Incubateurs

Des chercheurs américains du Salk Institute for biological studies (La Jolla, Californie) ont développé une méthode d’apprentissage automatique qui prédit l’âge avec une erreur de 4 ans, surpassant les méthodes utilisées précédemment. Ils ont analysé des cellules de la peau et ont recherché des signatures moléculaires pouvant prédire l’âge. Les résultats de leurs travaux* ont été publiés le 20 décembre 2018 dans la revue Genome Biology.

Distinguer âges biologique et chronologique

L’âge biologique et l’âge chronologique ne sont pas toujours identiques. Bien que l’alimentation, l’activité physique et d’autres facteurs jouent un rôle dans le vieillissement, de nombreux autres contributeurs expliquent pourquoi et comment certaines personnes vieillissent mieux que d’autres mais ils restent mal identifiés. Or, c’est un défi majeur qui consiste à identifier les biomarqueurs moléculaires et cellulaires du vieillissement car ils pourraient prédire la durée de vie et être utiles pour évaluer les changements de mode de vie et les stratégies thérapeutiques dans la poursuite du vieillissement en bonne santé.

Des chercheurs en biologie appartenant au Salk Institute for biological studies, situé à La Jolla en Californie, ont développé une méthode de calcul pour prédire l’âge biologique de l’expression des gènes dans des cellules de la peau appelés « fibroblastes », en utilisant un ensemble de classificateurs d’apprentissage automatique.

Ils ont généré un vaste ensemble de données sur le séquençage de l’ARN de lignées cellulaires de fibroblastes issues de 133 individus en bonne santé âgés de 1 à 94 ans. Ils ont choisi ce type de cellule pour deux raisons : premièrement, les cellules sont faciles à obtenir avec une simple biopsie cutanée non invasive ; deuxièmement, des études antérieures ont indiqué que les fibroblastes sont susceptibles de contenir des signatures de vieillissement.

Des algorithmes pour prédire le vieillissement

« Cette expérience a été conçue pour déterminer s’il existe des signatures moléculaires du vieillissement sur toute la durée de la vie, a expliqué Saket Navlakha, professeur adjoint au laboratoire de biologie intégrative du Salk Institute et auteur principal des travaux. Nous voulions développer des algorithmes permettant de prédire un vieillissement en bonne santé et un vieillissement en mauvaise santé, et essayer de trouver les différences. »

Pour valider l’algorithme, l’équipe a utilisé des fibroblastes de 10 patients atteints de progéria, une maladie génétique caractérisée par un vieillissement accéléré.

Un système d’apprentissage automatique (machine learning) a permis aux chercheurs d’adopter une nouvelle approche qu’ils ont qualifiée « d’évier de cuisine ».

« Plutôt que de nous lancer dans cette recherche avec une idée de ce que nous voulions trouver, nous avons décidé d’examiner l’évolution de l’expression de tous les gènes codant pour les protéines et de laisser les algorithmes résoudre le problème, a déclaré Jason Fleischer, premier auteur de l’étude. Nous avons utilisé ce que l’on appelle une méthode d’ensemble d’apprentissage automatique d’ensemble. »

Les résultats de cette étude ont été publiés le 20 décembre 2018 dans Genome Biology.

Résultats : une marge d’erreur de 4 ans

• Les algorithmes ont permis de prédire l’âge de 133 autres individus avec une erreur médiane de 4 ans, un résultat bien plus précis que les algorithmes précédents utilisés pour prédire l’âge à partir de biomarqueurs.
• Sur la base de l’analyse des signatures moléculaires des patients atteints de la progéria, âgés de 2 à 8 ans, le modèle a prédit qu’ils auraient environ 10 ans de plus que leur âge calendaire.

Les auteurs de ces travaux estiment que le niveau de performance de prévision utilisant peu d’échantillons est encourageant mais que les performances de leur méthode augmenteront avec des échantillons supplémentaires.

