La prévision de la mortalité est importante pour les patients insuffisants cardiaques. »

Pour développer leur algorithme d’apprentissage automatique, les chercheurs se sont basés sur les données de dossiers médicaux électroniques anonymisés de 5 822 patients hospitalisés ou ambulatoires souffrant d’insuffisance cardiaque. Le score de risque a été calculé à partir de 8 variables facilement disponibles pour la majorité des patients insuffisants cardiaques, telles que la tension artérielle diastolique, la créatinine, ou encore le nombre de globules blancs.

Les résultats de cette étude ont été publiés en ligne dans l’édition du 12 novembre 2019 du European Journal of Heart Failure.

Résultats : précis à 88%

• L’algorithme était capable de prédire avec précision l’espérance de vie dans 88 % des cas.
• La précision a été identique lorsque l’outil a été testé sur des données de patients non identifiées de l’université de Californie à San Francisco et sur une base de données provenant de 11 centres médicaux européens.
• Ce score de risque était supérieur à celui obtenu par deux scores de risque traditionnels, disponibles dans ces mêmes populations.

« Cet outil nous donne un aperçu de la probabilité qu’un patient donné décède d’une insuffisance cardiaque au cours des trois prochains mois ou d’un an, explique Eric Adler. C’est incroyablement précieux. Cela nous permet de prendre des décisions éclairées basées sur une méthodologie éprouvée et de ne pas avoir à chercher dans une boule de cristal. »

Ces résultats doivent être validés mais le fait de « pouvoir les réutiliser dans des populations indépendantes est d’une importance capitale, validant ainsi notre méthodologie et ses résultats », notent les auteurs de l’étude.

La précieuse collaboration entre physicien et cardiologues

Les chercheurs ont par ailleurs souligné que le partenariat entre physiciens et cardiologues a été essentiel à la mise au point d’un outil fiable.

« Nous avons appris à Avi Yagil comment penser en tant que cardiologue et il nous a appris à penser comme le ferait un physicien », précise Barry Greenberg, directeur du programme de traitement avancé de l’insuffisance cardiaque à l’Institut cardiovasculaire de l’UC San Diego Health.

Une équipe de chercheurs américains a découvert qu’un algorithme très utilisé par les médecins avait conduit à sous-estimer les besoins de soins de millions d’Afro-Américains. Ce biais racial reposait sur une analyse erronée des coûts de santé : moins une personne dépensait d’argent pour ses soins, moins elle était considérée comme à risque et ayant besoin de soins complémentaires. Les résultats de cette étude* ont été publiés le 25 octobre 2019 dans la revue Science.

Un algorithme pour évaluer les besoins en soins…

Les médecins américains ont déjà largement recours à des algorithmes décisionnels, notamment pour évaluer rapidement les patients les plus susceptibles de développer des pathologies et leur proposer une prise en charge adaptée. L’un d’entre eux est déployé à l’échelle nationale, et c’est l’un des plus importants outils commerciaux utilisés par les assureurs pour prendre des décisions en matière de santé pour des millions de personnes chaque année.

Dans ce système, les patients ayant des besoins médicaux particulièrement complexes sont automatiquement signalés par l’algorithme. Une fois sélectionnés, ils peuvent recevoir des ressources supplémentaires. Dans un pays comme les États-Unis où la santé coûte très cher et où le bénéfice d’une prise en charge supplémentaire est loin d’être automatique, les décisions d’un tel algorithme pèsent lourd.

… sans tenir compte de la précarité des patients

Or, des chercheurs américains viennent de démontrer que cet outil que  » presque tous les grands établissements utilisent, ainsi que les assureurs  » avait lésé des millions d’Afro-Américains en matière de traitement. L’étude ne nomme pas les développeurs de l’algorithme mais détaille la façon dont il parvient à des conclusions erronées.

Concrètement, pour évaluer les besoins en soins d’un patient, l’algorithme emploie le critère des coûts. Plus une personne a un niveau de dépenses de santé élevé, plus elle est classée par l’algorithme comme à risque et susceptible de recevoir des soins complémentaires . Les chercheurs américains, auteurs de l’étude parue dans Science le 23 octobre 2019, ont estimé que cet algorithme reposait sur des biais raciaux.

Résultats

• En raison de l’inégalité d’accès aux soins, les patients noirs dépensent beaucoup moins pour leurs traitements que les patients blancs souffrant de la même affection.  
• l’algorithme n’a pas tenu compte de cette différence entre patients noirs et blancs
• l’algorithme concluait au départ que 17,7% des patients afro-américains avaient besoin de soins complémentaires alors que ce taux montait à 46,5% lorsque le biais était corrigé

« Le coût est un indicateur de santé acceptable mais il est susceptible d’introduire un biais, et en l’occurrence, c’est le choix de cet indicateur qui a biaisé l’algorithme », a déclaré Ziad Obermeyer, professeur associé par intérim à l’Université de Californie à Berkeley, co-auteur de l’étude. D’autres disparités, telles que la manière dont les médecins traitent les patients, peuvent également contribuer à cette différence.

La bonne nouvelle, c’est que « ce biais est réparable, pas avec de nouvelles données, ni avec un réseau de neurones plus sophistiqué, mais en modifiant simplement ce que l’algorithme est censé prédire « , estiment les chercheurs. L’analyse d’un sous-groupe de coûts, tel que les soins aux urgences, permettrait de minimiser les risques de biais.

