Incubateurs

Des chercheurs israéliens du Centre médical Sheba ont évalué une plateforme d’aide à la décision clinique basée sur l’intelligence artificielle (IA). La solution, baptisée « Medaware », recueille les données liées aux prescriptions médicamenteuses dans les dossiers électroniques et alertent en cas d’erreurs, de contre-indications ou encore de risques de dépendance. Testé pendant 16 mois, le système d’apprentissage automatique s’est révélé pertinent : 80 % des alertes étaient utiles sur le plan clinique et près de la moitié ont été suivis de pratiques correctives. Les résultats de cette étude* ont été publiés le 7 août 2019 dans le Journal of American Medical Informatics Association (JAMIA).

Le lourd fardeau des erreurs médicamenteuses

Entre 2013 et 2017, l’Agence nationale de sécurité du médicament a recensé plus de 12000 erreurs médicamenteuses. Parmi elles, 60 % ont été responsables d’effets indésirables, dont la moitié était grave. Aux États-Unis, elles font au moins un mort par jour et causent des lésions chez 1,3 million de personnes chaque année. Enfin, au niveau mondial, l’OMS estime le coût de ces erreurs à 42 milliards de dollars, soit près de 1 % de l’ensemble des dépenses de santé au niveau mondial. Or, potentiellement, toutes ces erreurs sont évitables. D’autant qu’elles surviennent souvent à cause de défaillances de systèmes de santé informatisés.

De nombreux systèmes ont été mis en place pour prévenir de telles erreurs mais ils génèrent souvent un grand nombre d’alertes pour de « fausses erreurs », ce qui constitue un fardeau pour les équipes soignantes. Ces alertes seraient par conséquent ignorées dans la grande majorité des cas.

L’IA repère les écarts de prescription

Afin de resserrer les mailles du filet, des systèmes basés sur l’apprentissage automatique se sont développés. Parmi eux, la plateforme Medaware, qui exploite en continue les données recueillies dans les dossiers de santé électronique grâce à des algorithmes d’apprentissage automatique. L’hypothèse sous-jacente de cette solution est que la plupart des médecins fonctionnent bien la plupart du temps. En conséquence, les schémas de prescription de milliers de médecins traitant des millions de patients peuvent être utilisés pour déterminer le spectre de traitement « normal ». Une ordonnance s’écartant largement de ce spectre risque d’être erronée. Ainsi MedAware peut potentiellement détecter des erreurs de prescription, un risque de dépendance aux opioïdes, des contre-indications, etc.

Chaque fois qu’un médecin entre une nouvelle ordonnance par le biais du système informatisé de saisie des commandes, le logiciel Medaware effectue une évaluation en temps réel du médicament prescrit par rapport au profil du patient spécifique et à jour. Lorsqu’il identifie un écart par rapport au spectre de traitement normal de patients similaires, il envoie une alerte au médecin, soulignant l’erreur potentiellement dangereuse. Le médecin peut répondre en acceptant ou en rejetant l’alerte. Le système garde également une trace de tous les médicaments actifs et fournit des alertes supplémentaires si de nouvelles données entrantes (telles que des analyses de sang, des procédures, des diagnostics, etc.) rendent l’un des médicaments actifs dangereux. Le système est évidemment auto-apprenant : une alerte rejetée de manière répétée n’est plus répétée, évitant ainsi la fatigue pour les soignants.

80 % des alertes sont utiles

Le Centre médical Sheba, qui est le plus grand hôpital d’Israël, a évalué la précision, la validité et l’utilité clinique des alertes d’erreur de médication générées par ce nouveau système. Le système surveillait toutes les ordonnances de médicaments rédigées pendant 16 mois. Le personnel du département a ensuite évalué toutes les alertes quant à leur exactitude, leur validité clinique et leur utilité. Le Centre médical Sheba est partenaire de la société Medaware.

Les résultats de ces travaux ont été publiés le 7 août 2019 dans le Journal of American Medical Informatics Association (JAMIA).

Résultats

• 0,4 % des prescriptions ont fait l’objet d’une alerte.
• 60 % des alertes ont été déclenchées après la délivrance d’un médicament suite à des changements dans l’état du patient.
• 85 % des alertes ont été jugées exactes.
• 80 % des alertes ont été considérés comme utiles cliniquement.
• Dans 43 % des cas, des mesures correctrices ont été apportées.

Les auteurs de l’étude estiment que ce système d’aide à la décision clinique utilisant une approche probabiliste d’apprentissage automatique « présentait une grande précision, une charge d’alerte faible et un taux de faux positifs faible, ce qui a entraîné des modifications dans les commandes ultérieures. »

Évaluation positive d’Harvard

Dans une étude antérieure publiée en 2017 dans le JAMIA, le système Medaware avait été évalué par des chercheurs de la Harvard Medical School. Les données de 800 000 patients avaient été analysées. Les trois quarts des alertes examinées dans les dossiers générées par le système de dépistage avaient été jugées valables et avaient permis d’identifier des erreurs potentielles de médication. Parmi ces alertes valides, la majorité (75,0 %) s’était avérée cliniquement utile.

