L’intelligence artificielle médicale : comment la collaboration peut améliorer l'utilisation des données dans les essais cliniques

par Mark Aiello et April Crehan

Pourquoi partager des données ?

L'IA dépend des données. Lors du développement d'une IA, vous devez disposer de données exactes et hétérogènes pour entraîner votre système, que votre solution soit basique ou évoluée. Il n'est cependant pas simple d'obtenir les volumes considérables de données de qualité élevée nécessaires pour entraîner les machines et les rendre ainsi plus intelligentes. C'est d'autant plus difficile dans le monde médical.

Les patients hésitent, et c'est bien compréhensible, à partager leurs informations (c'est-à-dire, leurs données) avec d'autres personnes que leurs médecins. Ces derniers sont, quant à eux, tenus de préserver cette confidentialité en vertu de règles de droit et de déontologie. En raison de ces limites, les données médicales accessibles deviennent d'autant plus précieuses. Sachant cela, pourquoi une entreprise ou une institution partagerait-elle des informations et des ensembles de données exclusives sur les patients ?

Pour les avantages considérables dont bénéficierait la société. Mais pas seulement : le partage de données devrait directement bénéficier à l'ensemble des acteurs du secteur, notamment par une meilleure productivité, une reproduction des résultats plus rapide et la réduction des doublons.

Accroissement de la productivité

Les études se suivent et démontrent à l'évidence que la collaboration améliore la qualité générale du travail. En partageant des données exclusives avec les diverses parties prenantes (patients, médecins, développeurs de médicaments, chercheurs, etc.), leurs propriétaires peuvent non seulement accélérer leur réussite, mais aussi réduire leurs coûts. Dans un rapport, Elsevier indique que le partage des données de recherche « peut accélérer le rythme de la recherche ». Le rapport démontre également l'importance de la collaboration avec une méta-analyse, qui a révélé que tous les antidépresseurs sont plus efficaces pour les traitements à court terme de la dépression aigue chez l'adulte que les traitements placebo. L'analyse (que Elsevier appelle « l'évaluation la plus complète des antidépresseurs à ce jour ») s'appuie sur une combinaison d'études publiées et d'ensembles de données inédits. Les chercheurs, les organismes de réglementation et les entreprises pharmaceutiques, qui ont partagé leurs travaux sur demande, ont rendu cette méta-analyse possible, et les auteurs ont publié les ensembles de données complets pour permettre des tentatives de réplication et des utilisations futures. Cela signifie que cette collaboration initiale peut avoir un effet porteur sur la recherche future.

Duplication et atténuation des risques

Vous savez déjà que la mise au point d'un nouveau médicament coûte extrêmement cher. Dans 7 cas sur 8, les médicaments qui arrivent au stade des essais ne sont jamais approuvés. Et s'il était possible de savoir à l'avance si une autre entreprise a déjà suivi la même voie, sans succès ? En partageant aussi bien les réussites que les échecs, vous pouvez opter pour une nouvelle approche ou réaffecter vos ressources pour qu'elles se concentrent sur une autre molécule ou une autre maladie. Vous pouvez même vous attacher à améliorer un produit bientôt disponible. Par ailleurs, une identification rapide de ces erreurs et l'amélioration de la transparence peuvent également sauver des vies. À plusieurs reprises, l'utilisation prolongée de produits pharmaceutiques, dont les résultats négatifs ou non concluants avaient été dissimulés, a eu de graves répercussions, allant parfois jusqu'au décès de patients.

Preuves d'efficacité

Plus vos pratiques de recherche et d'essai seront transparentes, plus il sera facile de soutenir (ou de remettre en cause) votre travail. La reproductibilité est indissociable des avancées scientifiques, et elle est d'autant plus facile si les données sont publiques. En matière d'IA, le partage des ensembles de données de tests peut aider à améliorer les systèmes d'IA existants. Plus vite les chercheurs découvrent des points d'amélioration, plus vite ils peuvent aller de l'avant.

Quelles données partager ?

Malgré des avantages évidents, un défi majeur subsiste : les patients rechignent à partager leurs données médicales. Comment les chercheurs et les commanditaires d'essais peuvent-ils surmonter ce problème ? L'anonymat des données est l'une des clés du partage, et donc de la création de solutions d'IA et de leur application au secteur de la santé, les patients ayant ainsi moins de réserves quant au respect de leur vie privée. La création de plates-formes de partage réciproque de données anonymes peut constituer une bonne alternative favorisant l'échange d'informations. Certaines administrations et revues exigent déjà un certain niveau de partage des données pour financer ou publier des travaux scientifiques, poussant ainsi les chercheurs à partager leurs données.

Quel est donc l'enjeu ?

Ensembles de données

Le partage des données d'apprentissage, qui constituent les bases d'un système d'IA, pourrait mettre en péril la propriété intellectuelle. Pourquoi, cependant, ne pas partager au moins les ensembles de données de tests que vous utilisez pour démontrer la viabilité de votre système ? Si vous avez confiance dans votre système d'IA, vous devriez permettre à d'autres personnes de tester leur système avec vos données d'essai pour voir s'ils peuvent obtenir de meilleurs résultats.

Résultats

Tout le monde est fier de partager ses succès, mais les échecs peuvent être tout aussi instructifs. Il est impératif de mettre en œuvre une culture invitant les gens à partager ce qui n'a pas fonctionné autant que ce qui a fonctionné. Comme vous, vos pairs peuvent apprendre de vos erreurs. Et peut-être peuvent-ils même en déduire la raison. Comme nous l'avons déjà dit, partager vos échecs peut sauver des vies.

Pools de patients

L'une des applications les plus puissantes de l'intelligence artificielle dans le secteur de la santé est la sélection des patients en vue des essais cliniques. L'IA facilitant l'identification de candidats adéquats pour un essai donné, les participants potentiels n'ont plus l'impression d'être traqués. Et grâce à l'IA, des patients de votre pool peuvent constituer des candidats parfaits pour l'essai d'un concurrent, et inversement.

Au final, l'intégration de l'IA dans le domaine médical sera bénéfique en tous points pour les patients. Une coopération plus poussée dans le secteur des essais cliniques peut accélérer les innovations susceptibles de changer des vies.

Vous souhaitez en savoir plus sur la révolution IA dans le secteur des essais cliniques ? Cliquez ici.

#essais cliniques #IA #santé #santé #sciences de la vie