D’autres travaux sont donc nécessaires pour tester ce système de machine learning. Cependant, l’ensemble des données était beaucoup plus vaste que toutes les recherches de ce type jamais réalisées auparavant car il incluait un nombre considérable de personnes représentant plusieurs décennies. Les chercheurs ont d’ailleurs rendu les données publiques pour que d’autres chercheurs puissent les utiliser.

En outre, la méthode d’ensemble a prédit que les patients atteints de progéria étaient significativement plus âgés que les témoins du même âge, ce qui suggère que les prédictions effectuées peuvent refléter l’âge biologique plutôt que l’âge chronologique.

Le machine learning au service de la prévention

Les chercheurs soulignent aussi que le fait que quelque chose soit prédictif du vieillissement ne signifie pas pour autant qu’il s’agit de la cause du vieillissement. Malgré tout, si les résultats sont validés, les médecins pourraient utiliser ce type d’analyse pour déterminer quand commencer le dépistage des affections liées à l’âge de leurs patients et les conseiller sur les choix de vie appropriés.

Davantage de recherche doit être réalisée avant que des traitements préventifs puissent être développés. L’une des prochaines étapes consistera à rechercher ces signatures dans d’autres types de cellules.

Pierre Hornus, P.-D.G. de Sêmeia, et le Dr Dorra Kanoun, cancérologue à la clinique Pasteur à Toulouse, ont présenté les résultats d’une étude visant à établir un score de risque de non-adhésion au traitement par utilisation du machine learning appliqué aux données Sniiram des patientes atteintes de cancer du sein, le tout dans l’optique de mettre en place un suivi plus personnalisé de leur parcours de soins.

Les travaux ont été présentés lors d’un workshop qui s’est tenu à la Conference on Neural Information Processing Systems (NEURIPS). Cet événement international dédié à l’intelligence artificielle (IA) est le plus reconnu scientifiquement et s’est tenu au Palais des congrès de Montréal du 2 au 8 décembre 2018.

Une étude pour rendre efficace et soutenable le soutien au traitement en anticipant les risques d’abandon des prises de médicaments

L’observance peut être définie comme « la mesure dans laquelle les patients prennent leurs médicaments prescrits par leurs fournisseurs de soins de santé  » [Osterberg et Blaschke, 2005].

L’Organisation mondiale de la santé (OMS) souligne que seulement environ 50 % des patients atteints de maladies chroniques suivent correctement leurs traitements dans les pays développés. Cela compromet gravement l’efficacité du traitement à long terme et augmente le coût des services de santé.

L’article, dont les principaux auteurs sont Thomas Janssoone (chercheur, Sêmeia) et le Dr Dorra Kanoun (cancérologue, clinique Pasteur à Toulouse), met en avant des données liées à la consommation de médicaments chez la femme atteinte du cancer du sein. Le but de ces différentes approches est de prédire les non-adhésions aux médicaments, tout en donnant aux médecins une idée des raisons sous-jacentes de ces abandons de soins.

Établir un score de risque de non observance à partir du SNIIRAM

Ces modèles prédictifs sont appliqués aux données de remboursement de l’assurance maladie française (Sniiram). L’objectif est de classer les patients en classes de risque en fonction de leurs caractéristiques et, sur le long terme, de connaître les moments les plus appropriés pour les contacter. Ainsi, les personnes bénéficieront d’un soutien adapté à leur profil et à leurs besoins, et les interventions humaines pourront être réservées aux situations pour lesquelles elles sont vraiment nécessaires.

Les auteurs de l’étude se sont basés sur les remboursements de médicaments, en ville comme à l’hôpital, pour mettre en évidence des parcours de soins et d’éventuelles non prises de médicaments en se référant aux durées de consommation par boîte de médicament.

La cohorte de l’étude était composée de femmes (tirées au sort) répondant aux critères suivants:

• 1- être diagnostiquée avec un cancer du sein ;
• 2- avoir acheté au moins une des molécules suivantes au cours de la période d’étude : Anastrozole , Capécitabine, Cyclophosphamide, Étoposide, Everolimus, Exemestane, Lapatinib, Létrozole, Megestrol, Melphalan, Tamoxifène, Toremifene et Vinorelbine.

