Incubateurs

Le centre anticancer Gustave Roussy (IGR) et la startup Owkin ont signé un partenariat de recherche suite au AI for Health Challenge 2019 organisé par la Région Ile-de-France avec l’IGR et remporté par Owkin. C’est ce qu’annoncent les deux partenaires dans un communiqué daté du 19 décembre 2019, précisant que la startup « pourra bénéficier d’un espace privilégié » dans les locaux de l’IGR et que les experts de ce dernier pourront venir travailler aux côtés des data scientists d’Owkin « pour favoriser la mise en place et le déroulement des projets collaboratifs ».  

Directeur Général Adjoint de Gustave Roussy, Stéphane Pardoux précise qu’Owkin « appliquera ses modèles de machine learning et d’apprentissage fédéré » à la recherche clinique menée par l’IGR, et qu’elle bénéficiera ainsi de « l’accès à des experts de renommée internationale » et de la possibilité d’ « entraîner ses algorithmes sur des cohortes complètes et homogènes ».  Les équipes de Gustave Roussy auront pour leur part accès à la plateforme logicielle Owkin Studio : ils pourront ainsi collaborer directement avec les experts de la start-up, et « comprendre les résultats des algorithmes entraînés sur leurs données ».

Analyse de données multiples et respect des données patient

« Nous allons travailler à approfondir les modèles proposés par la start-up dans le cadre du challenge AI for Health » affirme le Pr Nathalie Lassau, radiologue à Gustave Roussy, professeur de radiologie à l’université Paris-Sud, co-directrice du laboratoire de recherche en imagerie IR4M Paris-Sud CNRS : il s’agira notamment de « développer un algorithme basé sur l’analyse de données multiples pour quantifier le risque de rechute chez les patientes présentant un cancer du sein localisé » et de « mettre en évidence un biomarqueur pronostique à partir de clichés d’imagerie scanner et ultrasons, afin de sélectionner le traitement le plus adapté pour chaque patient ».

Owkin précise que « les données ne seront pas extraites de leur environnement d’hébergement », pour que les cliniciens de Gustave Roussy puissent bénéficier de nouvelles opportunités de recherche « dans le respect des données de leurs patients ».

Les données disponibles en ligne sur les forums et réseaux de patients pourraient constituer un nouvel outil de pharmacovigilance. Dans leurs messages, les auteurs de ces communautés de patients et de professionnels de la santé peuvent en effet décrire des effets indésirables rares de médicaments parfois encore jamais décrits dans la littérature médicale. Analyser le contenu textuel de ces publications pourrait donc permettre de repérer ces effets secondaires.

C’est du moins ce que suggère une étude publiée le 21 novembre 2019 dans le Journal of Medical Internet Research (JMIR). Ce travail montre en effet comment l’analyse d’un ensemble messages postés sur un forums de patients, Inspire, peut permettre de repérer l’apparition d’un type d’effets indésirables dans la population générale.

La méthodologie choisie par les auteurs reposait à la fois sur la technologie du traitement automatique du langage naturel ainsi que sur des analyses linguistiques plus classiques. L’analyse d’un corpus de messages selon cette méthodologie a en particulier conduit à montrer que les médicaments de la classe des statines peuvent provoquer des troubles cognitifs et de la mémoire.

Si plus d’études sont requises pour affiner les méthodes d’analyse textuelle de grandes quantités de messages et que que ce genre de travaux ne pourra permettre qu’une identification préalable d’effets secondaires potentiels (et non pas une mise en évidence d’effets indésirables avérés), les auteurs considèrent cependant cette nouvelles source de données et cette nouvelle méthodologie comme prometteuses. Elles pourraient selon eux transformer les essais cliniques en particulier de phase 4 et faire en sorte que ceux-ci s’attachent à mieux prendre en compte certains groupes de patients « historiquement sous-représentés » dans les investigations cliniques.

