Mettre Francisco Junior
L'intersection croissante entre l'intelligence artificielle (IA) et le gestion les soins de santé sont de plus en plus pertinents dans le monde. Au cours des dernières décennies, des progrès significatifs ont été réalisés spécifiquement dans le domaine de l’IA en général, dans ses diverses modalités et dans ses diverses applications. Dans les sciences de la santé, en particulier en médecine, les thèmes de l'apprentissage automatique, de l'analyse prédictive et des sujets connexes ont gagné en importance ces dernières années, occupant progressivement un espace de discussion et de développement dans les domaines académiques, politiques et commerciaux liés à la santé.
Mais qu’est-ce que la prédiction en matière de soins de santé et comment peut-elle aider à résoudre certains problèmes importants du secteur ? La prédiction est le processus de génération d'informations manquantes. Il utilise les données disponibles pour générer des informations qui ne sont pas disponibles. Dans la gestion de la santé, cela signifie anticiper des événements tels que les hospitalisations, les réadmissions, les complications, la fraude, les absences et l'observance du traitement, par exemple, ce qui permet d'adopter des interventions proactives. Pour que la prévision soit efficace, il est essentiel de disposer de données en volume et en qualité adéquates.
Depuis des décennies, les data scientists, les médecins et plusieurs autres catégories de chercheurs relèvent le défi de prédire les résultats futurs avec les données disponibles aujourd'hui. Des modèles prédictifs plus traditionnels, tels que les analyses de régression linéaire, ont été à la base de nombreuses avancées dans le domaine des soins de santé, apportant de réels gains en matière de qualité de vie, de survie et d'optimisation des ressources. La nouveauté réside dans l’incorporation, ou plutôt la vulgarisation de techniques auparavant reléguées à d’autres domaines de la connaissance, notamment dans le domaine de la santé, notamment celles impliquant de nouveaux algorithmes et techniques d’apprentissage automatique.
En général, nous avons constaté des performances prédictives supérieures de la part de bon nombre de ces algorithmes par rapport aux techniques plus traditionnelles. Cependant, il ne s’agit pas seulement de « classer » la précision prédictive. Différents outils peuvent avoir des utilisations différentes, et leur applicabilité à une situation spécifique doit être analysée avec parcimonie. Loin de dévaloriser les techniques prédictives traditionnelles, les algorithmes d’IA peuvent analyser de grands volumes de données et en apprendre les modèles complexes, ce que les méthodes traditionnelles ont du mal à réaliser.
En règle générale, le grand atout des algorithmes d’apprentissage automatique — loin de constituer une « boîte noire » dans laquelle leurs mécanismes ne sont pas compris — est que la machine peut « apprendre » les modèles existants dans les données et effectuer des corrélations complexes entre variables, ce qui conduit finalement à une plus grande précision prédictive. Les modèles complexes dans d’énormes volumes de données sont mieux détectés par les ordinateurs que par les humains – c’est pourquoi le recours à « l’apprentissage automatique » pour l’analyse prédictive.
Il convient également de souligner d’autres technologies qui apportent des avancées significatives, génèrent des résultats positifs et améliorent la qualité des soins de santé. Plus récemment, une modalité en particulier a attiré l’attention des médias et de la société en général : l’IA générative, comme celle utilisée dans ChatGPT. Nous parlons toujours de prédiction, mais dans ce cas, les modèles se concentrent sur la « compréhension » du langage naturel inséré en entrée, et les réponses sont également fournies en langage naturel. Les algorithmes doivent être entraînés sur d’énormes volumes de données afin de pouvoir prédire la signification de mots ou de sons juxtaposés en séquence – notre langage naturel – et produire une réponse tout aussi cohérente du point de vue du langage humain.
Qu’elle soit dotée ou non d’une capacité générative, le fait est que l’IA appliquée aux soins de santé ouvre une nouvelle gamme de possibilités auparavant inimaginables. Plus précisément, lorsqu'ils sont appliqués à la gestion de la santé, qu'elle soit d'entreprise (plus communément associée à la santé complémentaire) ou publique (plus communément associée au SUS – Unified Health System), les algorithmes prédictifs ont le potentiel de rendre les processus plus efficaces et de contribuer à la durabilité des écosystèmes. S’appuyant sur des données diverses (tablettes, images médicales, tracés d’examens, textes issus de dossiers médicaux, etc.) et utilisant différentes techniques de modélisation prédictive, les algorithmes pourraient même changer la manière dont nos systèmes de santé sont structurés et financés. Les avantages pour le secteur de la santé sont divers et vont de l'optimisation de la planification des rendez-vous à la prévision de la fraude ou de la probabilité de réadmission d'un patient, à l'allocation plus efficace des ressources et même à la prévision des besoins en stocks de médicaments en fonction des modèles d'utilisation historiques.
L’IA est également utilisée pour fournir une assistance 24h/24 et 7j/7 aux patients, en répondant aux questions courantes et en les orientant vers les soins appropriés. En outre, les algorithmes ont un grand potentiel pour aider à diagnostiquer avec précision les maladies, suggérer des traitements personnalisés basés sur les antécédents médicaux et même prédire les épidémies. La mise en œuvre de ces technologies peut non seulement améliorer la qualité des soins de santé, mais également contribuer à la réduction des coûts évitables (fraude, erreurs, abus, gaspillage) et à l'optimisation des ressources. La détection précoce des maladies, par exemple, peut éviter des traitements plus coûteux et plus longs, tandis que l’automatisation des processus administratifs grâce à l’IA peut permettre aux professionnels de santé de gagner du temps pour se concentrer sur les soins aux patients.
En fait, il est compréhensible que l’adoption de technologies au potentiel aussi disruptif que celles liées à l’IA prenne du temps, en particulier dans les domaines directement liés à la santé et au bien-être des personnes. Leur adoption nécessite avant tout de connaître leurs potentiels et leurs limites, afin que les professionnels de la santé et du management sachent où et quand les appliquer – de manière éthique et responsable. Après tout, de nombreuses nuances impliquent la modélisation des algorithmes prédictifs appliqués aux soins de santé, en commençant par la qualité des données sources, en passant par la technique des professionnels de la science des données, le calibrage des modèles et aboutissant à leur validation pratique dans les populations cibles.
Analyser et réduire les divers biais et « préjugés » dans le processus de modélisation prédictive doit être une partie indissociable de sa construction, en plus d’être une préoccupation constante de toutes les personnes impliquées. Actuellement, les algorithmes utilisés pour soutenir la prise de décision clinique ne remplacent pas le professionnel de santé impliqué dans les soins directs aux patients, même si les avancées dans ce domaine, notamment celles impliquant l’IA générative, sont très prometteuses. S'ils sont utilisés avec prudence et responsabilité, ils ont le potentiel d'améliorer efficacement la productivité et d'offrir une plus grande sécurité et précision dans le diagnostic, le traitement et la surveillance des patients.
En tant que médecin et data scientist, j'attends avec optimisme le moment où la santé des personnes pourra bénéficier à grande échelle des progrès que l'IA peut apporter, contribuant ainsi à ce que les systèmes de santé soient durables et accessibles pour les générations futures.
*Francisco Junior est docteur, développeur, entrepreneur et directeur technologique (CTO) chez Lean Saúde.