Un algorithme d’intelligence artificielle pourrait détecter des anomalies invisibles à l’œil nu sur un électroencéphalogramme (ECG). Selon une étude* menée par des chercheurs américains de la Mayo Clinic et publiée le 1er août 2019 dans The Lancet, ce système a permis d’identifier les cas de fibrillation auriculaire avec une précision de 83 %, alors que l’ECG paraissait normal.

Un trouble du rythme cardiaque trop discret

La fibrillation auriculaire est un trouble du rythme cardiaque qui reste parfois silencieux. L’activité électrique anarchique et rapide du muscle des oreillettes peut certes provoquer des douleurs dans la poitrine et des étourdissements mais dans certains cas, aucun symptôme ne se manifeste. Il est alors particulièrement difficile de la dépister, d’autant que certaines fibrillations auriculaires (FA, appelées aussi atriales) sont dites paroxystiques, survenant donc par épisodes. Si un électrocardiogramme est pratiqué alors que le rythme cardiaque est régulier, les chances de dépistage sont alors quasi nulles.

Un algorithme pour rendre l’ECG plus performant

Or, une fibrillation auriculaire, même asymptomatique, n’a rien d’anodin. Elle est associée à un risque d’AVC et d’insuffisance cardiaque. C’est pourquoi lorsque qu’un AVC sans cause identifié se produit, le patient subit un ECG dans le but de détecter une éventuelle FA et de prévenir une récidive d’AVC. Mais l’examen n’est donc pas toujours efficace. C’est pourquoi des chercheurs américains de la Mayo Clinic ont développé un algorithme d’intelligence artificielle. Nourri par les données issues de 450 000 ECG, l’algorithme a appris à détecter les modifications très subtiles enregistrées lors de l’électrocardiogramme. Il a ensuite été validé sur plus de 63 000 ECG issus de 18 000 personnes et a enfin été testé sur 130 000 ECG de 36 000 individus, dont 3 051 avaient une fibrillation auriculaire identifiée.

Les résultats de cette étude ont été publiés le 1er août 2019 dans la revue The Lancet.

Résultats : une précision de 83%

• Un seul ECG associé à l’IA a détecté une FA avec une sensibilité de 79 % et une spécificité de 79,5 %.
• L’ensemble des ECG associé à l’IA réalisés pour un même patient atteint une sensibilité de 82,3 % et une spécificité de 83,4 %.

Le Dr Paul Friedman, directeur du département de médecine cardiovasculaire de la clinique Mayo, aux États-Unis, a déclaré que « l’application d’un modèle d’IA à l’ECG permet de détecter la fibrillation auriculaire, même si elle n’était pas présente au moment de son enregistrement. C’est comme si on regardait l’océan maintenant et que l’on pouvait dire qu’il y a eu de grosses vagues hier. »

Un test peu onéreux et peu invasif

Les auteurs de cette recherche tiennent malgré tout à relativiser ces résultats car pour le moment, l’IA a été formée à l’aide d’ECG de personnes nécessitant des investigations cliniques mais pas de personnes victimes d’un AVC inexpliqué ni à l’ensemble de la population. « Nous ne sommes donc pas encore sûrs du résultat de ce diagnostic, a déclaré le principal auteur de l’étude. La capacité de tester rapidement et à peu de frais avec un test non invasif et largement disponible pourrait un jour aider à identifier la fibrillation auriculaire non diagnostiquée et ainsi opter pour un traitement important permettant de prévenir les accidents vasculaires cérébraux et d’autres maladies graves. »

En France, 1 % de la population générale souffre d’une FA ; le taux grimpe à 10 % chez les plus de 80 ans. Et dans 20 à 30 % des cas, les AVC sont provoqués par une fibrillation auriculaire qui souvent n’avait pas été dépistée.

Health & Tech Intelligence revient sur l’actualité de l’été 2019.

Siemens Healthineers décroche le marquage CE pour AI-Rad Companion, un logiciel de radiologie basé sur intelligence artificielle (IA). Cette obtention, annoncée par le groupe le 26 juillet 2019, ouvre la voie à un déploiement dans des établissements de santé en Europe.

La première application de ce dispositif médical est l’imagerie thoracique avec l’AI-Rad Companion Chest CT. Sur la base de l’IA, l’assistant numérique peut automatiquement analyser les images tomodensitométriques (TDM) du thorax et mesurer des résultats pathologiques anormaux. Le logiciel vise à apporter un soutien aux radiologues en établissant un diagnostic plus rapide et de meilleure qualité.

« Cette solution dotée d’IA est capable de réaliser une analyse multi-organes, ce qui en fait le premier outil du genre à décrocher un marquage CE », commente Agnès Malgouyres, responsable marketing IA de la filiale du groupe allemand, Healthineers, spécialisée dans les technologies pour l’imagerie médicale (source : APM).

Siemens Healthineers prévoit d’étendre cette plateforme de manière à ce que de plus en plus d’algorithmes intelligents soient disponibles pour des organes et des modalités supplémentaires, explique le groupe dans un communiqué. Cela permettra à la société d’élargir de manière constante son portefeuille de solutions d’aide à la décision clinique basée sur l’intelligence artificielle.