Recherche de nouvelles méthodes pour repérer précocement des effets indésirables rares de médicaments

Les statines, médicaments inhibiteurs de l’HMG-CoA réductase utilisés comme hypolipémiants, comptent parmi les médicaments les plus prescrits notamment aux Etats-Unis : en 2013, l’American College of Cardiology et l’American Heart Association estimaient qu’un milliard d’individus dans le monde serait éligible pour recevoir des statines en prévention de maladies cardiovasculaires. Ces médicaments, bien que considérés comme sûrs et efficaces, peuvent cependant provoquer fréquemment des effets indésirables tels que des affections musculaires (douleurs, crampes et faiblesses musculaires). Des effets secondaires plus rares concernent des troubles de la mémoire ou de la cognition.

Ce type d’affections iatrogènes semble cependant mal qualifié et quantifié par des études classiques (études de cas, méta-analyses de rapports et essais cliniques). C’est que le nombre de patients inclus dans les essais cliniques est limité et ne permet pas d’observer des effets rares du médicament, effets qui surviennent souvent au sein de groupes sous-représentés dans ces essais (et ce malgré les efforts réalisés au cours des années 2010 pour que les groupes de patients inclus dans les essais cliniques représentent au mieux la population réelle des patients qui pourraient recourir à une nouvelle molécule).

« Pour combler ces lacunes, la communication en ligne dans les communautés de santé peut constituer un terrain supplémentaire de recherche d’effets secondaires relativement rares des médicaments », affirment les auteurs de l’étude. Selon eux, des études de phase IV, c’est-à-dire de pharmacovigilance post-commercialisation du médicament, pourraient être fondées sur l’analyse des données postées sous forme de courts textes sur divers forums de patients en ligne.

Objectifs : identifier des effets indésirables rares et appréhender précisément l’expérience de traitement des patients

« L’objectif de cette étude était d’utiliser un jeu de données non traditionnel afin d’identifier des signaux d’effets secondaires rares de médicaments tels que les statines », indiquent les auteurs de l’étude. Ce jeu de données non traditionnelles était disponible en ligne sur le forum d’une communauté de patients et de professionnels de la santé : Inspire.

Ce travail de recherche visait également et plus généralement à mieux appréhender l’expérience de traitement des patients utilisant des statines, à comprendre plus précisément comment ces derniers exprimaient leurs inquiétudes concernant en particulier des troubles de la mémoire liés à la prise d’un médicament, effet indésirable particulièrement difficile à décrire par les patients et à relever pendant l’examen clinique par les praticiens.

Il s’agissait donc d’identifier des croisements entre utilisation de statines (médicament) et affirmation d’une altération de la mémoire (effet indésirable) et de la cognition ainsi que de relever le lexique utilisé par les patients afin de décrire de tels troubles.

Méthodes : traitement du langage naturel, statistiques et analyse linguistique

Les chercheurs ont utilisé les contenus textuels générés par des utilisateurs (patients ou professionnels de santé) d’Inspire, soit plus de 11 millions de publications.

Afin d’identifier des corrélations entre prise de statines et troubles de la mémoire ou de la cognition, les auteurs ont recouru à deux types d’outils :

• la technologie du traitement automatique du langage ;
• l’analyse linguistique pratique des mêmes contenus textuels.

Traitement du langage naturel et comparaison statistique

Pour analyser le corpus de plus de 11 millions de messages publiés sur Inspire, les auteurs ont utilisé un système de traitement automatique du langage permettant d’extraire de chaque message des entités (mots ou expressions éventuellement écrites avec des fautes d’orthographe se rapportant à un concept clinique donné) pertinentes, c’est-à-dire en relation avec une prise de statine, une perte de mémoire ou un déclin cognitif.

