Intelligent Healthcare: AI and Machine Learning in Diagnosis, Precision Medicine, and the Pursuit of Explainable, Trustworthy Clinical Systems

Les hôpitaux d'aujourd'hui génèrent une quantité phénoménale d'informations. Chaque fois qu'un patient entre, un dossier est créé, un examen est réalisé ou une analyse de sang est effectuée. Ces données comprennent des images de l'intérieur du corps, des listes de médicaments, des notes rédigées par des médecins et même des flux de chiffres provenant de moniteurs cardiaques. Pendant des décennies, les experts humains ont été les seuls capables de trier ces informations pour trouver des modèles qui signalent une maladie ou prédisent de futurs problèmes de santé. Mais le volume de données est devenu si important que la revue manuelle ne suffit plus. C'est là que l'intelligence artificielle entre en scène. Ce sont des systèmes informatiques conçus pour apprendre à partir d'exemples plutôt que de suivre un ensemble rigide de règles. Ils peuvent être entraînés pour reconnaître une tumeur dans une radiographie comme le ferait un radiologue, ou pour repérer un changement subtil dans l'historique d'un patient suggérant l'imminence d'une crise cardiaque. La promesse est que ces outils peuvent aider les médecins à voir plus clairement et à agir plus tôt. Cependant, la question demeure : ces systèmes peuvent-ils être suffisamment fiables pour être utilisés dans de véritables hôpitaux, où une erreur pourrait coûter une vie ?

Une revue récente menée par les chercheurs Ekta R. Kaneriya, Maulik K. Shah et Krishna H. Sapariya examine précisément où en sont ces technologies aujourd'hui. Les auteurs n'ont pas mené de nouvelle expérience avec des patients ; au lieu de cela, ils ont rassemblé et analysé des centaines d'études et de rapports existants de ces dernières années. Leur objectif était de séparer les expériences de laboratoire qui semblent bonnes sur le papier des systèmes qui ont réellement été testés dans des contextes médicaux réels. Ils ont examiné cinq domaines spécifiques où l'intelligence artificielle est utilisée : l'imagerie médicale, les dossiers de santé électroniques, la découverte de médicaments, la médecine de précision et la surveillance à distance des patients. Ce qu'ils ont trouvé, c'est un domaine en transition. La technologie est indéniablement puissante et a déjà montré qu'elle pouvait améliorer le diagnostic et prédire les risques mieux que les méthodes traditionnelles dans de nombreux cas. Pourtant, le chemin vers une utilisation généralisée et fiable est bloqué par des obstacles importants, notamment des préoccupations concernant la vie privée, la difficulté de comprendre comment l'ordinateur parvient à ses conclusions, et le risque que les systèmes fonctionnent bien pour certains mais échouent pour d'autres.

Dans le domaine de l'imagerie médicale, telle que les radiographies et les scanners CT, la technologie a fait les progrès les plus visibles. Les chercheurs ont noté que les systèmes d'apprentissage profond (deep learning), qui sont un type d'intelligence artificielle modélisé d'après le cerveau humain, sont devenus exceptionnellement doués pour repérer des maladies dans les images. Par exemple, ces systèmes peuvent désormais identifier un cancer du sein dans des mammographies ou détecter des tumeurs cérébrales avec un haut degré de précision. Pendant la pandémie mondiale, ces outils ont été déployés rapidement pour aider à distinguer différents types de pneumonies dans les scanners thoraciques. Les études montrent que lorsque ces systèmes sont testés sur des images préexistantes soigneusement sélectionnées, ils peuvent atteindre des taux de précision dépassant quatre-vingt-dix-neuf pour cent. Cependant, la revue souligne une lacune critique. Un système qui performe parfaitement dans un test contrôlé n'est pas nécessairement prêt pour un hôpital très sollicité. Dans une utilisation clinique réelle, les outils les plus réussis sont ceux qui maintiennent un médecin dans la boucle. L'ordinateur peut signaler un point suspect, mais un radiologue doit toujours examiner l'image et valider le résultat avant qu'il ne fasse partie du dossier du patient. Cette supervision humaine reste essentielle car l'ordinateur peut être trompé par des différences d'équipement ou de populations de patients qu'il n'a jamais vus auparavant.

Au-delà des images, l'intelligence artificielle est également appliquée aux vastes, et souvent désordonnés, dossiers de l'historique des patients connus sous le nom de dossiers de santé électroniques. Ces dossiers contiennent un mélange de résultats de laboratoire, de listes de médicaments et de notes manuscrites de médecins. Les chercheurs ont découvert que les modèles d'apprentissage automatique peuvent passer au crible ces données pour prédire des conditions graves comme les maladies cardiaques ou le sepsis, une réaction potentiellement mortelle à une infection. Dans une revue majeure de vingt études, il a été démontré que ces modèles informatiques sont plus performants pour identifier les patients à risque de maladie cardiaque que les méthodes de notation standard utilisées actuellement par les médecins. De même, des systèmes qui surveillent constamment les dossiers hospitaliers peuvent alerter le personnel des signes précoces de sepsis, permettant potentiellement de rattraper la condition avant qu'elle ne devienne critique. La technologie est également utilisée pour prédire les réactions indésirables aux médicaments ou pour signaler les patients présentant un risque de chute. Pourtant, les auteurs soulignent que si ces modèles montrent souvent de solides performances dans les publications scientifiques, ils peinent fréquemment lorsqu'ils sont transférés dans un autre hôpital. Un modèle entraîné sur des données d'une ville peut échouer dans une autre parce que la façon dont les médecins rédigent les notes ou le type d'équipement utilisé peuvent varier considérablement. Ce manque de fiabilité en dehors de l'environnement de test d'origine est un obstacle majeur à la confiance.