« Les diagnostics basés sur des algorithmes [génèrent] des résultats constants »

« Les résultats établis par les radiologistes peuvent varier de 10 à 20 %, en fonction des chercheurs, indique le Dr Bram Stieltjes, responsable de la coordination de la recherche en radiologie et en médecine nucléaire à l’Hôpital universitaire de Bâle (communiqué). Les diagnostics basés sur des algorithmes éliminent complètement cette variabilité en générant des résultats constants. Ce seul avantage constitue un énorme avantage pour les plateformes d’intelligence artificielle telles que l’AI-Rad Companion. »

Le logiciel peut s’appliquer aux organes comme le cœur et les poumons

En utilisant des images tomodensitométriques du thorax, le logiciel permet de différencier les différentes structures du thorax, de les surligner individuellement mais aussi de marquer et de mesurer automatiquement les anomalies potentielles, explique Siemens Healthineers dans son communiqué. Le processus s’applique également aux organes tels que le cœur et les poumons, l’aorte et les corps vertébraux. Il transforme automatiquement les résultats en un rapport quantitatif, qui peut être consulté via le système de visualisation d’images utilisé par le radiologue en routine clinique.

Dans certaines circonstances, l’assistant intelligent avertit également les médecins des anomalies potentielles qui auraient autrement été omises parce qu’elles n’étaient pas au centre de l’examen initial, par exemple les découvertes fortuites de dilatations pathologiques de l’aorte (anévrismes).

Un logiciel conforme au RGPD

AI-Rad Companion Chest CT est une solution cloud qui utilise une infrastructure « templay » sécurisée et certifiée, conforme à la loi HIPAA des États-Unis et au RGPD de l’Union européenne. Le logiciel est également conforme aux normes DICOM.

Les images et toutes les informations d’appui peuvent être automatiquement mises à disposition dans le système d’archivage et de communication d’images (PACS) en fonction des besoins spécifiques du radiologue.

Si les professionnels de santé libéraux ont pris l’habitude d’échanger des données via des messageries classiques, la confidentialité des données et le respect du secret médical doivent être respectés. Bien que non obligatoire pour un médecin libéral, l’hébergeur de la messagerie doit répondre aux contraintes réglementaires de sécurité des échanges et de stockage de données de santé auxquelles est tenu le médecin.
Il existe plusieurs messageries sécurisées, les principales étant MSSanté et Apicrypt, sachant que certaines ne peuvent communiquer qu’avec des correspondants ayant le même logiciel, ce qui pose des questions en termes d’interopérabilité.

Dans un contexte général marqué par l’entrée en vigueur du RGPD en mai 2018 et la mise en place de sanctions à l’encontre des contrevenants par la Cnil, Health & Tech Intelligence fait le point sur les principales messageries sécurisées de santé existant sur le marché français avec :
• un rappel de ce qu’est l’Espace de confiance MSSanté (repères) ;
• un état des lieux du marché et du déploiement ;
• un focus sur les 4 solutions principales du marché : Apicrypt (Apicem), Santenet Box (Inovelan), Medimail (Mipih) et le service Mailiz, opéré par l’Asip Santé pour le compte des Ordres de santé.

Repères : L’Espace de confiance MSSanté

En ville ou à l’hôpital, au cabinet ou en déplacement, la messagerie que les professionnels de santé utilisent doit garantir un haut niveau de sécurité et d’interopérabilité. L’objectif est de faciliter la coordination des soins tout en protégeant la vie privée des patients ainsi que la responsabilité professionnelle des praticiens.

Pour apporter une réponse à ces enjeux, l’Asip Santé a créé en 2013, au nom des pouvoirs publics et en concertation avec l’ensemble des Ordres professionnels et des industriels du secteur, l’Espace de confiance MSSanté afin de développer les messageries sécurisées de santé.

MSSanté désigne un ensemble de messageries réservées aux professionnels de santé et du secteur médico-social, développées par différents opérateurs de messagerie et intégrées à un « espace de confiance » promu par l’Asip, au sein duquel les mails peuvent s’échanger en toute sécurité.

Ce système nativement décentralisé organise les échanges entre des opérateurs multiples assurant chacun la responsabilité de leur service. Dès lors qu’il respecte les prérequis de sécurité, d’interopérabilité et de conformité à la loi, tout opérateur de messagerie peut intégrer l’espace de confiance.

