Le big data suscite beaucoup d’espoir en matière de prédiction de risque sanitaire. Des chercheurs américains et néerlandais attirent cependant l’attention sur ces capacités prédictives qui sont sans doute sur-estimées. La qualité des données et les intérêts commerciaux peuvent nuire à la capacité de prédiction du big data et pousser les médecins à prendre de mauvaises décisions. Les chercheurs ont publié leur point de vue* le 3 juillet dans la Jama.
Big data : 4 obstacles à la prédiction du risque
Les données de santé sont innombrables. L’utilisation massive des dossiers électroniques dans les hôpitaux mais aussi les techniques de traitement automatique du langage naturel pour décrypter les comptes-rendus de consultation ont conduit à une croissance exponentielle des données ces dix dernières années. Par ailleurs, de nouvelles approches d’apprentissage automatique par ordinateur promettent une prédiction de plus en plus précise.
Données massives et amélioration des puissances de calcul « suggèrent que dans un avenir proche la médecine se transformera en une science de l’information », écrivent trois chercheurs dans le Jama du 3 juillet 2018. Nilay D. Shah, de la Mayo Clinic (USA), Ewout W. Steyerberg de l’Université de Leyde (Pays-Bas) et David M. Kent de l’Institute for Clinical Research and Health Policy Studies de Boston (USA) tiennent à attirer l’attention sur les risques des prises de décision médicale reposant sur le big data.
Certes, plusieurs études ont déjà démontré que des systèmes statistiques surpassent l’être humain en matière de précision pronostique. Pourtant, soulignent les auteurs de ce point de vue, ces outils sont encore rarement utilisés dans la pratique clinique. Et, selon eux, « il semble peu probable que des améliorations progressives de la performance discriminative de l’apprentissage automatique entraînera un changement majeur dans les soins cliniques. » Pour soutenir leur affirmation, ces chercheurs mettent en avant 4 obstacles majeurs qui ne devraient pas être facilement surmontés à l’ère du big data.
Des décisions indépendantes des statistiques
L’objectif du big data n’est pas l’accumulation de données en soi mai l’amélioration de la prise de décision… et donc l’amélioration des soins. « Cependant, toutes les décisions ne sont pas sensibles aux prédictions issues de l’information pronostique », alertent les auteurs de la tribune. « Le simple fait de fournir la probabilité d’un résultat particulier, tel qu’un risque de réadmission ou un risque de mortalité à un an, est peu susceptible de modifier le comportement du médecin ou du patient dans la plupart des contextes », ajoutent-ils. En fait, les décisions médicales ne changent que lorsqu’un seuil de risque est franchi, que lorsque la balance bénéfice/risques d’un traitement bascule. Or, les concepteurs de modèles statistiques intègrent rarement ces éléments clés de la prise de décision. Ils s’attachent davantage à la précision statistique.
Un manque d’étalonnage des données affaiblit la prédiction
Les chercheurs pointent du doigt un deuxième obstacle : le manque d’étalonnage des données. Pour établir et valider un score de risque, deux étapes sont en effet essentielles, la discrimination et la calibration. La discrimination d’un score est sa capacité à séparer les sujets qui présentent ou non la maladie pour un score diagnostique, les sujets à risque d’événement pour un score de risque. Cette étape est bien maîtrisée. En revanche, la calibration, qui permet de chiffrer dans quelle mesure le risque prédit par le score correspond au risque réel, suscite « une préoccupation sérieuse », écrivent les chercheurs. C’est même « le talon d’Achille de la prédiction ». « Or, un mauvais étalonnage peut mener à des décisions nuisibles », préviennent-ils.
Une pression commerciale
Troisième obstacle qui pourrait bien limiter l’intérêt des mégadonnées dans la prise de décision médicale : les intérêts commerciaux. « Lorsque les décideurs dans les systèmes de prestation de soins de santé investissent dans des données, des outils et du personnel liés aux mégadonnées, il y a une pression énorme pour obtenir des résultats rapides », soulignent les trois auteurs de la prise de position. En outre, pour vendre leurs produits, les fournisseurs de technologies de l’information sont incités à surestimer leur valeur d’analyse prédictive. Et comme les algorithmes d’apprentissage automatique sont généralement plus opaques que les modèles statistiques classiques, toutes les conditions ne sont manifestement pas réunies pour que les médecins prennent une décision rigoureuse en fonction du risque.
Des données hétérogènes
Enfin, les chercheurs américains et néerlandais s’inquiètent de la qualité des données. Faire un pronostic sur des données inexactes et/ou manquantes s’avère hasardeux. « Comme les patients peuvent voir plusieurs cliniciens qui utilisent différentes plateformes ou qui pratiquent dans différents systèmes de distribution dans lesquels les données ne sont pas partagées, ces données sont souvent incomplètes, ce qui crée potentiellement un biais dans l’estimation des effets et finalement la prédiction », estiment ces derniers.
Surveiller le big data comme les médicaments
En conclusion, les chercheurs estiment que ces modèles basés sur le big data sont à l’heure actuelle insuffisamment validés et nécessitent une plus grande surveillance, afin d’éviter de mauvaises décisions. Ils ajoutent que « le public exige une telle surveillance pour les nouvelles technologies médicales telles que les produits pharmaceutiques et les appareils. Les médecins sont également assujettis aux exigences de permis et à la certification du conseil. » L’apprentissage automatique ne doit pas échapper à un tel encadrement.
« Bien qu’un médecin mal préparé puisse faire des erreurs sur un patient, un algorithme défectueux pourrait, lui, affecter un plus grand nombre de patients. »