Comme groupe témoin, les auteurs ont choisi un ensemble de publications textuelles mentionnant une autre classe de médicaments, les anti-TNF alpha car :

• les anti-TNF alpha n’ont montré aucun lien avec des troubles de la cognition ou de la mémoire ;
• cette classe de médicaments est utilisée par une partie importante des membres d’Inspire, ce qui permettait d’établir des statistiques et une référence solide concernant une quasi-absence de corrélations entre prise d’anti-TNF alpha et troubles de la mémoire ou de la cognition ; 
• les anti-TNF alpha sont prescrits dans des indications très différentes des statines, par conséquent, choisir des publications concernant les anti-TNF alpha comme témoin permettait de réduire au maximum le nombre de chevauchements entre les deux groupes, c’est-à-dire le nombre de publications appartenant à la fois a groupe témoin (anti-TNF alpha) et au groupe test (statines) ;
• la même cohorte d’âge utilise généralement des inhibiteurs du TNF et des statines, minimisant les effets du déclin cognitif liés à l’âge entre les 2 groupes.

Analyse linguistique pratique

« Afin de fournir un contexte qualitatif aux résultats statistiques, une curation manuelle utilisant une méthodologie linguistique a été effectuée sur un sous-ensemble de 246 messages publiés par les utilisateurs qui mentionnaient à la fois l’utilisation de statines et des événements de mémoire », indiquent les auteurs de l’étude. Ainsi, par une analyse linguistique et pour inclure tous les messages pertinents à leur étude, les chercheurs ont également défini précisément toutes les façons dont les auteurs de publications se référaient à leurs pertes de mémoire.

Déclaration d’éthique

« Toutes les informations personnellement identifiables ont été supprimées. Toutes les données ont été évaluées sans connaître l’identité des personnes impliquées », assurent les auteurs.

Résultats : mise en évidence d’effets indésirables des statines

L’étude a montré qu’il existait bien des corrélations significativement plus nombreuses entre prise de statines et troubles de la cognition ou de la mémoire qu’entre prise d’anti-TNF alpha (médicament témoin) et troubles de la cognition ou de la mémoire.

De plus, l’analyse linguistique réalisée sur un ensemble de messages d’utilisateurs de statines qui traitaient de troubles de la mémoire a montré que de nombreux patients décrivaient la rapidité et la sévérité de ces changement connus à l’initiation du traitement comme une « maladie d’Alzheimer instantanée ».

Utiliser de nouvelles sources de données pour optimiser la pharmacovigilance

« Les résultats de cette étude confirment l’importance des sources de données nouvelles et non traditionnelles en tant signaux supplémentaires d’effets secondaires apparus dans la population générale », affirment les auteurs de l’étude.

En pharmacovigilance, ces nouvelles sources de données semblent d’autant plus précieuses que la nature même de certains effets indésirables de médicaments peut mener à une sous-déclaration de ces symptômes aux professionnels de la santé. En effet, les patients connaissant des effets indésirables tels que des troubles de la mémoire ou de la cognition pourront oublier de rapporter ces symptômes à leur médecin lors d’une consultation. De même, des effets indésirables considérés comme tabous (troubles sexuels notamment) sont peu rapportés aux professionnels de la santé mais demeurent exprimés sur Internet par des utilisateurs alors anonymes.

Une méthode combinant 2 outils d’analyse du langage

Les auteurs, pour élaborer leur propre méthode, ont préalablement étudié dans une analyse méthodologique les résultats d’autres recherches obtenus :

• après un traitement du langage naturel seul ;
• après une analyse linguistique seule ;
• après traitement automatique du langage naturel puis analyse linguistique.

Ils ont conclu qu’une combinaison des deux outils d’analyse du langage que sont le traitement automatique du langage naturel et l’analyse linguistique, en autorisant les chercheurs à identifier et quantifier des concepts cliniques dans des messages textuels ainsi qu’en précisant certaines expressions particulières relevées dans ces messages, permettait d’obtenir « des résultats complets et de la plus haute qualité ».

Les auteurs considèrent donc que leurs résultats ont été obtenus au moyen d’une méthode particulièrement fiable et puissante.