Contenu de l’Espace de confiance

Représentation graphique de l’Espace de confiance

Messageries sécurisées de santé : état du marché et du déploiement

Caractéristiques du marché

MSSanté : informations clés

• Plus de 1 974 établissements de santé sont inscrits dans une démarche d’accompagnement pour intégrer l’espace de confiance MSSanté et plus de 1 000 établissements, dont la majorité des grands hôpitaux publics et des principaux groupes privés, sont déjà raccordés à l’espace de confiance.
• 64 175 professionnels de santé libéraux ont déjà ouvert une messagerie MSSanté dont 48 494 médecins (42,3 % des médecins en France). Au total, ce sont 102 205 boîtes aux lettres MSSanté qui permettent d’échanger près de 500 000 messages dans l’espace de confiance, chaque mois, entre établissements, professionnels de santé, laboratoires, ville et hôpital…
• L’intégration de MSSanté dans les logiciels de professionnels de santé est l’un des facteurs importants d’appropriation de la messagerie sécurisée par les professionnels de santé libéraux.
• Les éditeurs de la Fédération des éditeurs d’informatique médicale et paramédicale ambulatoire (Feima), soutien du projet MSSanté depuis ses débuts, ont fait évoluer leurs offres pour permettre à leurs utilisateurs de lire et d’envoyer leurs mails MSSanté directement depuis leur logiciel de gestion de cabinet.
• Actuellement, les logiciels intégrant MSSanté couvrent une grande partie du secteur :
  • 72 % des médecins généralistes et spécialisés ;
  • 73 % des infirmiers ;
  • 73 % kinésithérapeutes ;
  • 78 % des pharmacies ;
  • 40 % des dentistes.

Source : Asip Santé, février 2018

Liste des logiciels de professionnels de santé qui intègrent MSSanté

Liste des solutions disponibles selon les régions

Focus sur les principales solutions du marché

Il existe 3 messageries sécurisées sur le marché qui se distinguent dans le marché français de par le nombre de leurs références et le nombre de leurs utilisateurs :

Apicrypt (Apicem)

• Apicrypt est reconnu comme le plus grand réseau médical de France, en flux comme en nombre d’utilisateurs, avec :
  • 77 millions de courriers en un an ;
  • plus de 70 000 abonnés représentants ;
  • plus de 135 spécialités médicales ou paramédicales, avec un fort positionnement chez les professionnels libéraux.

Santenet Box (Inovelan)

• Spécialisée dans l’échange et le partage sécurisé des données de santé ainsi que la coordination de parcours du patient, Inovelan est aussi le premier éditeur industriel à avoir reçu la certification « Qualité hôpital numérique » (juillet 2016) dans l’espace de confiance de la MSS proposée par l’Asip Santé.

Medimail (Mipih)

• Leader dans le domaine des systèmes d’information hospitaliers (SIH) et 1er hébergeur certifié données de santé, la messagerie sécurisée Medimail est utilisée dans plus de 300 structures françaises.

+ Le service Mailiz opéré par l’Asip Santé pour le compte des Ordres de santé

Mailiz est un service de messagerie gratuit qui, à l’instar des messageries sécurisées régionales ou des solutions intégrées au logiciel de gestion de cabinet, fait partie de l’Espace de confiance MSSanté.

Messageries sécurisées de santé : panorama des principales solutions du marché

Une étude menée par des chercheurs américains de l’Indiana University montre qu’il serait possible d’automatiser le dépistage des patients nécessitant des soins pour la dépression dans une population de patients. Un système basé sur l’apprentissage automatique (machine learning) a permis d’utiliser un très grand nombre de données qu’un clinicien ne peut pas prendre en compte. Un tel outil pourrait faciliter la mise en place de soins préventifs. Les résultats de ces travaux* ont été publiés le 22 juillet 2019 dans le Journal of Medical Internet Research (JMIR).

Des failles dans le repérage des patients dépressifs

Selon les chiffres officiels, le nombre de personnes souffrant de dépression n’a cessé d’augmenter en France depuis les années 2000. Actuellement, 10 % de la population serait touchée, contre 8 % il y a une vingtaine d’années. Au coût humain s’ajoute le coût financier : 1 000 milliards de dollars par an dans le monde, selon un rapport de l’Organisation mondiale de la santé (OMS) paru en 2017.

Identifier les personnes nécessitant une prise en charge représente un défi majeur. Comme il est irréalisable de former tous les soignants à un tel repérage, de nombreux systèmes de santé utilisent des outils, qui sont des échelles d’évaluation.

Cependant, ces systèmes ne sont pas des solutions optimales car ils mobilisent malgré tout de manière importante le personnel soignant, dépendent fortement de résultats potentiellement inexacts rapportés par les patients, et n’utilisent qu’un petit sous-ensemble de données cliniques comportementales. Le risque de surdiagnostic est réel et des études récentes ont montré qu’un tel dépistage systématique dans les structures de santé n’était pas pertinent.

C’est pourquoi il semble plus approprié de développer des approches de dépistage basées sur l’apprentissage automatique (machine learning) capables de tirer parti de jeux de données de patients plus complets représentant leur état de santé général. L’apprentissage automatique permet d’apprendre de multiples jeux de données de soins primaires et secondaires que le clinicien ne serait pas en capacité d’exploiter du fait de leur abondance.

Big data + machine learning pour trier les patients à risques

Afin d’évaluer le potentiel de cette nouvelle opportunité, des chercheurs américains de l’Indiana University ont identifié une population de 84 317 patients adultes (âgés de 18 ans et plus) ayant effectué au moins une visite de soins primaires entre 2011 et 2016 dans une centre de santé d’Indianapolis.

Dans un premier temps, ils ont développé une taxonomie de la dépression afin d’identifier tous les concepts biomédicaux et les termes liés à cette pathologie. Ces caractéristiques présentaient une grande variété de caractéristiques diagnostiques, démographiques et comportementales qui influaient sur l’apparition et la gravité de la dépression.