L’extraction concerne la consommation entre 2013 et 2015 et se compose de trois catégories principales :

• 1- pharmacie transactions (molécule, nombre de doses, date…) ;
• 2- hospitalisations (diagnostic, date de début, fin du rendez-vous…)
• 3- information du patient (âge, département, date du diagnostic de la maladie éventuelle à long terme référencée comme ALD, pathologies…)

Les échanges avec les cancérologues ont permis de décrire les événements de soins et d’analyser les ruptures dans la prise de médicaments.

Permettre un suivi personnalisé

L’intérêt d’une identification des patientes à risque de non observance de leur traitement est de pouvoir personnaliser leur suivi. L’interaction avec la patiente pour la soutenir est un facteur clé de la réussite du traitement.

Renforcer la pertinence de l’intervention humaine dans un contexte de raréfaction de la ressource soignante est un enjeu majeur pour le suivi des pathologies chroniques.

L’étude a permis à ce stade d’identifier les modalités les plus pertinentes de soutien aux patientes (appels téléphoniques, rencontres, rappels SMS…).

Des résultats de niveau mondial applicables à d’autres pathologies chroniques

Les résultats de l’étude montre un haut niveau d’efficacité de l’intelligence artificielle (IA) :

• 90 % des arrêts de traitement  sont évités en ciblant 50 % des patientes par rapport aux  moments à risque détectés ;
• ou 2/3 des arrêts de traitements sont évités en ciblant 20 % des personnes.

L’impact démontré permet d’envisager des stratégies de suivi personnalisé dans un modèle économique soutenable.

« Les modèles ont montré leur efficacité aussi sur le diabète et les autres thérapies orales en cancérologie et les prochains sont prévus sur l’observance et la perte de greffon chez les transplantés rénaux, le respect du parcours dans l’insuffisance cardiaque, les complications de chirurgie orthopédique, l’observance des traitements anti VIH, l’observance de la PPC… », commente Pierre Hornus.

Le chiffre des 3 millions de dossiers médicaux partagés (DMP) a été atteint le 13 décembre 2018, plus d’un moins après le lancement officiel de la nouvelle version du service, le 6 novembre 2018. Plus précisément, 240 090 DMP ont été ouverts en France entre le 6 et le 12 décembre.

La Caisse nationale d’assurance maladie (Cnam) précise dans un communiqué que les créations de dossiers ont été favorisées par la diversification des canaux d’ouverture : en ligne sur www.dmp.fr par le patient lui-même avec les identifiants adressés par l’Assurance maladie ; dans les accueils des Caisses primaires d’assurance maladie (CPAM) qui reçoivent 30 millions de visites chaque année ; dans les pharmacies, qui peuvent depuis juillet 2018 s’équiper pour créer des DMP.

« De plus en plus de patients ouvrent leur dossiers médicaux partagés directement sur internet ou avec l’aide de leur pharmacien« , souligne la Cnam. Plus de 50 % des pharmacies (13 000) peuvent désormais ouvrir des DMP, soit une hausse de plus de 50 % depuis le 6 novembre. À ce jour, plus de 800 000 DMP ont été créés en pharmacie.

Dans le détail, actuellement :
• 39 % des DMP sont créés par les pharmaciens :  ;
• 39 % par les patients sur Dmp.fr ;
• 18 % par les CPAM ;
• 4 % par les professionnels de santé libéraux et les établissements de santé (taux moyens constatés sur deux semaines du jeudi 29 novembre au mercredi 12 décembre 2018).

En ce qui concerne la répartition géographique des ouvertures de dossiers médicaux partagés entre le 6 novembre et le 11 décembre 2018 :
• l’Ile-de-France arrive en tête avec 169 105 DMP ouverts ;
• la région Provence-Alpes-Côte d’Azur en deuxième position (103 435) ;
• et l’Occitanie en troisième (94 402).

