Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

Le cancer est une maladie implacable qui frappe les gens partout, mais la capacité de le diagnostiquer rapidement et avec précision n'est pas partagée de manière égale à travers le monde. Dans de nombreux pays à revenu faible et intermédiaire, le chemin vers la guérison est souvent bloqué bien avant même que le traitement ne commence. La première étape pour combattre le cancer est de le trouver, ce qui nécessite généralement un pathologiste — un médecin qui examine de fines coupes de tissu sous un microscope pour identifier la maladie. Ces spécialistes sont en pénurie dans de nombreuses parties du monde, et les laboratoires dans lesquels ils travaillent manquent souvent des outils avancés nécessaires pour voir les plus petits détails. Sans un diagnostic clair, les patients attendent trop longtemps pour recevoir des soins, et leurs chances de survie chutent.

Ces dernières années, un nouvel outil est apparu, promettant de changer la donne : l'intelligence artificielle. Il s'agit d'un logiciel informatique entraîné pour reconnaître des formes, capable d'examiner les mêmes lames de tissus qu'un médecin humain et de détecter les signes de cancer avec une grande rapidité. L'idée est que si ces programmes intelligents peuvent être intégrés aux systèmes de diagnostic des pays en développement, ils pourraient aider les médecins à travailler plus vite et plus précisément, permettant potentiellement à ces pays de sauter les étapes lentes et coûteuses de la construction de laboratoires de pathologie traditionnels pour passer directement à un système numérique moderne. Mais pour que cela fonctionne, la technologie doit correspondre à la réalité des lieux où elle est nécessaire. Elle ne peut pas simplement être parachutée de l'extérieur ; il faut comprendre comment les médecins locaux, les budgets et les règles interagissent avec le logiciel.

Une équipe de chercheurs s'est donné pour mission de comprendre exactement comment cela pourrait fonctionner en pratique. Ils n'ont pas seulement construit un programme informatique pour le tester ; au contraire, ils sont allés à la source, demandant aux personnes qui utiliseraient réellement la technologie de ce dont elles avaient besoin et de ce qui les entravait. Ils ont interrogé douze médecins provenant de douze pays différents, dont dix pays à revenu faible ou intermédiaire et deux pays à revenu élevé pour comparaison. Ces médecins étaient des experts en pathologie et en gynécologie, les domaines les plus impliqués dans le diagnostic du cancer. Les chercheurs ont utilisé un mélange de méthodes, commençant par des enquêtes pour cartographier l'état actuel des laboratoires, suivies de discussions de groupe pour approfondir les défis, et enfin une seconde enquête pour mesurer la force avec laquelle les médecins ressentaient des problèmes spécifiques.

Les chercheurs ont découvert que la situation sur le terrain était bien plus complexe qu'une simple liste de pays riches et pauvres. Bien que chaque site ait accès à la méthode de base de coloration des lames de tissus pour les rendre visibles, la capacité de réaliser des tests plus avancés variait considérablement. Dans sept cas sur dix dans les sites à faible revenu, les laboratoires n'avaient pas la capacité de réaliser les tests chimiques spécialisés souvent requis pour confirmer un diagnostic de cancer. Dans six de ces dix sites, les tests moléculaires — qui examinent la composition génétique de la tumeur — étaient soit totalement absents, soit à peine disponibles. Cela signifiait que même si un ordinateur pouvait repérer un problème, les médecins humains manquaient souvent d'outils pour le confirmer ou pour comprendre exactement de quel type de cancer il s'agissait.

La disponibilité des outils numériques nécessaires à l'intelligence artificielle était également mitigée. La plupart des sites possédaient des scanners capables de transformer les lames physiques en images numériques, une première étape nécessaire pour que l'ordinateur puisse les « voir ». Cependant, les ordinateurs puissants nécessaires pour faire fonctionner le logiciel d'intelligence artificielle manquaient dans plus de la moitié des lieux. Cela créait un décalage étrange : certains endroits avaient les scanners pour créer les images mais pas les ordinateurs pour les analyser, tandis que d'autres avaient les ordinateurs mais pas les scanners. Les chercheurs ont noté que cette variation ne suivait pas le schéma habituel de la richesse nationale. Le niveau de revenu d'un pays n'était pas un indicateur fiable pour deviner si un hôpital spécifique était prêt à utiliser l'intelligence artificielle. Certaines institutions de pays à faible revenu étaient étonnamment bien équipées, tandis que d'autres dans des nations plus riches luttaient avec des lacunes de base.

