The Power of Open Health Data: Impact, Representation, and Knowledge Diffusion

Cette étude évalue l'impact et la diffusion des connaissances de quatre grandes bases de données de santé ouvertes, révélant une amplification citationnelle indirecte d'environ 10 fois, des disparités significatives dans la composition démographique des auteurs selon le type de ressource, et une persistance des inégalités de genre au sein des positions d'auteurs seniors que l'accès aux données seul ne suffit pas à résoudre.

L'essentiel

🌍 Le Grand Café de la Science : Qui boit le café et qui paie ?

Imaginez que la science médicale est un immense café gratuit ouvert à tout le monde. Des gouvernements et des organisations paient des millions (voire des milliards) de dollars pour créer ces cafés, remplis de données de santé (comme des dossiers médicaux anonymisés ou des résultats de tests génétiques).

L'idée est simple : si tout le monde peut boire ce café gratuitement, tout le monde peut inventer de nouvelles recettes (de nouvelles découvertes médicales).

Mais cette étude pose deux questions cruciales :

1. Est-ce que le café est vraiment utile ? (Est-ce que ça génère beaucoup de nouvelles idées ?)
2. Qui est assis à la table ? (Est-ce que des gens de partout dans le monde participent, ou seulement les mêmes riches ?)

Les chercheurs ont analysé quatre de ces "cafés" géants :

• MIMIC : Un petit café très ancien et gratuit, basé sur des données d'un hôpital à Boston.
• UK Biobank : Un grand projet britannique qui suit des gens sur le long terme avec de l'ADN.
• OpenSAFELY : Une plateforme sécurisée pour les médecins généralistes en Angleterre.
• All of Us : Un projet américain colossal qui veut inclure des millions de personnes très diverses.

---

📈 L'Effet "Neige" : Une petite goutte devient une avalanche

Les chercheurs ont découvert quelque chose de magique : l'effet de levier.

Imaginez que vous lancez une petite pierre (les données brutes) dans un lac.

1. Le premier cercle (Citation directe) : Ce sont les gens qui utilisent directement la pierre pour faire un bateau. C'est bien.
2. Le deuxième cercle (Citation indirecte) : Ce sont les gens qui voient le bateau, s'en inspirent, et construisent un voilier, un sous-marin, ou un radeau.

La découverte clé : Pour chaque article scientifique qui utilise directement ces données, il y a environ 10 autres articles qui s'en inspirent indirectement ! C'est comme si une seule goutte d'eau créait une vague qui se propage sur toute la surface du lac. Peu importe si le projet a coûté 14 millions de dollars (MIMIC) ou 2 milliards de dollars (All of Us), cet effet "10 fois plus" est constant.

---

🌏 Qui est à la table ? (L'Équité)

C'est ici que l'histoire devient intéressante, car les quatre "cafés" ne ressemblent pas du tout.

1. Le Café "MIMIC" : Le terrain de jeu des développeurs

• Le style : C'est gratuit, facile d'accès, et on peut télécharger les données sur son ordinateur portable.
• Les clients : C'est le café le plus fréquenté par des chercheurs des pays en développement (Pays à Revenu Faible et Intermédiaire). Près de 42 % des auteurs viennent de ces pays !
• Le paradoxe : Même si beaucoup de gens de ces pays participent, ce sont souvent des hommes (32 % de femmes). Pourquoi ? Parce que ce café est devenu la "piste d'entraînement" préférée des informaticiens et des spécialistes de l'intelligence artificielle, un domaine où les femmes sont encore sous-représentées.
• Le problème : Ces chercheurs construisent des modèles sur des données américaines, mais appliquent-ils ces découvertes dans leurs propres hôpitaux locaux ? Pas toujours.

2. Le Café "All of Us" : Le club très sélectif

• Le style : C'est un projet énorme, très bien financé, mais complexe. Il faut des autorisations, des comptes en nuage, et c'est très centré sur les États-Unis.
• Les clients : C'est un club très "riche". Seulement 4 % des auteurs viennent des pays en développement. C'est comme si le café était si grand et si compliqué que les gens du monde entier n'arrivaient pas à entrer.
• Le point positif : Il y a beaucoup plus de femmes (43 %), mais elles sont surtout dans les rôles de débutants, pas encore aux commandes.