3 limites à ces travaux

Les auteurs relèvent cependant 3 limites principales de leur étude. Ces limites concernent en particulier :

• le fait que les antécédents médicaux et le traitement par statine des auteurs d’Inspire sont aut-odéclarés et ne peuvent être confirmés ;
• le fait que les données démographiques des auteurs d’Inspire soient inconnues : il est donc difficile d’affirmer avec certitude que les publications postées par le groupe d’auteurs étudié est bien représentatif de la population consommatrice de statines ;
• le risque qu’il existe un biais de détection lié à « la viralité intrinsèque de la communication en ligne », selon les auteurs.

D’autres travaux déjà publiés sur le sujet

Les auteurs de cette étude ne sont pas les premiers à tester la puissance d’une telle méthodologie appliquée à des sources non traditionnelles de données comme des publications disponibles en ligne sur des forums de santé.

Des chercheurs de la faculté de médecine de l’Université de Stanford avaient par exemple déjà mené des travaux sur plus de 8 millions de messages publiés sur Inspire. Une analyse automatique du langage avait alors permis de trouver des associations entre agents chimiothérapeutiques ou médicaments d’immunothérapie et effets indésirables rares. L’équipe avait en particulier découvert que certains patients traités par un médicament d’immunothérapie, l’Erlotinib, signalaient un effet secondaire encore jamais rapporté dans la littérature médicale à propos de ce médicament : l’hypohydrose (sudation insuffisante pouvant engendrer un épuisement éventuellement grave par la chaleur).

Cette méthode non inédite semble donc prometteuse et de plus en plus utilisée en recherche.

Il semble, selon cette étude, que les messages postés par les membres des communautés de santé en ligne constituent des sources de données intéressantes pour la recherche d’effets indésirables rares de médicaments dans la population générale.

Ce nouveau terrain de la pharmacovigilance n’est cependant pas suffisant pour affirmer qu’un effet indésirable s’est bien manifesté dans la population générale, préviennent les auteurs de l’étude. Pour eux, des recherches supplémentaires demeurent toujours nécessaires pour identifier précisément l’étendue et la sévérité des troubles identifiés sur les forums ainsi que pour les expliquer et éventuellement permettre aux laboratoires d’améliorer les médicaments qu’ils proposent.

Un type sophistiqué d’intelligence artificielle (IA) est parvenue à surpasser les modèles existants pour prédire quelles femmes courent un risque de cancer du sein. Selon une étude* publiée le 17 décembre 2019 dans la revue Radiology par des chercheurs du Karolinska Institute (Suède), le taux de faux négatifs était plus faible avec le réseau neuronal profond formé sur les images mammographiques. Un tel dispositif permettrait d’identifier les femmes qui bénéficieraient d’un dépistage supplémentaire par IRM.

Cancer du sein : donner accès à l’IRM aux femmes les plus à risques 

Les programmes de dépistage du cancer du sein reposant sur une double lecture de la mammographie font régulièrement l’objet de critiques. Elles viennent notamment du fait que leur approche universelle ne permet pas d’optimiser la détection du cancer au niveau individuel. Or, des travaux ont démontré que l’IRM aide à améliorer cette détection précoce. Cependant, cet examen entraîne des coûts plus élevés et plus de biopsies par cancer détecté. Par conséquent, il est important de pouvoir sélectionner les femmes qui devraient se voir proposer une IRM ou pour lesquelles le programme de dépistage devrait être adapté.

Un réseau neuronal pour explorer les mammographies

Reste donc à prédire les femmes les plus à risques de développer un cancer du sein. Mais la tâche est ardue. Les modèles de prédiction actuels reposent sur des informations recueillies par questionnaire, telles que les antécédents familiaux de cancer du sein, l’utilisation d’une hormonothérapie substitutive et l’âge au premier accouchement. Pourtant, l’un des facteurs de risque majeurs n’est autre que la densité mammographique. Si elle peut être évaluée visuellement par le radiologue, d’autres caractéristiques échappent à l’œil humain.