En se basant sur les données en cumul depuis l’origine du service, l’Ile-de-France reste n°1 avec un total de 396 167 DMP ouverts, suivie par les Hauts-de-France (386 518) et la région Grand-Est (381 601).

Une équipe de chercheurs allemands et danois a utilisé les données de malades du cancer de la prostate pour développer un modèle informatique qui pourrait prévoir l’évolution de cette pathologie. Elle a également découvert l’enzyme qui semble déclencher certaines des premières mutations du cancer de la prostate, révèlent les résultats de son étude* publiés le 11 décembre 2018 dans la revue Cancer Cell.

Des data pour stratifier le risque du cancer de la prostate

C’est le cancer le plus fréquent chez l’homme. En France, pas moins de 54 000 nouveaux cas sont diagnostiqués chaque année. L’un des principaux défis consiste à différencier les cas agressifs des autres. Si on dénombre environ 9 000 décès par an, de nombreux cas sont d’évolution lente et ne nécessitent pas forcément de traitement. Être capable de prédire l’évolution de la tumeur s’avère important puisque la prise en charge peut aller de la surveillance active à la prostatectomie totale en passant par la radiothérapie et l’hormonothérapie. Ces traitements peuvent entraîner des effets secondaires handicapants, tels qu’une chute de la libido ou des troubles de l’érection.

Une équipe internationale de chercheurs a donc décidé de développer un modèle informatique qui permettrait de repérer les toutes premières mutations génétiques du cancer de la prostate. Identifier ces changements somatiques précoces peut en effet aider les médecins à prédire l’évolution de la tumeur et donc à stratifier le risque.

Ces chercheurs issus de la faculté de la santé et des sciences médicales de l’Université de Copenhague et du Rigshospitalet, du Centre allemand de recherche sur le cancer (DKFZ) et du Laboratoire européen de biologie moléculaire (EMBL) de Heidelberg, ont recueilli des données concernant 300 hommes dont l’intégralité du génome du cancer avait été séquencée afin de caractériser toutes les mutations présentes dans la tumeur.

Sur la base de cet ensemble de données, ils ont développé un modèle informatique pour prédire l’évolution du cancer de la prostate chez un patient donné. Ils ont inclus des patients ayant eu un diagnostic précoce, soit autour de 55 ans.

« Le cancer de la prostate se développe sur plusieurs années. Nous sommes donc particulièrement intéressés par le groupe de patients où le cancer est détecté à un jeune âge car cela nous permet d’analyser la tumeur à un stade précoce, explique le Dr Clarissa Gerhauser, l’un des auteurs des travaux. C’est un élément important car nous obtenons ainsi une image plus claire des premières mutations et des altérations de la tumeur afin de déterminer le facteur déclencheur. »

Prédire la prochaine mutation

Concrètement, « si nous avons un patient présentant un ensemble particulier de mutations, nous pouvons utiliser le modèle pour prédire la prochaine mutation la plus probable que le patient va subir à un moment donné – et son incidence sur la situation clinique du patient, ont indiqué les auteurs de l’étude, précise-t-elle. À titre d’illustration, nous pouvons prédire avec une certaine probabilité que si vous êtes porteur de la mutation A, vous êtes susceptible d’obtenir la mutation B avant d’obtenir C. Nous pouvons également prédire si la mutation suivante modifiera vraisemblablement l’évolution clinique de la maladie. »

Pour identifier l’ordre temporel des événements dans cette cohorte, les chercheurs ont développé PRESCIENT (prévision des modifications séquentielles de l’évolution des tumeurs naissantes), un modèle de réseau conditionnel basé sur les probabilités pour prédire la séquence temporelle des événements somatiques dans le cancer de la prostate et ses résultats cliniques associés.

Ce modèle statistique utilise des marqueurs moléculaires pour prédire la prochaine modification somatique la plus probable et le changement associé dans la survie sans événement. Les résultats de cette étude ont été publiés le 11 décembre 2018 dans la revue Cancer Cell.