3. Les Cafés "UK Biobank" et "OpenSAFELY" : L'équilibre

• Ils se situent entre les deux. Ils attirent un peu plus de diversité que le projet américain, mais moins que le petit projet gratuit MIMIC.

---

👩‍💼 Le Problème du "Chef de Cuisine" (L'Écart de Genre)

Peu importe le café, il y a un problème commun : les femmes cuisinent, mais les hommes servent.

Dans tous les projets, les femmes sont nombreuses à écrire les premiers brouillons (premier auteur), mais elles sont beaucoup moins nombreuses à être les "chefs de cuisine" qui supervisent le projet et signent le dernier mot (dernier auteur).

• C'est comme si dans un restaurant, les femmes faisaient 40 % du travail de cuisine, mais que seulement 30 % des chefs étaient des femmes.
• Cela montre que même avec un accès gratuit aux données, les barrières invisibles (mentorat, financement, carrière) empêchent les femmes d'atteindre les sommets.

---

💡 La Leçon à retenir

Cette étude nous dit trois choses importantes :

1. Les données ouvertes sont puissantes : Elles génèrent une avalanche de connaissances (10 fois plus que prévu), peu importe le budget.
2. La facilité d'accès change tout : Le petit projet gratuit (MIMIC) attire beaucoup plus de chercheurs du monde entier que les projets géants et coûteux. C'est comme un parc public gratuit qui attire plus de monde qu'un club privé très cher.
3. Avoir des gens à la table ne suffit pas : Ce n'est pas parce qu'il y a des chercheurs du monde entier ou des femmes qui écrivent des articles que la science devient plus juste. Il faut s'assurer que ces chercheurs ont le pouvoir de décider de la direction de la recherche et qu'ils créent des solutions pour leur propre communauté, pas seulement pour les autres.

En résumé : Ouvrir les données est une excellente première étape, comme ouvrir les portes d'une école. Mais pour que l'éducation soit vraiment équitable, il faut aussi s'assurer que tout le monde peut entrer, que les filles puissent devenir directrices, et que ce qu'on apprend serve à améliorer la vie de tout le monde, pas seulement de quelques privilégiés.

Résumé technique

1. Problématique et Contexte

Les dépôts de données de santé ouvertes reçoivent des milliards de dollars de financement public (par exemple, le programme All of Us à 2,16 milliards de dollars, UK Biobank à 525,5 millions, MIMIC à 14,4 millions). Cependant, il n'existe pas de cadre systématique pour évaluer :

• L'impact académique en aval de ces données.
• La composition des communautés de recherche qu'elles cultivent.
• La diffusion réelle des connaissances au-delà des utilisateurs directs.

Les évaluations bibliométriques existantes se limitent souvent au comptage des publications citant directement les données (citations de premier degré), négligeant l'effet d'amplification indirecte lorsque ces publications sont elles-mêmes citées par d'autres chercheurs. De plus, la question de l'équité (qui produit la recherche, d'où vient-elle, et dans quelles positions hiérarchiques) reste une question empirique non résolue.

2. Méthodologie

Les auteurs ont développé une méthodologie de citation à deux degrés appliquée à quatre grands dépôts de données de santé :

1. MIMIC (versions I–IV) : Données rétrospectives de dossiers médicaux électroniques (DME).
2. UK Biobank : Cohorte prospective avec génomique.
3. OpenSAFELY : Plateforme fédérée de données de soins primaires.
4. All of Us : Cohorte nationale prospective avec engagement communautaire.

Approche technique :

• Données bibliométriques : Utilisation de la base de données OpenAlex (janvier-février 2026) pour identifier :
  • Les publications de premier degré (n = 30 049) : Articles citant directement les travaux principaux des dépôts.
  • Les publications de second degré (n = 485 396) : Articles citant les publications de premier degré.
• Normalisation financière : Les métriques de production (nombre de papiers) et d'impact (citations) sont normalisées par le financement total du programme (en millions de dollars US).
• Analyse démographique :
  • Genre : Inféré via l'API Genderize.io à partir des prénoms (taux d'identification > 98 %).
  • Géographie : Classification des pays selon les revenus de la Banque mondiale (HIC vs LMIC - Pays à Revenu Moyen et Faible).
  • Positions d'auteur : Distinction entre premier auteur (chercheur principal), dernier auteur (investigateur senior) et auteurs intermédiaires.
• Analyse statistique : Tests du chi-deux, rapports de cotes (Odds Ratios) et analyse de la diffusion disciplinaire via les classifications OpenAlex.