Ensuite, ils ont sélectionné 3 groupes de patients à haut risque et ils se sont procurés les dossiers médicaux de chacun. « L’ensemble de données comprenait un large éventail de données sur les patients, y compris des données démographiques, diagnostiques, comportementales et de visite, rapportées sous forme structurée et non structurée », précisent les auteurs de l’étude.

Ils ont développé un algorithme de « forêt aléatoire » à partir de ces données. Le but était d’identifier les personnes qui souffriraient de la détérioration de leur état de santé s’ils ne bénéficiaient pas d’un traitement spécialisé de haute intensité pour la dépression.

Les résultats de ces travaux ont été publiés le 22 juillet dans le Journal of Medical Internet Research (JMIR).

Résultats : 8 patients sur 10 identifiés

• 12 432 patients avec un diagnostic de dépression (le groupe le plus à risque) ont été identifiés, sur un total de 37 560 patients à risques repérés.
• Ces patients à risque étaient en majorité urbains et de sexe féminin.
• Sur les 8,29 % des 84 317 patients ayant besoin de soins avancés pour la dépression, 80 % ont été identifié par l’algorithme.
• Plus de 1 000 concepts liés à la terminologie de la dépression ont été identifiés et inclus dans le modèle de décision
• L’hypertension, une dépression antérieure, le sexe et le nombre de visites au centre de soins faisaient partie du top 20 des caractéristiques les plus déterminantes.
• Le modèle décisionnel prédisant le besoin de soins avancés dans la population principale signalait un score de 78,87 %.

En résumé, le modèle décisionnel permettant de prédire le besoin de soins avancés pour la dépression dans l’ensemble de la population de patients a obtenu un score de 78,87 %. Dans les 4 groupes de patients à haut risque, ces scores allaient de 86,31 à 94,43 %. La sensibilité et la spécificité étaient significativement élevées et démontraient qu’un tel outil pouvait être développé et mis en pratique, estiment les auteurs de l’étude.

« Un potentiel considérable » pour faire de la prévention

« Cependant, il est à noter qu’aucun des modèles de décision développés à partir de populations à haut risque ne pouvait prendre en compte tous les patients nécessitant des soins avancés », reconnaissent les chercheurs.

Globalement, les 3 modèles ne pouvaient capturer que 80,26 % des patients nécessitant des soins poussés. Ils émettent l’hypothèse qu’une part des 19,74 % de patients manquants aurait été classée dans l’un des trois groupes de patients à haut risque si des données plus complètes avaient été disponibles et avaient donc été éligibles pour le dépistage.

Ce dépistage automatisé et « extrêmement précis » de la dépression pourrait, selon eux, être facilement intégré dans les structures de santé dont l’interopérabilité des jeux de données est de plus en plus une réalité.

« Ces résultats montrent un potentiel considérable pour permettre la mise en place de soins préventifs, sans risque de surdiagnostic ni de surtraitement et sans utiliser de mécanismes de dépistage manuel », concluent les auteurs de ces travaux.

« L’’intelligence artificielle (IA) transforme de manière rapide le système de santé. C’est un accélérateur, un nouvel outil qui doit être également mobilisé au bénéfice de l’innovation organisationnelle« , estime Yannick Le Guen, directeur de la stratégie à l’agence régionale de santé (ARS) Île-de-France.

Dans une interview accordée à Health & Tech Intelligence, il revient avec Seak-Hy Lo, coordinatrice senior d’études au sein de l’ARS, sur les 2 projets centraux menés par l’agence dans le domaine de la data et de l’IA pour améliorer les parcours de soins, soit :
• un système de traitement des données pour améliorer la prise en charge de l’infarctus du myocarde (IDM) aigu  : projet retenu pour le Health Data Hub (HDH) dans le cadre de l’appel à projets (AAP) lancé en janvier ;
• un outil prédictif des soins non programmés aux urgences.

Yann Le Guen explique par ailleurs qu’en matière d’éthique, il ne faut pas simplement, selon oui, « être conforme aux règlements en vigueur au niveau juridique sur ce sujet ». Il faut anticiper et « aller au-delà en co-construisant les projets afin de lever les craintes, de montrer aux acteurs que nous sommes transparents sur les finalités des projets », estime-t-il. Il indique également que l’ARS ne cherche pas particulièrement à être pionnière en matière d’exploitation de l’IA dans le domaine de la santé, ajoutant que, de fait, le développement numérique rendait possible une « collaboration en réseau » et que l’agence était ouverte à des coopérations avec d’autres régions.

Combattre les inégalités d’accès aux soins par l’analyse des données de santé

Quelles sont les études portées par l’Agence régionale de santé d’Île-de-France reposant sur l’utilisation des données et de l’intelligence artificielle (IA) ?

Yannick Le Guen : Les études de l’ARS en matière de data sont basées sur les données natives du SNDS et les données régionales issues de divers registres dont la Région dispose. Un de nos sujets est de mobiliser ces données parce qu’elles donnent des éléments de contexte mais aussi des informations précieuses pour mieux analyser les pratiques des franciliens et des professionnels de la santé afin d’améliorer les actions à mener dans notre région. Elles sont enrichies avec le comparateur que représente le SNDS.