Lorsque les médecins ont été interrogés sur ce qu'ils attendaient de l'intelligence artificielle, leurs réponses étaient pratiques et axées sur les besoins immédiats. Ils ne demandaient pas au logiciel de les remplacer ou de prédire l'avenir avec une certitude parfaite. Au lieu de cela, ils voulaient que l'ordinateur les aide à détecter le cancer plus tôt, à revérifier leurs propres diagnostics et à prédire certains marqueurs biologiques à partir des lames colorées standards. Ils imaginaient un système où l'ordinateur pourrait trier des milliers de lames, signalant celles qui semblaient suspectes afin qu'un médecin humain puisse concentrer son temps sur ces cas spécifiques. Ce serait comme avoir un assistant infatigable qui ne manque jamais un détail, permettant aux médecins surchargés de voir plus de patients sans sacrifier la précision.

Cependant, le chemin vers la réalisation de cette vision est bloqué par une série d'obstacles interconnectés. Les chercheurs ont identifié six facteurs principaux qui déterminent si l'intelligence artificielle peut réellement être utilisée dans ces contextes. Le premier est la littératie, signifiant que les médecins et les patients doivent comprendre ce qu'est la technologie et lui faire confiance. Le deuxième est la preuve, ou la nécessité de prouver que le logiciel fonctionne bien pour les populations spécifiques de ces pays, et non seulement pour les personnes des pays riches. Le troisième est la gouvernance, qui implique la création de règles et de lois pour guider l'utilisation de la technologie et déterminer qui est responsable en cas de problème. Le quatrième est le déploiement clinique, qui couvre les étapes physiques de l'intégration du logiciel dans le flux de travail hospitalier. Le cinquième est le financement, et le sixième est la collaboration entre différents groupes.

Parmi tous ces défis, l'argent est apparu comme l'obstacle majeur. Les médecins ont rapporté que les contraintes financières étaient la barrière dominante dans chaque domaine. Ils ont expliqué que sans une source de financement stable, ils ne pourraient pas acheter les ordinateurs nécessaires, ne pourraient pas payer les connexions Internet nécessaires pour envoyer les images, et ne pourraient pas se permettre de former leur personnel. Bien que des subventions internationales et des fonds de recherche soient disponibles pour acheter l'équipement initial, les médecins craignaient que ces fonds ne s'épuisent, laissant derrière eux des machines coûteuses qu'ils ne pourraient ni entretenir ni réparer. Ils ont souligné que pour que l'intelligence artificielle soit durable, elle devait être soutenue par le budget de santé régulier du gouvernement, et non seulement par des dons temporaires.

La collaboration a été identifiée comme la clé pour débloquer les autres solutions. Les médecins ont réalisé qu'aucune personne ou aucun hôpital ne pouvait résoudre ces problèmes seul. Ils devaient travailler ensemble avec les gouvernements pour créer des politiques, avec les universités pour former la prochaine génération de médecins, et avec les entreprises privées pour partager le coût des équipements. Ils ont constaté que les efforts actuels étaient souvent fragmentés, avec différents groupes travaillant de manière isolée. Les chercheurs ont trouvé que la voie la plus fructueuse serait un effort coordonné où ces différentes parties prenantes uniraient leurs forces, partageant ressources et connaissances pour construire un système capable de se maintenir sur le long terme.

L'étude a conclu que, bien que l'intelligence artificielle soit porteuse d'un grand espoir pour aider les pays à revenu faible et intermédiaire à franchir l'étape du développement traditionnel et lent des laboratoires de pathologie, elle n'est pas une solution magique qui peut être appliquée partout de la même manière. La préparation à utiliser cette technologie varie considérablement d'un hôpital à l'autre, indépendamment de la richesse globale du pays. Le succès dépend de la réponse aux besoins locaux spécifiques, de la sécurisation d'un financement durable et de la construction de partenariats solides. Sans ces fondations, la technologie risque de devenir un autre équipement inutilisé prenant la poussière dans un laboratoire, plutôt qu'un outil qui sauve des vies. Les chercheurs suggèrent qu'avant de déployer ces systèmes, chaque institution doit être soigneusement évaluée pour s'assurer qu'elle possède les personnes, les règles et l'argent nécessaires pour faire fonctionner la technologie.