3. Contributions Clés

• Nouvelle métrique d'impact : Introduction d'un ratio d'amplification de citation (rapport entre citations indirectes et directes) pour quantifier la diffusion des connaissances.
• Analyse comparative multi-dimensionnelle : Première étude comparant simultanément l'efficacité financière, la diffusion des connaissances et l'équité démographique sur des dépôts de données aux designs et budgets radicalement différents.
• Distinction entre équité représentative et transformative : Mise en lumière de la différence entre la présence de chercheurs diversifiés dans les listes d'auteurs et la production réelle de connaissances localement pertinentes.

4. Résultats Principaux

A. Impact et Amplification des Citations

• Amplification constante : Le ratio d'amplification des citations (citations de second degré / citations de premier degré) est remarquablement stable à travers les quatre dépôts, oscillant entre 9,3x et 11,5x. Cela signifie que pour chaque article utilisant directement les données, environ 10 articles supplémentaires sont générés indirectement.
• Efficacité financièrement normalisée : De grandes disparités existent dans le nombre de papiers produits par million de dollars investi :
  • MIMIC : 689 papiers de premier degré / $1M (le plus élevé).
  • All of Us : 1 papier de premier degré / $1M (le plus faible).
  • Note : Cette différence s'explique par le fait que le financement d'All of Us inclut le recrutement, le biobanquage et l'engagement communautaire, tandis que MIMIC est une curation rétrospective de données existantes.

B. Démographie et Équité

• Représentation des pays à revenu faible ou intermédiaire (LMIC) :
  • MIMIC : 41,8 % d'auteurs LMIC (le plus élevé), avec une forte présence en positions de premier et dernier auteur (leadership intellectuel).
  • All of Us : Seulement 4,3 % d'auteurs LMIC.
  • OpenSAFELY et UK Biobank : Intermédiaires (17,4 % et 22,9 %).
  • Observation : L'accès sans barrière financière et les programmes de formation (datathons) de MIMIC favorisent une communauté mondiale diversifiée.
• Genre et Écart de Seniorité :
  • La proportion d'auteurs féminins est inversement corrélée à celle des auteurs LMIC (All of Us : 43,2 % de femmes ; MIMIC : 31,8 %).
  • Écart persistant : Dans tous les dépôts, les femmes sont sous-représentées en position de dernier auteur (senior) par rapport à la position de premier auteur (écart de 4,9 à 10,9 points de pourcentage).
  • Intersectionnalité : Dans trois des quatre dépôts, la proportion de femmes est plus élevée au sein du sous-groupe LMIC que dans le sous-groupe HIC, suggérant des dynamiques complexes.

C. Analyse Disciplinaire

• MIMIC est le seul dépôt dont le champ principal est l'informatique (43,3 %), utilisé comme banc d'essai pour le Machine Learning, contrairement aux autres qui restent ancrés dans la médecine clinique ou la biologie. Cela explique en partie la faible représentation féminine (écart de genre connu en informatique).

5. Signification et Conclusion

• Impact au-delà de l'utilisateur direct : Les données de santé ouvertes génèrent un impact académique indirect massif (~10x), validant leur utilité pour la science des données et la recherche translationnelle.
• Limites de l'accès aux données : L'accès ouvert seul ne garantit pas l'équité transformative. Bien que MIMIC attire des chercheurs LMIC dans des positions de leadership, cela ne se traduit pas nécessairement par une production de connaissances pertinentes pour les systèmes de santé locaux (les modèles sont souvent calibrés sur des données américaines urbaines).
• Inégalités structurelles : Les écarts de genre dans les positions de direction (dernier auteur) reflètent des inégalités structurelles dans la carrière académique et le financement, que les politiques d'accès aux données ne peuvent résoudre seules.
• Recommandations : Les futures évaluations des investissements dans les données ouvertes doivent dépasser les métriques de citation pour examiner qui produit la recherche, où, et si cette participation se traduit par le renforcement des capacités locales et la création de jeux de données locaux.

En résumé, l'étude démontre que si les données ouvertes sont un puissant moteur de diffusion des connaissances, leur potentiel d'équité dépend de la conception des programmes (coûts, barrières à l'entrée, engagement communautaire) et nécessite une attention spécifique aux dynamiques de pouvoir au sein des communautés de recherche.