Résultats : vers un nouveau biomarqueur

• Le modèle informatique a permis d’identifier 4 sous-groupes moléculaires, y compris un sous-groupe particulièrement agressif.
• Les chercheurs ont découvert un mécanisme de mutation impliquant une enzyme appelée APOBEC pouvant déclencher certaines des toutes premières mutations du cancer de la prostate.
• L’analyse des data a également conduit à la découverte d’un nouvel oncogène qui serait associé à un cancer de la prostate à division très rapide et très agressif.

Cet oncogène pourrait être un nouveau biomarqueur potentiel permettant de détecter si un patient est atteint d’un cancer agressif de la prostate.

Ce test a été validé sur une cohorte de 12 000 autres patients présentant le même type de cancer.

Quant à l’enzyme APOBEC, elle pourrait être à l’origine de deux mutations. « Vingt ans plus tard, vous aurez peut-être 10 à 20 mutations », indique le Dr Clarissa Gerhauser.

Élargir la base de données à des milliers de patients

Jusqu’à présent, le jeu de données ne comprenait qu’environ 300 patients mais les chercheurs espèrent collecter des données sur plusieurs milliers de patients dans les années à venir.

« Plus le modèle recueillera de données, meilleure sera notre modélisation informatique », note Joachim Weischenfeldt, l’un des auteurs de ces travaux. En attendant, ce modèle est mis en œuvre dans une clinique en Allemagne. D’ici deux à trois ans, il devrait être pleinement intégré dans le processus clinique et plus tard dans des hôpitaux d’autres pays, tels que le Danemark.

14 solutions de e-santé permettant de réduire le temps de diagnostic dans le domaine des maladies rares sont présentées au sein d’un livre blanc publié début décembre 2018 par le collectif Unir (Innover ensemble pour réduire l’errance diagnostique dans les maladies rares), dans le cadre du 39bis, le laboratoire e-santé de Sanofi.

Parmi ces 14 solutions, les 3 suivantes sont développées par l’équipe innovation ouverte de Sanofi et Sanofi Genzyme :

• DataRare : étude visant à générer des données statistiques sur l’errance diagnostique. « Elle analysera quantitativement ces données pour rationaliser la notion d’errance et définir des parcours par profil de pathologies, explique Isabelle Vitali, directrice innovation et business excellence à Sanofi France, qui a participé à la rédaction du document (source : Labsanté, Sanofi). L’objectif sera de partager ces enseignements à travers une publication. »

• Red Flag : système d’alerte automatique d’identification des situations atypiques alimenté par DataRare pour sensibiliser les professionnels de santé à la « culture du doute » ;

• SemioTIC : solution destinée à devenir une plateforme d’aide pour guider les médecins généralistes « dans l’orientation des malades vers le bon centre de référence ou centre expert à partir des signes cliniques des patients en situation atypique ».

De manière plus générale, le livre blanc présente la démarche du collectif Unir et l’ensemble des résultats émanant de la réflexion collective initiée avec les parties prenantes à travers la France ainsi que l’équipe innovation ouverte de Sanofi et Sanofi Genzyme.
Unir a notamment permis d’établir un parcours-type de diagnostic pour un patient atteint d’une maladie rare mais aussi d’en cartographier et de caractériser les points de difficulté rémanents.

Les 14 solutions e-santé identifiées par le collectif Unir

Une démarche reposant sur des méthodes de design thinking et d’open innovation

Ce livre blanc présente les résultats d’une démarche participative d’une durée d’un an basée sur les méthodes de design thinking et d’open innovation.

Le design thinking et l’open innovation consiste « à associer dans la réflexion le maximum de parties prenantes et reposent sur des méthodologies et des processus de co-création dans lesquels l’utilisateur final est mis au cœur de l’attention », explique Isabelle Vitali, directrice innovation et business excellence à Sanofi France, qui a pour ce faire collaboré avec Orange Healthcare.

23 acteurs réunis, 37 personnes interrogées, 3 ateliers animés

Ici, 23 acteurs de santé se sont réunis pour établir les parcours patients puis identifier les freins et imaginer 14 solutions innovantes en e-santé. « Reste à les transformer en réalité », précise la responsable.