L’utilisation de l’intelligence artificielle (IA) pourrait éventuellement contourner ce dilemme. Des chercheurs suédois du Karolinska Institute ont développé un modèle de risque qui repose sur un réseau neuronal profond qui peut extraire de grandes quantités d’informations à partir d’images mammographiques. Il a été formé sur les mammographies réalisées à partir de cas diagnostiqués entre 2008 et 2012, puis étudié sur plus de 2 000 femmes âgées de 40 à 74 ans qui avaient subi une mammographie. Sur les 2 283 femmes de l’étude, 278 ont par la suite reçu un diagnostic de cancer du sein.

Les résultats de cette étude ont été publiés le 17 décembre 2019 dans la revue Radiology.

Résultats : plus précis sur les cancers agressifs

• Le score de risque élaboré grâce au deep learning (apprentissage profond) prédisait plus précisément quelles femmes étaient à risque de cancer du sein.
• Le taux de faux négatifs établi grâce à l’IA était inférieur par rapport au système traditionnel, en particulier pour les cancers agressifs.
• La zone dense était un prédicteur plus précis du futur cancer du sein que le pourcentage de densité.

Prendre de cours les métastases

« Dans l’ensemble, le réseau neuronal profond était meilleur que les modèles basés sur la densité, commente le Dr Karin Dembrower, principal auteur de l’étude. Et il n’avait pas le même biais que le modèle traditionnel. Sa précision prédictive n’a pas été affectée négativement par des sous-types de cancer plus agressifs. »

Le réseau neuronal n’est pas encore prêt à être déployé en clinique ; il doit être formé sur d’autres cas de cancer provenant de plusieurs institutions.

Cependant, les chercheurs estiment qu’il pourrait, à terme, favoriser la détection précoce des femmes les plus à risque et de les identifier avant que le cancer ne se métastase aux ganglions lymphatiques.

Un modèle de réseau de neurones profond est parvenu à prévoir les visites dans les établissements de santé des personnes âgées. Ce système d’intelligence artificielle (IA), créé par des chercheurs finlandais, s’est révélé plus efficace que les modèles de régression traditionnels couramment utilisés pour prédire la fréquence de recours aux soins. Les auteurs de l’étude* parue en décembre 2019 dans Proceedings of Machine Learning Research (anciennement le Journal of Machine Learning Research), estiment que cet outil pourrait faire économiser des millions de dollars.

L’intelligence artificielle pour anticiper la charge de travail

De nombreux établissements de santé utilisent des systèmes pour prévoir les taux de recours aux soins et ainsi débloquer les ressources adéquates. Aux États-Unis, aux Pays-Bas et en Allemagne, notamment, ces modèles d’ajustement au risque sont basés sur le décompte des diagnostics de l’année précédente, le profil démographique des patients (âge, sexe) mais aussi leurs caractéristiques socio-économiques. Cependant, ces modèles de régression statistique ne sont pas d’une grande précision.

Des chercheurs du Centre finlandais pour l’intelligence artificielle (IA), de l’Université Aalto, de l’Université d’Helsinki et de l’Institut finlandais de la santé et du bien-être ont donc décidé d’utiliser l’IA pour améliorer leurs prévisions. La démarche est relativement inédite car les applications du machine learning (apprentissage automatique) dans le domaine de l’allocation des ressources de soins de santé est assez rare.

Un réseau de neurones basé sur 1,4 million de dossiers électroniques

L’enjeu économique est majeure car comme l’explique Pekka Marttinen, professeur adjoint à l’Université Aalto et au Centre finlandais pour l’intelligence artificielle, « sans modèle d’ajustement du risque, les établissements de soins dont les patients sont plus souvent malades que la moyenne des gens seraient traités injustement ». Pour construire leur réseau de neurones, ils ont choisi les personnes âgées qui « sont un bon exemple d’un tel groupe de patients. L’objectif du modèle est de prendre en compte ces différences entre les groupes de patients lors de la prise de décisions de financement », explique Pekka Marttinen.