Le projet régional de santé (PRS) de l’ARS est centré sur 4 priorités : la périnatalité, la cancérologie, les maladies neurodégénératives et la santé mentale ainsi que le cardiométabolisme.

L’analyse des données dans ces 4 champs a pour objectif de combattre les inégalités d’accès aux soins, l’Île-de-France étant la région où elles sont les plus marquées.

L’ARS se concentre actuellement sur 2 sujets centraux en matière d’intelligence artificielle (IA) et de data :

• le projet retenu pour le Health Data Hub (HDH) dans le cadre de l’appel à projets (AAP) lancé en janvier, portant sur le traitement des données pour améliorer la prise en charge de l’infarctus du myocarde (IDM) aigu.
  • Le projet est issu d’un partenariat entre l’ARS, le GCS Sesan, les soignants (l’ensemble des Samu, Smur et la BSPP d’Île-de-France) mais aussi deux équipes de l’Inserm. Les travaux devraient commencer de manière concrète au 4ième trimestre 2019, les démarches juridiques, notamment celles pour obtenir une autorisation de la Cnil, prenant plusieurs mois. Les premiers indicateurs de parcours concernant l’infarctus du myocarde devraient être publiés en fin d’année ;
• l’ARS lance aussi un outil prédictif des soins non programmés aux urgences.
  • o Il y a eu un atelier d’idéation en avril et un datathon interne devrait être organisé au 4ième trimestre 2019. Cela prend du temps parce que nous devons nous assurer d’être conformes au RGPD. L’objectif est dans un premier temps de mettre la solution à la disposition des établissements et de l’ARS. 

1. Prise en charge de l’IDM aigu : le projet retenu par le Health Data Hub

Quel est votre état d’esprit 3 mois après avoir intégré le Health Data Hub en construction ?

Yannick Le Guen : C’est un honneur. On a été retenu parmi 189 projets. L’appel était très concurrentiel. Cela démontre le niveau de maturité de notre projet et c’est aussi une reconnaissance du point de vue technique. Ce projet va permettre de fédérer les acteurs de santé sur le sujet de la cardiologie mais nous voulons reproduire la solution à d’autres domaines avec encore une fois comme objectif d’améliorer les prises en charge et de réduire les inégalités en santé.

Le Health data hub va accompagner la mise en place du projet, notamment sur les volets juridique et technique.

Quels sont les bénéfices attendus pour l’ARS en collaborant avec le HDH ?

Yannick Le Guen : Ce projet va nous permettre, de gagner en visibilité et en crédibilité vis-à-vis des professionnels et de la population en faisant reconnaître l’agence comme un tiers de confiance en matière de partage de données.

Quant à la question du coût des infrastructures requises, elle reste marginale dans la mesure où nous disposons déjà d’un socle très important pour d’autres projetsLe vrai sujet est celui des ressources humaines et de compétences. Le soutien que nous apporte le HDH est important parce qu’il est de niveau national. Il nous permettra de travailler avec des data scientists spécialisés, experts sur les données de santé et nous savons comme il peut être difficile d’avoir ce type de ressource en région.

2. Un outil prédictif des soins non programmés

Quel sera la finalité du projet ?

Seak-Hy Lo : Nous sommes en train de créer un prototype. Quand cet outil sera consolidé, il faudra l’améliorer au fur et à mesure et le faire progresser en termes de granularité, de territoire et de maladie. Le plus compliqué, ça va être après, de trouver comment le mettre en place au niveau des ressources humaines.

Notre objectif est de parvenir à une granularité fine au niveau du bassin de santé. Ce n’est pas un outil de prédiction régional. Il s’adresse aux acteurs de santé pour leur territoire.

Yannick Le Guen : Le but est d’améliorer l’organisation des acteurs de santé, de leur donner les moyens d’anticiper les flux parce qu’il y a d’autres facteurs à prendre en considération que les épisodes climatiques par exemple.

D’autres projets sont-ils prévus dans ce domaine pour les mois ou années à venir ?

Yannick Le Guen : Nous avons ces 2 importants projets, nous souhaitons bien sûr traiter d’autres sujets mais nous devons d’abord faire nos preuves. L’idée est d’aller jusqu’au bout de ces 2 initiatives afin d’exploiter au maximum les données et d’en tirer des enseignements, puis d’élargir le champ d’utilisation.

Quel est le budget dont dispose l’ARS pour la diffusion des innovations en santé ?

Yannick Le Guen : Je ne peux pas vous donner le montant d’une enveloppe précise car l’agence intervient sur de multiples champs qui intègrent les innovations organisationnelles. Tous ces projets ont un coût. Ils sont soumis à un arbitrage du directeur général en fonction de leur qualité et de leur intérêt pour la transformation du système de santé.

Éthique et IA : aller au-delà de la réglementation en « co-construisant »

Les préoccupations d’ordre éthique des acteurs peuvent représenter un frein au déploiement des solutions visant à personnaliser le parcours de soins. Comment pensez-vous pouvoir rassurer les professionnels et les usagers à ce sujet ? 