Dans ce cadre, le collectif à échangé pendant une à deux heures avec 37 personnes puis animé 3 ateliers d’une demi-journée :

• le premier atelier portait sur le point de vue des patients ;
• le deuxième sur le point de vue des professionnels de santé ;
• le troisième était dédié aux solutions à mettre en place.

« Cette méthodologie nous a permis de confronter les points de vue et d’obtenir une vision assez riche des difficultés et des pistes de solutions possibles, commente Rémy Choquet, directeur innovation et prospective à Orange Healthcare, qui a participé à la rédaction du livre blanc et au pilotage du projet (source : Labsanté, Sanofi). Nous avons aussi pu qualifier leur impact potentiel pour le plus grand nombre de patients. »

Dans le cadre de sa stratégie portant sur le déploiement de l’intelligence artificielle (IA) dévoilée en avril 2018, la Commission européenne (CE) a présenté le 7 décembre 2018 un plan coordonné avec les États membres pour favoriser le développement et l’utilisation de l’IA en Europe, notamment dans le secteur de la santé.

Le plan suggère de mettre en place des actions communes « pour une coopération plus étroite et plus efficace entre les États membres, la Norvège, la Suisse et la Commission » à travers les 4 axes suivants :
• accroître les investissements à travers des partenariats, notamment par la mise en place de centres de premier plan pour l’IA :  au moins 20 milliards d’euros d’investissements publics et privés dans la recherche et l’innovation dans le domaine de l’intelligence artificielle sont prévus à partir de maintenant et jusqu’à fin 2020 et plus de 20 milliards d’euros par an au cours de la décennie suivante ;
• mettre à disposition davantage de données en créant des espaces de data européens pour faciliter le partage transfrontalier de données : la CE soutiendra la création d’une base de données de santé commune afin d’améliorer les diagnostics de cancer et les traitements ;
• encourager les talents et l’apprentissage tout au long de la carrière : déploiement de bourses d’études spécialisées pour soutenir les diplômes d’études supérieures en IA ;
• inspirer la confiance : un groupe d’experts européens (universités, entreprises et société civile) présentera en mars 2019 à la Commission des lignes directrices en matière d’éthique pour le développement et l’utilisation de l’intelligence artificielle, en Europe mais aussi ailleurs dans le monde.

« Une coordination renforcée est essentielle pour que l’Europe devienne la première région du monde en matière de développement et de déploiement d’IA de pointe, éthique et sécurisée », commente la CE dans un communiqué.

Accroître les investissements à travers des partenariats

La Commission européenne (CE) estime que les niveaux d’investissement en intelligence artificielle (IA) sont « faibles et fragmentés » en Europe, comparé à d’autres régions du monde comme les États-Unis et la Chine.

40 Mds d’investissements publics et privés d’ici 2030

Comme l’annonçait la stratégie sur l’IA présentée en avril 2018, le plan de la CE prévoit une coordination renforcée des investissements, ce qui se traduira par :

• des synergies plus importantes ;
• au moins 20 milliards d’euros d’investissements publics et privés dans la recherche et l’innovation dans le domaine de l’intelligence artificielle à partir de maintenant et jusqu’à fin 2020 ;
• plus de 20 milliards d’investissements publics et privés par an au cours de la décennie suivante.

En complément des investissements nationaux, la Commission investira 1,5 milliard d’euros d’ici 2020, précise-t-elle, soit 70 % de plus qu’entre 2014 et 2017.

En ce qui concerne le budget à long terme de l’Union européenne (2021-2027), l’UE a proposé d’investir au moins 7 milliards d’euros dans les programmes Horizon Europe et Digital Europe dans le domaine de l’IA.

