Towards clinical implementation of artificial intelligence in cancer care: Concept mapping analysis of provincial workshop findings

Cette étude utilise la cartographie conceptuelle d'un atelier provincial pour établir un cadre structuré priorisant l'implémentation de l'intelligence artificielle en oncologie, en mettant en évidence un consensus sur les avantages cliniques et l'efficacité tout en identifiant les défis de gouvernance nécessaires.

L'essentiel

🏥 L'Intelligence Artificielle au Service du Cancer : Une Carte au Trésor pour le Canada

Imaginez que le système de santé, et plus particulièrement la lutte contre le cancer, est comme un gigantesque orchestre. Il y a des musiciens (les médecins), des chefs d'orchestre (les administrateurs), des compositeurs (les chercheurs) et même des auditeurs (les patients). Tous jouent ensemble pour créer une symphonie de soins.

Maintenant, imaginez qu'on veut ajouter un nouvel instrument magique à cet orchestre : l'Intelligence Artificielle (IA). Cet instrument peut jouer très vite, ne se fatigue jamais et peut entendre des notes que les humains ne perçoivent pas. Mais la question est : comment l'intégrer sans que l'orchestre ne devienne une cacophonie ?

C'est exactement ce que cette étude a tenté de découvrir.

🎭 La Rencontre : Le Sommet de la Colombie-Britannique

Les chercheurs ont organisé une grande réunion (un "atelier") à Vancouver, au Canada, réunissant 48 personnes : des patients, des médecins, des informaticiens et des administrateurs. C'était comme une grande table ronde où chacun pouvait dire ce qu'il pensait de ce nouvel instrument magique.

Ils se sont posés trois questions simples :

1. De quoi avons-nous peur ? (Les risques)
2. Qu'est-ce qui est génial ? (Les bénéfices)
3. Par quoi faut-il commencer ? (Les priorités)

Au total, ils ont généré 265 idées différentes, comme autant de pièces de puzzle.

🧩 Le Puzzle : La "Carte Mentale" (Concept Mapping)

Au lieu de simplement lire une liste de 265 idées, les chercheurs ont utilisé une méthode appelée "carte conceptuelle". Imaginez que vous prenez toutes ces idées et que vous les trier dans des boîtes selon ce qui va ensemble.

Ensuite, ils ont demandé à un petit groupe d'experts (13 personnes) de noter chaque idée sur deux échelles :

• À quel point est-ce important ? (De 1 à 5)
• À quel point est-ce facile à faire ? (De 1 à 5)

Le résultat ? Une carte visuelle qui a révélé deux grands mondes distincts.

🌍 Les Deux Mondes Découverts

Monde 1 : Le "Bouclier de Sécurité" (Les Défis)
Ce groupe contient tout ce qui concerne la protection, la sécurité et les règles.

• Exemples : "Et si l'IA se trompe ?", "Qui est responsable ?", "Protéger les données des patients".
• L'analyse : Les gens trouvent ces sujets très importants (c'est vital !), mais très difficiles à mettre en place. C'est comme construire un château fort : c'est essentiel, mais ça prend du temps, de l'argent et des ingénieurs.

Monde 2 : Le "Super-Héros Quotidien" (Les Bénéfices)
Ce groupe contient tout ce qui aide directement les médecins et les patients au jour le jour.

• Exemples : "Gagner du temps sur les dossiers administratifs", "Aider à trier les urgences", "Expliquer les résultats médicaux simplement".
• L'analyse : Les gens trouvent ces sujets très importants ET assez faciles à faire. C'est comme recevoir un super outil qui rend le travail plus fluide immédiatement.

🚦 Le Feu Tricolore : Où faut-il aller ?

Les chercheurs ont utilisé une grille magique (appelée "Go-Zone") pour classer les idées :

1. 🟢 Zone Verte (Foncez !) : Ce sont les outils qui aident les médecins à gagner du temps (comme rédiger des comptes-rendus ou trier des résultats). Tout le monde est d'accord : c'est important et c'est faisable tout de suite. C'est la priorité numéro 1.
2. 🟡 Zone Jaune (Travaillons dessus) : Ce sont les gros problèmes de sécurité et de règles (comme les lois sur la confidentialité). C'est super important, mais c'est dur à régler. Il faut y travailler en parallèle, mais ce n'est pas la première chose à déployer demain matin.
3. 🔴 Zone Rouge (Attendez) : Certaines idées sont ni très importantes, ni très faciles. On peut les laisser de côté pour l'instant.