Les chercheurs ont donc utilisé les dossiers de santé électroniques de 1,4 million de citoyens finlandais, âgés de 65 ans et plus, pour développer un modèle d’apprentissage approfondi (deep learning) séquentiel qui peut prédire quand et pourquoi les personnes âgées utiliseront les services de santé au cours de l’année suivante, et ce au niveau individuel. Les résultats de cette étude ont été publiés en décembre 2019 dans Proceedings of Machine Learning Network. 

Résultats : un score de prévision amélioré de 10 %

• Le score de prévision est amélioré de 10 % par rapport aux systèmes statistiques traditionnels.
• Un tel réseau de neurones ne nécessite pas un énorme ensemble de données pour produire des résultats fiables.

Une IA peu gourmande en données

Les auteurs de cette étude soulignent que le nouveau modèle basé sur l’IA a mieux fonctionné que les modèles plus simples basés sur le nombre, « même s’il n’utilisait qu’un dixième de toutes les données disponibles ». En d’autres termes, expliquent-ils, « il fournit des prédictions précises même avec un ensemble de données relativement petit, ce qui est remarquable, car l’acquisition de grandes quantités de données médicales est toujours difficile ». Et « le fait d’avoir un modèle précis peut permettre d’économiser plusieurs millions de dollars », ajoute le principal auteur de l’article.

En outre, les chercheurs finlandais n’envisagent pas de remplacer les modèles statistiques par les réseaux de neurones pour prévoir les soins mais d’intégrer les caractéristiques des modèles d’apprentissage en profondeur aux modèles existants, en combinant les meilleurs aspects des deux. « À l’avenir, l’objectif est d’utiliser ces modèles pour soutenir la prise de décision et allouer des fonds de manière plus raisonnable », précisent les auteurs des travaux. Enfin, un tel système ne se limite pas à prévoir les soins des personnes âgées ; il pourrait tout à fait s’appliquer à tout groupe de patients diagnostiqués avec des maladies qui nécessitent des traitements très coûteux.

Medissimo, une entreprise française de la e-santé spécialisée dans le bon usage du médicament, lance l’application web Siaam pour faciliter le suivi des patients et leur observance médicamenteuse. La solution s’associe à Medipac, le pilulier sécurisé de Medissimo préparé par le pharmacien, explique la société dans un communiqué publié le 11 décembre 2019. Par son biais, les pharmaciens et infirmiers peuvent accéder à un historique des prises de médicaments d’un patient donné et obtenir un bilan d’observance. Le résultat attendu est 98 % d’observance, indique l’entreprise dans une vidéo de présentation.

Fonctionnement : lors de sa visite à domicile, l’infirmier enregistre via l’appli les informations de prises médicamenteuses du patient et de ses éventuels refus. Ces données sont ensuite partagées avec l’équipe de soins primaires autour du patient, si ce dernier le souhaite. Medissimo note à ce propos que les données personnelles du patient sont stockées chez un hébergeur agréé de données de santé (IDS) certifié par le ministère des Solidarités et de la Santé.

La synthèse du bilan d’observance est téléchargeable et peut être consultée chaque mois. « Ce document est utile au pharmacien dans ses nouvelles missions comme le bilan de médication, et au médecin lors du renouvellement de ses prescriptions », note Medissimo.

L’application est disponible gratuitement sur www.siaam.fr. Elle peut être utilisée sur smartphone et tablette tactile.