Projet de loi de bioéthique : comment se prémunir des biais

Comme le soulignent les auteurs du rapport « Algorithmes : biais, discrimination et équité », réalisé en mars 2019 par Telecom ParisTech et l’université de Nanterre, « la mise en oeuvre d’un algorithme correspond à l’application de règles et d’instructions qui devraient permettre de s’affranchir de la partialité qui caractérise parfois les décisions humaines. Cependant, les algorithmes n’échappent pas à cet écueil… Et nous savons que les opinions peuvent conduire à des pratiques discriminatoires à l’encontre des personnes. »

Focus sur l’article 11

Pour remédier à ces travers, l’article 11 du projet de loi de bioéthique, votée en première lecture à l’Assemblée nationale le 15 octobre, prévoit des garde-fous : la traçabilité des algorithmes (pour éviter l’effet « boite noire »), l’intervention d’un professionnel de santé pour le paramétrage de ces algorithmes et la mise en perspective des résultats issus des algorithmes par un professionnel de santé. En marge du projet de loi, le gouvernement avait estimé que la validité des conclusions produites par les algorithmes pouvait être  » limitée par des défauts ou biais (volontaires ou non) liés à leur développement et/ou aux bases sur lesquelles s’est réalisé l’apprentissage, mais aussi par les limites des informations effectivement prises en compte au regard des particularités spécifiques propres à chaque situation clinique « .

Des algorithmes d’apprentissage automatique ont permis d’identifier avec précision les patients à risque élevé de mortalité dans les 6 mois. Tels sont les résultats issus d’une étude* menée sur une cohorte de plus de 26 000 patients. Les chercheurs, issus de l’université de Pennsylvanie, estiment qu’un tel outil pourrait faciliter des conversations plus précoces entre patients et médecins sur le traitement et les préférences de fin de vie. Les résultats de ces travaux ont été publiés le 25 octobre 2019 dans le Jama Network Open.

L’intelligence artificielle pour préparer la fin de vie

La majorité des patients atteints de cancer décèdent sans avoir bénéficié de soins palliatifs et sans avoir pu échanger sur leurs souhaits pour leur fin de vie. Préparer cette étape est pourtant un souhait exprimé par la plupart des malades ainsi que par leur entourage. Si ce temps d’échange fait défaut, c’est en partie parce que les oncologues ne parviennent pas à identifier avec précision les patients présentant un risque de mortalité à court terme. Soit par excès d’optimisme, soit parce que les outils actuels permettant d’estimer le risque de mortalité ne sont pas très performants. Ces derniers ne s’adaptent pas à tous les cancers et sont très consommateurs de temps pour rentrer les données des malades.

Des chercheurs américains de l’université de Pennsylvanie ont donc émis l’hypothèse que des algorithmes d’apprentissage automatique (machine learning) pourraient identifier avec précision tous les patients cancéreux présentant un risque de mortalité à court terme. « Il est bien connu que la connaissance et l’exactitude des pronostics peuvent éclairer les conversations en temps opportun sur les objectifs de traitement et les préférences de soins des patients atteints de cancer, commente Ravi Parikh, MD, le principal auteur des travaux. Néanmoins, en utilisant les outils existants, les oncologues ne peuvent identifier qu’environ 30 % des patients qui mourront au cours de la prochaine année. »

Trois algorithmes testés pour prédire la mortalité

Les chercheurs ont développé, validé et mis en œuvre un algorithme d’apprentissage automatique permettant de prédire la mortalité dans un contexte d’oncologie générale à l’aide de données du dossier médical électronique.

Quelque 26 525 adultes traités dans un grand centre universitaire de cancérologie et 10 cabinets communautaires affiliés ont été inclus dans l’étude et les patients ont été suivis jusqu’à 500 jours après la consultation oncologique.

3 algorithmes (forêt aléatoire, renforcement de gradient et régression logistique) ont été testés. Ils reposaient sur plusieurs indicateurs, tels que l’âge du patient, le caractère métastatique du cancer et les lymphocytes.

Les résultats de cette étude ont été publiés le 25 octobre 2019 dans le Jama Network Open.

Résultats : plus de conversations médecin-malade

• 51 % des patients identifiés comme « hautement prioritaires » par le système sont décédés dans un délai de 180 jours.
• moins de 4 % des patients considérés comme « moins prioritaires » sont décédés dans le même laps de temps.
• 5 mois après la mise en œuvre de l’intervention, le taux mensuel moyen de conversations a augmenté de 23 %.

« Notre processus d’apprentissage automatique permettant de repérer les patients à haut risque en temps réel est tout à fait applicable, et notre approche consiste à stratifier les risques de manière utilisable, ce qui n’était tout simplement pas disponible pour nous auparavant, explique Ravi Parikh, principal auteur de l’étude. Avec un tel algorithme, les médecins de la clinique pourraient s’arrêter et se demander : « Est-ce le bon moment pour parler des préférences de ce patient ? » »

Ces résultats vont maintenant être testés plus formellement dans le cadre d’un essai contrôlé randomisé.

Bientôt un algorithme de prévision de la mortalité à l’AP-HP 

En juin 2019, des épidémiologistes français de l’AP-HP ont également mené une étude pluridisciplinaire qui s’est appuyée sur une méthode originale de machine learning afin de mettre au point un algorithme prédictif de la mortalité à un an chez les patients âgés atteints de cancer.

Dans ce cas aussi, le modèle de survie utilisant la méthode d’apprentissage automatique s’est révélé plus performant pour prédire la mortalité à un an que le modèle statistique traditionnel. Implémenté via une interface web interactive, simple et rapide d’utilisation, il devrait prochainement être mis à disposition des cliniciens pour faciliter l’évaluation du pronostic de leurs patients âgés atteints de cancer. Par ailleurs, il fera l’objet d’évaluations complémentaires auprès de différents utilisateurs potentiels.