Les actions communes pour atteindre ces objectifs d’investissement incluent : 

• des stratégies nationales d’IA : d’ici à la mi-2019, tous les États membres devraient avoir leurs propres stratégies décrivant les niveaux d’investissement et les mesures de mise en œuvre, qui alimenteront les discussions au niveau de l’Union européenne (UE) ;
• un nouveau partenariat public-privé européen pour l’IA : un nouveau partenariat de recherche et d’innovation sur l’intelligence artificielle sera mis en place afin de favoriser la collaboration entre les universités et l’industrie en Europe et de définir un programme de recherche stratégique commun sur l’IA ; 
• Un nouveau fonds de renforcement de l’intelligence artificielle : la Commission européenne soutiendra les start-ups et les innovateurs en matière d’IA et de blockchain à leurs débuts ainsi que les entreprises en phase de développement ;  
• le développement et la connexion de centres de premier plan pour l’intelligence artificielle : des centres d’excellence européens pour l’IA seront développés et connectés, des installations de test de référence mondiale seront établies dans des domaines tels que la mobilité connectée, et l’adoption de l’IA dans l’ensemble de l’économie sera encouragée par le biais des pôles d’innovation numérique (66 millions d’euros pour les hubs robotiques sont annoncés). Une initiative pilote du Conseil européen de l’innovation sera également lancée pour soutenir les technologies de l’IA de la prochaine génération.

Mettre à disposition davantage de données en créant des espaces de données européens, y compris en santé

En collaboration avec les pays européens, la Commission européenne créera des espaces de données européens communs pour faciliter le partage transfrontalier de données, en garantissant leur conformité avec le RGPD.

« Le secteur de la santé peut tout particulièrement bénéficier de l’IA »

• « Le secteur de la santé peut tout particulièrement bénéficier de l’IA », souligne la CE, précisant qu’elle soutiendra, en coordination avec les États membres, la création d’une base de données de santé commune comprenant des scanners anonymisés, fournis par les patients, afin d’améliorer les diagnostics de cancer et les traitements à l’aide de l’intelligence artificielle.
• D’ici à la mi-2019, la Commission lancera un centre de soutien pour le partage de données, qui prodiguera des conseils pratiques à tous les participants européens sur l’économie de données.

Encourager les talents et l’apprentissage tout au long de la carrière

Les pays de l’Union européenne sont confrontés à une pénurie de professionnels dans le domaine des TIC et à un manque de programmes d’enseignement supérieur spécialisés en intelligence artificielle, pointe du doigt la Commission.

• Elle a donc décidé de soutenir, conjointement avec les pays européens, les diplômes d’études supérieurs en IA, notamment par l’intermédiaire de bourses d’études spécialisées.
• La Commission précise qu’elle continuera également à soutenir les compétences numériques et l’apprentissage tout au long de la carrière « pour l’ensemble de la société, et en particulier pour les travailleurs les plus concernés par l’IA, comme indiqué dans sa stratégie en la matière ».
• Elle estime aussi important que l’intelligence artificielle soit présente dans les programmes d’enseignement d’autres disciplines, comme le droit.
• L’utilisation complète du système de carte bleue aidera à retenir et à attirer des professionnels du domaine de l’IA hautement qualifiés en Europe, ajoute-t-elle enfin.

Inspirer la confiance

Le plan coordonné dévoilé par la CE cherche à développer une technologie de l’intelligence artificielle qui respecte les droits fondamentaux et les règles éthiques pour mieux faire face aux questions éthiques que soulève l’IA, portant notamment sur le fait que cette dernière pourrait entraîner une prise de décision biaisée, et ainsi gagner la confiance des entrepreneurs, « nécessaire pour que les sociétés acceptent et utilisent l’IA ».

• Un groupe d’experts européens, représentant les universités, les entreprises et la société civile, travaille sur des lignes directrices en matière d’éthique pour le développement et l’utilisation de l’IA, indique la Commission :
  • une première version de leur rapport sera publiée d’ici la fin 2018 ;
  • la version finale sera présentée à la CE en mars 2019 après une vaste consultation menée dans le cadre de l’Alliance européenne pour l’IA (European AI Alliance).
• L’objectif est de transposer l’approche éthique de l’Europe sur la scène mondiale. La Commission ouvre actuellement sa coopération à tous les pays non membres de l’UE souhaitant partager les mêmes valeurs qu’elle.