💡 La Leçon Principale

L'étude nous apprend que pour introduire l'IA dans la lutte contre le cancer, il ne faut pas tout faire en même temps.

Imaginez que vous rénovez une maison :

• Vous commencez par installer des lumières LED et des interrupteurs intelligents (les outils qui aident les médecins tout de suite). C'est facile, ça fait plaisir, et ça améliore la vie immédiatement.
• En même temps, vous engagez des architectes pour renforcer les fondations et installer un système d'alarme (les règles de sécurité et de gouvernance). C'est crucial pour que la maison ne s'effondre pas, mais ça prend plus de temps.

En résumé :
Les gens sont ravis de l'IA si elle les aide à travailler mieux et plus vite. Ils ont peur si elle menace leur sécurité ou leur emploi. La clé du succès n'est pas de choisir entre l'un ou l'autre, mais de commencer par ce qui est facile et utile (les bénéfices cliniques) tout en construisant lentement les règles de sécurité pour l'avenir.

C'est une feuille de route pour s'assurer que l'IA devient un allié formidable pour soigner le cancer, et non un problème de plus.

Résumé technique

1. Problématique et Contexte

L'intelligence artificielle (IA) offre des promesses considérables pour améliorer la qualité, l'efficacité et les résultats des soins de santé, en particulier en oncologie où la complexité des soins et la coordination multidisciplinaire sont élevées. Cependant, malgré l'abondance de recherches sur l'IA en médecine générale, il existe un manque de littérature spécifique concernant l'implémentation de l'IA dans les soins du cancer, en particulier du point de vue des parties prenantes (patients, cliniciens, chercheurs, administrateurs).

Le défi principal réside dans la traduction des preuves scientifiques en pratiques cliniques réelles. L'adoption de l'IA nécessite non seulement une validation technique, mais aussi une compréhension approfondie des attitudes, des préoccupations et des priorités de tous les acteurs impliqués. Sans une approche participative, les innovations risquent de subir des retards de traduction significatifs ou une adoption fractionnée. Cette étude vise donc à combler ce vide en cartographiant les perspectives des parties prenantes pour guider une implémentation responsable et efficace de l'IA basée sur des preuves (EB AI) dans les soins oncologiques.

2. Méthodologie

L'étude a employé une approche mixte structurée basée sur la cartographie conceptuelle (Concept Mapping), une méthode qui intègre la génération d'idées qualitatives et l'analyse quantitative multivariée.

• Contexte et Participants :
  • Un atelier a été organisé lors du BC Cancer Summit 2024 à Vancouver (Canada).
  • Phase de génération : 48 participants (patients, familles, chercheurs en IA, oncologues, administrateurs, etc.) ont généré des énoncés répondant à trois questions directrices : les préoccupations, les bénéfices perçus et les priorités pour l'IA en oncologie.
  • Phase de tri et de notation : Un panel d'experts de 13 membres (représentant la clinique, la recherche en IA, l'administration et l'expertise patient) a trié et noté les énoncés.
• Procédure de Cartographie Conceptuelle :
  • Génération : 265 énoncés initiaux ont été générés, puis dédoublés et reformulés pour aboutir à une liste finale de 100 énoncés.
  • Tri (Sorting) : Les experts ont regroupé les énoncés en piles selon leur logique propre.
  • Notation (Rating) : Chaque énoncé a été noté sur une échelle de Likert de 1 à 5 pour deux dimensions : l'importance (par rapport aux autres énoncés) et la faisabilité (facilité de mise en œuvre).
• Analyse des Données :
  • Mise à l'échelle multidimensionnelle (MDS) : Utilisée pour créer une représentation spatiale bidimensionnelle où la proximité des points reflète la fréquence avec laquelle les énoncés ont été regroupés par les participants.
  • Analyse en grappes hiérarchique (Ward's method) : Appliquée sur les coordonnées MDS pour identifier des clusters (groupes thématiques) et des sous-clusters.
  • Analyses statistiques : Tests t, Mann-Whitney U, et analyse de corrélation pour comparer les moyennes d'importance et de faisabilité entre les clusters et les sous-groupes (cliniciens vs non-cliniciens).
  • Analyse "Go-Zone" : Une matrice quadrante classant les énoncés selon leur importance et leur faisabilité relatives à la moyenne globale pour identifier les priorités stratégiques.