L’activité de Medissimo est centrée sur l’amélioration de la coordination de proximité entre médecin, infirmiers et pharmaciens. Parmi les dernières actions de la société figure la participation à l’expérimentation « Gélule » (article 51) avec le Syndicat des médecins libéraux (SML), la Fédération des syndicats pharmaceutiques de France (FSPF) et la Fédération des infirmiers (FIN). « Elle a pour objet la prise en charge coordonnée par les acteurs de santé en ville de patients âgés polymédiqués, maintenus à leur domicile et désorientés, afin d’améliorer l’observance de leurs traitements et de prévenir l’iatrogénie », précise Medissimo, qui met à disposition pour ce projet son logiciel de traçabilité. Prévue sur 2 ou 3 ans, cette expérimentation nationale est dotée d’un budget de 4 millions d’euros.

« La déclaration de Montréal pour un développement responsable de l’intelligence artificielle (IA) [adoptée en décembre 2018] peut servir de modèle de base [pour] le développement d’un droit international public relatif à l’IA ». C’est ce qu’affirme la juriste Catherine Régis (université de Montréal), titulaire de la Chaire de recherche du Canada sur la culture collaborative en droit et politiques de la santé, invitée le 6 décembre 2019 à l’occasion des « Entretiens » organisés par l’Institut droit et santé de l’université Paris Descartes. Co-directrice du hub santé – politiques, organisations et droit (H-POD), elle a donné une conférence sur le thème « perspective internationale sur la régulation de l’intelligence artificielle dans le domaine de la santé ».

La professeure de droit a détaillé la genèse de cette charte adoptée en décembre 2018 pour laquelle 500 experts ont été consultés, avec le souci de « trouver un équilibre entre le juridique et le sociotechnique » pour éviter le « gel paradigmatique ».

Interrogée sur le caractère non contraignant de la déclaration, Catherine Régis appelle de ses vœux une « cristallisation normative » qui aboutirait à une « juridicisation » du texte. Elle souligne que l’éthique permet de trouver un moyen entre la « logique ex post », dans laquelle le droit doit suivre la marche de la science – au risque que science et technique deviennent normatives, et qu’il devienne difficile pour le droit de la freiner – et la « logique ex ante », dans laquelle la communauté scientifique évalue ses options en fonction des paramètres juridiques, au risque de limiter l’innovation.

Déclaration de Montréal : 10 principes

La déclaration de Montréal sur les systèmes d’intelligence artificielle (SIA) repose sur 10 principes fondateurs :

Principe de bien-être

Le développement et l’utilisation des systèmes d’intelligence artificielle doivent permettre d’accroître le bien-être de tous les êtres sensibles.

Principe de respect d l’autonomie

Les SIA doivent être développés et utilisés dans le respect de l’autonomie des personnes et dans le but d’accroître le contrôle des individus sur leur vie et leur environnement.

Principe de protection de l’intimité et de la vie privée

La vie privée et l’intimité doivent être protégées de l’intrusion de SIA et de systèmes d’acquisition et d’archivage des données personnelles (SAAD).

Principe de solidarité

Le développement de SIA doit être compatible avec le maintien de liens de solidarité entre les personnes et les générations.

Principe de participation démocratique

Les SIA doivent satisfaire les critères d’intelligibilité, de justiciabilité et d’accessibilité, et doivent pouvoir être soumis à un examen, un débat et un contrôle démocratiques.

Principe d’équité

Le développement et l’utilisation des SIA doivent contribuer à la réalisation d’une société juste et équitable.

Principe d’inclusion de la diversité

Le développement et l’utilisation des SIA doivent être compatibles avec le maintien de la diversité sociale et culturelle et ne doivent pas restreindre l’éventail des choix de vie et des expériences personnelles.

Principe de prudence

Toutes les personnes impliquées dans le développement des SIA doivent faire preuve de prudence en anticipant autant que possible les conséquences néfastes de l’utilisation des SIA et en prenant des mesures appropriées pour les éviter.

Principe de responsabilité

Le développement et l’utilisation des SIA ne doivent pas contribuer à une déresponsabilisation des êtres humains quand une décision doit être prise.

Principe de développement soutenable

Le développement et l’utilisation des SIA doivent se réaliser de manière à assurer une soutenabilité écologique forte de la planète.