Yannick Le Guen : Nous avons des groupes d’experts en éthique qui donnent leur avis sur les projets mais cela ne suffit pas. Il faut établir une confiance avec les professionnels et les usagers. Cela passe par la transparence, en expliquant pourquoi et comment on utilise telles données et quelles lignes nous ne franchiront pas dans leur exploitation.

Nous nous appuyons sur une charte d’utilisation des données au niveau régional. C’est essentiel parce que cette préoccupation en matière d’éthique ne va que croître.

Il ne faut pas simplement être conforme aux règlements en vigueur au niveau juridique sur ce sujet. Il faut anticiper et aller au-delà en co-construisant les projets afin de lever les craintes, de montrer aux acteurs que nous sommes transparents sur les finalités des projets. Si nous expliquons bien cela, le sujet de l’IA sera accepté plus facilement.

« Nous sommes ouvertes à des coopérations avec d’autres régions »

Pensez-vous que la Région Île-de-France puisse être pionnière dans le domaine de l’IA médicale ?

Yannick Le Guen : Je n’aurais pas cette prétention. Nous avons de fait un réseau riche en Île-de-France, avec une concentration importante d’instituts de recherche académique, de pôles de compétitivité et d’autres organisations de santé. Nous ne cherchons pas particulièrement à être les pionniers. De fait, le développement numérique rend possible une collaboration en réseau. Nous sommes bien entendu ouverts à des coopérations avec d’autres régions.

La France pourrait-elle selon vous faire partie des leaders dans le secteur de l’exploitation des données de santé ?

Yannick Le Guen : Le potentiel des données est aujourd’hui insuffisamment exploité.. Étendre cette exploitation va être l’un des enjeux des 5 prochaines années, c’est précisément l’enjeu du Health data Hub.

L’intelligence artificielle transforme de manière rapide le système de santé. C’est un accélérateur, un nouvel outil qui doit être également mobilisé au bénéfice de l’innovation organisationnelle. L’IA peut avoir un vrai impact en santé, en particulier sur le domaine de la personnalisation des parcours de soins.

Une équipe de chercheurs de la Faculté de médecine de l’Université de Boston a utilisé le machine learning (apprentissage automatique) pour analyser les données issues de Twitter portant sur l’activité physique. Ils ont constaté que les réseaux sociaux pouvaient fournir une vision précise du niveau d’activité physique au sein d’une population mais aussi des types d’exercices privilégiés et des niveaux d’intensité. Les résultats de cette étude* publiée le 14 juillet 2019 dans le BMJ Open Sport & Exercise Medicine suggère que la surveillance de l’activité physique à l’aide des réseaux sociaux pourrait être utile afin d’analyser les tendances spatiales et temporelles ainsi que pour compléter les méthodes traditionnelles de surveillance de l’activité physique.

Surveiller les niveaux d’activité physique pour lutter contre la sédentarité

Lutter contre la sédentarité est un des objectifs majeurs de santé publique dans bon nombre de pays industrialisés. Les États membres de l’OMS ont convenu d’élaborer et de mettre en œuvre des politiques visant à réduire les taux d’inactivité physique de 10 % d’ici 2025. L’engagement a donc été pris puisque la sédentarité est un facteur de risque modifiable. Cependant, pour atteindre cet objectif, il faut surveiller la prévalence de l’activité physique dans les populations. C’est une étape cruciale pour pouvoir ensuite cibler les interventions sur les groupes à risque et les régions à prévalence élevée.

L’estimation de la prévalence de l’inactivité physique grâce à des enquêtes traditionnelles est coûteuse, ne fournit pas des informations actualisées, et peut être sujette à des biais de remémoration. Les smartphones, bracelets d’activité physique et autres applis de fitness fournissent des informations plus précises sur le mouvement mais les réseaux sociaux permettent d’aller plus loin. Les informations textuelles descriptives donnent accès à des informations sur les activités favorites, l’intensité de l’exercice, le tout sur un très grand nombre d’individus.

Plus d’un million de tweets analysés grâce à l’IA

Des chercheurs de la faculté de médecine de l’Université de Boston ont donc mené une étude en utilisant les données de Twitter. Leur but était d’évaluer les différences entre les types d’activités déclarées par les utilisateurs et l’intensité de ces activités, mesurée en calories dépensées en 30 minutes d’activité. Deuxièmement, ils ont comparé ces données avec les estimations de l’inactivité physique provenant des centres américains de contrôle et de prévention des maladies (CDC).

Ils ont obtenu des données de Twitter d’avril 2015 à mars 2016. Elles comprenaient 1 382 284 tweets d’activité physique géolocalisés de 481 146 utilisateurs (55,7 % d’hommes et 44,3 % de femmes) dans plus de 2 900 comtés des États-Unis. Ils ont ensuite appliqué l’apprentissage automatique et la modélisation statistique pour faire ressortir les différences selon le sexe et la région dans les exercices préférés. Un algorithme de correspondance des mots-clés a été utilisé pour identifier les tweets avec un contenu pertinent. Pour les sports d’équipe, par exemple, seuls les tweets contenant les mots ‘jouer’ et ‘joué’ en conjonction avec l’activité ont été conservés. L’intensité de l’exercice a été calculée en fonction du nombre de calories brûlées pendant 30 minutes d’une activité physique donnée par un adulte américain de poids moyen.