3. Résultats Clés

• Structure des Données :

  • Sur les 100 énoncés analysés, l'analyse en grappes a identifié deux clusters principaux distincts :
    1. Cluster 1 : « Défis et Sauvegardes pour l'implémentation de l'IA » (62 énoncés).
    2. Cluster 2 : « Bénéfices cliniques et gains d'efficacité » (38 énoncés).
  • Une analyse secondaire a révélé 8 sous-clusters (4 par cluster), permettant une granularité thématique plus fine.

• Comparaison Importance vs Faisabilité :

  • Le Cluster 2 (Bénéfices/Efficacité) a obtenu des notes d'importance (M = 3,50) et de faisabilité (M = 3,62) significativement plus élevées que le Cluster 1 (Défis/Sauvegardes : Importance M = 3,14 ; Faisabilité M = 2,99).
  • Les différences sont statistiquement significatives (P < 0,001) avec de grandes tailles d'effet.
  • Analyse des écarts : Dans le Cluster 1, l'importance est perçue comme supérieure à la faisabilité (écart négatif), indiquant des défis structurels difficiles à résoudre à court terme. Dans le Cluster 2, la faisabilité est supérieure à l'importance, suggérant des opportunités immédiates.

• Sous-clusters et Thématiques :

  • Cluster 1 (Défis) : Comprend des sous-thèmes sur les préoccupations opérationnelles immédiates, l'éthique/sécurité, la régulation/privacy, et l'assurance qualité. Ces domaines sont jugés cruciaux mais peu faisables à court terme.
  • Cluster 2 (Bénéfices) : Comprend des applications de recherche, des améliorations directes du flux de travail (workflow), l'amélioration de la qualité clinique et les outils de communication patient. Ces outils, s'intégrant aux flux existants, sont perçus comme très faisables.

• Analyse de Sous-groupes :

  • Aucune différence significative n'a été trouvée entre les évaluations des professionnels cliniques et non cliniques concernant l'importance globale.
  • Cependant, les cliniciens ont jugé les bénéfices du Cluster 2 comme significativement plus faisables que les non-cliniciens (P = 0,029), suggérant que les praticiens de terrain perçoivent une plus grande applicabilité immédiate des outils d'aide au flux de travail.

• Analyse Go-Zone (Priorisation Stratégique) :

  • Quadrant I (Haute Importance / Haute Faisabilité) : 36 énoncés (36%). Ce sont les « opportunités d'implémentation immédiate » (ex: réduction de la charge administrative, transcription, triage).
  • Quadrant III (Haute Importance / Faible Faisabilité) : 13 énoncés (13%). Ce sont les « priorités R&D » nécessitant des investissements à long terme (ex: gouvernance des données, cadres réglementaires, équité).

4. Contributions et Signification

• Cadre Structuré pour l'Implémentation : Cette étude est la première à utiliser la cartographie conceptuelle pour organiser les perspectives des parties prenantes sur l'IA en oncologie. Elle fournit une carte visuelle et quantitative qui va au-delà des revues thématiques qualitatives traditionnelles.
• Distinction Stratégique : L'étude met en évidence une dichotomie claire entre les applications alignées sur le flux de travail (perçues comme prêtes à l'emploi) et les exigences de gouvernance systémique (perçues comme essentielles mais à long terme).
• Feuille de Route pour les Décideurs : Les résultats offrent un « plan d'action » pratique pour les organisations de santé. Ils suggèrent une approche en deux temps :
  1. Prioriser l'adoption d'outils d'IA qui soutiennent directement le travail clinique et réduisent la charge administrative (Quick Wins).
  2. Investir simultanément, mais sur une période plus longue, dans les infrastructures de gouvernance, de régulation et d'équité nécessaires pour un déploiement durable et éthique.
• Alignement avec la Science de l'Implémentation : Les résultats corroborent les cadres théoriques comme le CFIR (Consolidated Framework for Implementation Research), montrant que l'adoption est facilitée par la compatibilité avec le flux de travail et la perception d'utilité, tandis que les barrières se situent souvent au niveau du contexte externe (réglementation, politique).

En conclusion, cette recherche fournit une base empirique pour séquencer les efforts d'implémentation de l'IA en oncologie, en équilibrant les gains immédiats d'efficacité avec la nécessité de construire des fondations de gouvernance robustes pour l'avenir.