Roche Pharma France déploie auprès des oncologues Clinical Intelligence Study, une plateforme de datavisualisation des essais cliniques sur le cancer du poumon disponibles dans le monde entier. L’objectif est de permettre aux cliniciens « d’identifier plus facilement les essais cliniques pouvant correspondre aux besoins de leur patients » grâce à la programmation de filtres ciblant leur recherche en fonction de divers critères, précise l’entreprise dans un communiqué publié le 29 novembre 2018.

Basée sur l’utilisation d’algorithmes de machine learning, la technologie, accessible sur le site Rodip.roche.com, propose de voir en quelques clics les essais en cours par le biais de graphiques et de cartographies. Les informations disponibles, qui sont extraites directement de la base de données mondiale Clinicaltrials.gov, regroupent les essais cliniques académiques et industriels réalisés en France et à l’étranger.

Dans un premier temps, Clinical Intelligence Study a été développé dans le cadre des cancers du poumon mais vise à être étendu à d’autres domaines thérapeutiques dans lesquels Roche est impliqué.

Cette solution « s’inscrit logiquement dans l’ADN [du laboratoire], qui cherche à faciliter l’accès à l’innovation thérapeutique et à développer des services qui vont au-delà du médicament », commente le groupe.

Objectif : « trouver rapidement des informations sur les essais en cours »

Environ 1 150 essais cliniques sur les cancers du poumon, dont plus de 165 en France, sont réalisés simultanément dans le monde, indique Roche dans son communiqué. « Pour les cliniciens très souvent confrontés aux impasses thérapeutiques, trouver rapidement et simplement des informations sur les essais cliniques en cours est devenu essentiel. »

La consultation de la base mondiale Siteclinicaltrials.gov jugée « compliquée »

« Au quotidien, nous cherchons régulièrement à savoir dans quel essai nous pourrions inclure certains de nos patients, commente le Pr. Thierry Urban, chef de service de pneumologie au centre hospitalier universitaire d’Angers. En tant que cliniciens, nous n’avions jusqu’à présent que deux options :

• soit contacter directement un confrère ou un autre établissement de santé pour avoir des informations sur les essais en cours dans l’établissement, ce qui ne permet pas d’avoir une vision exhaustive des essais concernant une situation précise ;
• soit aller sur le site Clinicaltrials.gov, qui répertorie tous les essais cliniques en cours dans le monde, mais la consultation de cette base est assez compliquée et ne permet pas de faire aisément un tri pertinent parmi les centaines d’essais en cours. »

Clinical Intelligence Study permet de voir sur une page tous les essais à proximité

« Clinical Intelligence Study permet de faire une recherche rapide multi-entrées : phase de l’essai, molécule, type de cancer, statut de l’essai, localisation…, ajoute le Pr. Thierry Urban. C’est un outil clair, simple, convivial et intuitif, grâce auquel on peut voir sur une seule et même page tous les essais cliniques à proximité du CHU qui correspondent à notre recherche, ce qui est très précieux pour nous. »

La solution propose :

• une vision « rapide et claire » de l’ensemble des essais cliniques renseignés sur le site Clinicaltrials.gov ;
• une visualisation des essais cliniques qui sont effectués à proximité ;
• un accès à la liste des centres participants à une étude sélectionnée par le professionnel de santé ;
• un accès aux derniers essais cliniques en cours dans la spécialité du professionnel de santé.

Un outil qui vise à être perfectionné et étendu à d’autres domaines thérapeutiques

Le premier module développé par Roche est axé sur les essais dans les cancers du poumon. Le groupe a déclaré qu’elle allait recueillir les retours des utilisateurs afin de perfectionner l’outil pour « rester au plus près des attentes et des besoins des oncologues ».

À terme, la technologie sera déployée pour d’autres aires thérapeutiques auxquelles s’intéresse Roche.