Les résultats de cette étude ont été publiés le 14 juillet 2019 dans le BMJ Open Sport & Exercise Medicine.

Résultats : des disparités régionales à prendre en compte

• La marche était l’activité physique la plus populaire mais les autres activités variaient selon le sexe et la région.
• Les femmes de l’Ouest ont pratiqué des exercices plus intensifs que dans toute autre région.
• Les hommes et les femmes ayant participé à l’étude ont mentionné avoir exercé des activités physiques approximativement équivalentes.
• Le crossfit était l’activité n°1 chez les hommes et c’était le yoga chez les femmes.
• Les hommes ont fait des exercices légèrement plus intensifs que les femmes mais la différence en termes de calories dépensées était faible.

Cette toute première étude visant à évaluer l’efficacité de l’utilisation de Twitter pour surveiller l’activité physique des hommes et des femmes met en lumière des différences entre le sexe et les régions.

Par ailleurs, les états qui signalent des niveaux d’activité physique plus élevés sur Twitter ont tendance à avoir une prévalence d’inactivité physique plus faible selon les estimations de l’enquête des CDC.

Les chercheurs ont tenu à souligner qu’ils avaient noté « une forte relation négative entre le volume de tweets et l’inactivité, et une forte association positive entre les recherches Google pour la perte de poids et l’inactivité ».

Twitter, un outil pour les décideurs politiques

En outre, les écarts entre les sexes et les régions indiquent que les interventions en matière d’activité physique basées sur les réseaux sociaux ne devraient pas être appliquées uniformément à travers les États-Unis. Surveiller la prévalence de l’activité physique à l’aide des réseaux sociaux et d’autres sources numériques permet de faire des estimations rapides et détaillées, et donc d’intervenir de manière précoce.

Cependant, « les données de Twitter doivent être combinés avec d’autres sources numériques, car les utilisateurs de Twitter sont plus susceptibles de signaler des activités physiques impliquant une interaction sociale », estiment les auteurs de l’étude. « Dans la plupart des cas, les communautés à faible revenu ont tendance à ne pas avoir accès à des ressources qui favorisent un mode de vie sain, a déclaré Elaine O. Nsoesie, auteure principale de l’étude. En comprenant les différences dans la manière dont les gens exercent leurs activités dans différentes communautés, nous pouvons concevoir des interventions qui ciblent les besoins spécifiques de ces communautés. »

PaccMan, INtERAcT et PIMKL : ce sont les 3 solutions d’apprentissage automatique contre le cancer que présentent les chercheurs Matteo Manica (sciences cognitives) et Joris Cadow (data science) dans un article publié le 22 juillet 2019 sur le blog de recherche d’IBM. Ces initiatives seront détaillées lors de la 18e Conférence européenne sur la biologie informatique (ECCB) et de la 27e Conférence sur les systèmes intelligents de biologie moléculaire (ISMB), deux événements qui se tiennent simultanément à Bâle (Suisse) du 21 au 25 juillet 2019. Les chercheurs soulignent qu’elles ont été conçues dans l’objectif de « mieux comprendre les principaux moteurs et mécanismes moléculaires » des cancers ainsi que « les différences de composition tumorale observées » pour les différents types de cancer.

• Avec PaccMann, « l‘apprentissage en profondeur peut aider à prévoir et à expliquer l’efficacité des médicaments », expliquent les 2 experts. La solution, dont l’acronyme signifie « Prévision de la sensibilité des composés anticancéreux par réseaux de neurones multimodaux basés sur l’attention », utilise « des données provenant de sources disparates pour aider à prédire comment les cellules d’un tissu cancéreux réagiront à un médicament donné ». Les chercheurs estiment qu’identifier à un stade précoce les composés qui s’avéreront les plus efficaces permettrait de réduire les coûts liés à la recherche de nouveaux médicaments, alors qu’actuellement « développer et faire approuver un seul médicament anticancéreux peut coûter des centaines de millions de dollars », indiquent-ils.

• L’outil INtERAcT (pour « Inférence de réseaux d’interaction à partir de représentations vectorielles de mots ») est capable d’automatiser l’extraction de connaissances à partir de publications scientifiques. « Une énorme quantité de connaissances sur les interactions protéiques est enfouie sous forme de textes non structurés, d’images et de graphiques » dans les quelque 17 000 articles  publiés annuellement sur le cancer, un chiffre très supérieur aux capacités de lecture de tout scientifique, expliquent les 2 spécialistes. INtERAcT permet de quantifier les interactions entre protéines à partir d’un grand nombre de publications biomédicales sans qu’aucune édition ou annotation manuelle de ces textes ne soit nécessaire.

• Le programme PIMKL (pour « Apprentissage multi-noyau induit par trajectoire ») vise pour sa part à prévoir la progression du cancer à partir de données moléculaires extraites d’échantillons de tissus malades et à classifier les patients en conséquence afin d’améliorer la personnalisation des thérapies. IBM a déployé PIMKL sur son cloud, de sorte que les chercheurs peuvent accéder au service web ou utiliser le code source, et exploiter leurs propres données pour mener des expériences.