Building a clinical and academic health research network using data science and artificial intelligence

Dans le monde de la science médicale, la résolution de problèmes de santé complexes se fait rarement de manière isolée. Lorsque les chercheurs, les médecins et les institutions unissent leurs forces, ils créent un réseau de recherche — une manière structurée de partager les connaissances, les ressources et les patients pour s'attaquer à des problèmes trop vastes pour qu'une seule personne puisse les gérer seule. Ces alliances sont essentielles pour transformer les découvertes scientifiques en traitements et en politiques concrètes. Cependant, la construction de ces réseaux a traditionnellement été un processus lent et manuel. Les scientifiques comptent souvent sur des contacts personnels, des enquêtes ou des registres institutionnels pour savoir qui travaille sur quoi. Cette approche est laborieuse, sujette à l'erreur humaine et devient rapidement obsolète à mesure que de nouveaux experts émergent et que d'anciennes équipes se dissolvent. C'est comme essayer de cartographier un vaste paysage changeant en parcourant chaque centimètre à pied ; cela fonctionne, mais c'est épuisant et vous pourriez manquer les sentiers les plus importants.

Une équipe de chercheurs de l'Université de Hull a proposé une autre manière de construire ces connexions, une méthode qui utilise la vitesse et le pouvoir de reconnaissance de formes des ordinateurs. Ils se sont demandé si la science des données et l'intelligence artificielle pouvaient trouver automatiquement les bonnes personnes pour rejoindre un réseau de recherche, spécifiquement pour celles qui étudient l'alcool, l'addiction et la santé mentale dans le nord de l'Angleterre. Au lieu de s'appuyer sur des appels téléphoniques ou des feuilles de calcul, ils ont conçu un système capable d'analyser des millions d'articles scientifiques pour trouver les auteurs, vérifier leurs identités et cartographier qui travaille déjà avec qui. L'objectif était de voir si une machine pouvait effectuer le travail de réseautage, créant ainsi une image claire et actualisée du paysage de la recherche qui soit à la fois évolutive et systématique.

Les chercheurs ont concentré leur attention sur la partie nord de l'Angleterre, une région confrontée à des défis de santé publique importants liés à la consommation de substances et au bien-être mental. Ils voulaient identifier les universitaires et les cliniciens de cette région qui publiaient activement sur ces sujets entre 2020 et 2025. Pour ce faire, ils se sont tournés vers PubMed, une base de données massive et gratuite de littérature médicale. Ils ont sélectionné vingt-six revues spécifiques reconnues pour publier des travaux sur l'alcool, l'addiction et la santé mentale. À l'aide d'un programme informatique, ils ont parcouru ces revues pour chaque article publié au cours des cinq dernières années. Le logiciel a ensuite extrait les noms des auteurs ainsi que les universités ou les hôpitaux où ils travaillaient.

Un obstacle majeur dans ce type de travail est que de nombreux chercheurs partagent les mêmes noms. Pour résoudre ce problème, l'équipe a utilisé un outil numérique appelé ORCID, qui fait office de carte d'identité unique pour les scientifiques. L'ordinateur a tenté de faire correspondre les noms et les affiliations trouvés dans les articles avec ces identifiants uniques afin de s'assurer que le « John Smith » d'une université ne soit pas confondu avec un autre « John Smith » d'une autre université. Une fois les auteurs identifiés et leurs identités confirmées, l'équipe a construit une carte numérique de leurs relations. Dans cette carte, chaque chercheur est un point, et une ligne relie deux points si ils ont écrit un article ensemble. Cette structure visuelle révèle qui collabore avec qui et à quel point les différents groupes sont étroitement liés.

Les résultats de cette recherche automatisée se sont révélés révélateurs. Le système a identifié 420 chercheurs uniques répartis dans vingt-et-un établissements du nord de l'Angleterre. Lorsque l'équipe a examiné l'implantation géographique de ces chercheurs, elle a constaté que la région de Yorkshire et Humber était la plus active, produisant 181 des publications totales. Le Nord-Ouest suivait avec 162 publications, et le Nord-Est avec 55. Parmi les universités individuelles, l'Université de Sheffield se distinguait avec 94 publications, suivie de l'Université de York avec 57 et de l'Université de Liverpool avec 52. Les données ont montré une tendance claire : bien que le nombre total d'articles sur ces sujets ait connu un léger déclin ces dernières années, la concentration d'expertise dans le Nord reste significative.

Lorsque les chercheurs ont examiné les connexions entre ces scientifiques, ils ont trouvé un réseau modérément connecté. En moyenne, chaque chercheur avait collaboré avec environ sept autres personnes. La carte a montré que si une grande partie de la collaboration se produit au sein d'une même université, il existe également un volume important de travail entre différentes institutions. L'Université de Sheffield est apparue comme un pôle central dans la région de Yorkshire et Humber, agissant comme un point focal pour de nombreuses connexions. Cependant, le réseau n'était pas une toile parfaite ; l'analyse a suggéré que seulement environ quatre pour cent de toutes les collaborations possibles entre ces chercheurs existent réellement, ce qui indique qu'il reste beaucoup de place pour la formation de nouveaux partenariats.

L'étude suggère que l'utilisation de l'intelligence artificielle pour construire des réseaux de recherche est une alternative réalisable et puissante aux méthodes traditionnelles. Les auteurs soutiennent que les approches manuelles sont souvent trop lentes et incohérentes pour être utiles dans des projets à grande échelle, tandis que leur méthode automatisée peut générer rapidement une liste complète de collaborateurs potentiels. Cette approche offre un moyen de voir le paysage de la recherche tel qu'il est réellement, basé sur les travaux publiés et non sur qui connaît qui. Toutefois, les chercheurs précisent avec prudence que leur méthode n'est pas parfaite. Comme le système repose sur les articles publiés, il pourrait omettre les chercheurs en début de carrière qui n'ont pas encore publié ou les cliniciens qui n'écrivent pas pour les revues sélectionnées. De plus, l'ordinateur n'a pas pu trouver d'identifiant unique pour chaque auteur, de sorte que certains noms ont dû être utilisés tels qu'ils apparaissaient, ce qui comporte un faible risque d'erreur.

Malgré ces limites, ce travail démontre une voie claire pour la façon dont les communautés de recherche peuvent être formées et comprises. En transformant l'océan vaste et chaotique de la littérature scientifique en une carte structurée, cette méthode fournit aux agences de financement et aux décideurs politiques un outil pour identifier où se situe l'expertise et où les lacunes pourraient exister. L'étude conclut que cette approche automatisée, fondée sur les données, constitue un progrès substantiel par rapport aux anciennes méthodes de réseautage. Elle offre un moyen d'identifier systématiquement les personnes qui font déjà le travail, facilitant ainsi leur regroupement pour résoudre les défis de santé complexes auxquels le nord de l'Angleterre et au-delà sont confrontés. L'avenir de ce travail consistera à affiner les outils pour capturer encore plus de chercheurs et à rendre le logiciel disponible pour les autres, afin que la construction de ces connexions vitales devienne une partie standard du processus scientifique.