L'impact de ces technologies s'étend jusqu'au laboratoire, où elles accélèrent la découverte de nouveaux médicaments. Le processus traditionnel de recherche d'un nouveau médicament prend plus d'une décennie et coûte des milliards de dollars, la plupart des composés candidats échouant en cours de route. L'intelligence artificielle aide désormais à raccourcir ce délai en prédisant comment différentes molécules interagiront avec le corps. Les chercheurs ont observé que ces outils peuvent concevoir de nouveaux candidats médicaments entièrement à partir de zéro, plutôt que de simplement filtrer des bibliothèques de produits chimiques existantes. Certains systèmes peuvent même simuler la façon dont un médicament pourrait provoquer des effets secondaires avant même qu'il ne soit testé sur un animal. Malgré cette promesse, la revue met en garde contre le fait que le succès computationnel ne garantit pas la réalité biologique. Une molécule qui semble parfaite sur un écran d'ordinateur échoue souvent lorsqu'elle est testée dans un organisme vivant. Seule une petite fraction du travail de découverte de médicaments publié dans les revues scientifiques atteint réellement le stade de la validation sur les animaux, nous rappelant que l'écart entre une simulation numérique et un médicament fonctionnel est encore large.

Dans le domaine de la médecine de précision, l'objectif est de s'éloigner du traitement de tous les patients de la même manière pour adapter les traitements à la composition génétique et moléculaire spécifique d'un individu. L'intelligence artificielle est le moteur qui rend cela possible, car elle peut combiner des données issues du séquençage de l'ADN, de l'imagerie médicale et des dossiers de santé pour créer une image complète d'un patient. Les chercheurs ont mis en évidence des exemples où ces systèmes aident à identifier des maladies génétiques rares à partir de photographies faciales ou à faire correspondre des patients cancéreux à des thérapies basées sur leur profil moléculaire unique. Cependant, une préoccupation sérieuse surgit concernant l'équité. Les données utilisées pour entraîner ces systèmes proviennent historiquement principalement de personnes d'ascendance européenne. Par conséquent, les modèles peuvent produire des résultats moins précis pour les patients issus d'autres origines, aggravant potentiellement les disparités en matière de santé. Les auteurs soulignent qu'il ne s'agit pas seulement d'un problème technique à résoudre avec de meilleures mathématiques, mais d'un problème de données qui nécessite de collecter des informations plus diversifiées auprès des populations sous-représentées.

Enfin, la revue examine la surveillance à distance des patients, où des dispositifs portables suivent des données de santé telles que la fréquence cardiaque et les niveaux d'oxygène en dehors de l'hôpital. L'intelligence artificielle analyse ce flux continu d'informations pour détecter les signes précurseurs de détérioration. Dans le cadre des soins liés à l'insuffisance cardiaque, par exemple, ces systèmes peuvent alerter les médecins de changements qui pourraient prévenir une hospitalisation. La Food and Drug Administration des États-Unis a déjà autorisé des dizaines de ces dispositifs de surveillance alimentés par l'IA, suggérant que ce domaine est plus avancé en termes de réglementation que les autres. Néanmoins, les chercheurs notent que ces systèmes doivent être soigneusement conçus pour éviter d'agacer les médecins avec trop de fausses alertes, un problème connu sous le nom de fatigue des alertes. Si un système sonne l'alarme trop souvent, les cliniciens peuvent commencer à l'ignorer, ce qui annule son utilité.

Malgré ces succès, les chercheurs identifient plusieurs défis profonds qui doivent être résolus avant que l'intelligence artificielle ne devienne une partie standard des soins médicaux. L'un des plus grands problèmes est la confidentialité. Ces systèmes nécessitent l'accès à des données sensibles sur les patients, et même lorsque les données sont anonymisées, elles peuvent parfois être ré-identifiées. Il existe également le problème de la « boîte noire ». Beaucoup des modèles d'IA les plus puissants sont si complexes que même leurs créateurs ne peuvent pleinement expliquer comment ils sont parvenus à une conclusion spécifique. En médecine, où une mauvaise décision peut conduire à un mauvais diagnostic ou à un traitement nocif, les médecins hésitent à faire confiance à un système qu'ils ne peuvent comprendre. Cette opacité crée des risques juridiques et éthiques. De plus, la puissance de calcul requise pour faire fonctionner ces systèmes est immense, ce qui pourrait laisser les petits hôpitaux de côté, incapables de s'offrir la technologie nécessaire.

Pour répondre à ces préoccupations, la revue pointe du doigt le domaine croissant de l'intelligence artificielle explicable. Cette approche vise à rendre le raisonnement de l'ordinateur visible, par exemple en mettant en évidence la partie spécifique d'une radiographie qui a conduit à un diagnostic ou en listant les valeurs de laboratoire qui ont déclenché une alerte. Les chercheurs ont constaté que, bien que ces explications puissent aider à instaurer la confiance, elles ne sont pas une solution parfaite. Un système peut fournir une explication claire qui s'avère tout de même erronée, ou l'explication peut être techniquement exacte mais inutile pour un médecin pressé. La voie à suivre implique une combinaison de meilleures réglementations, de données plus diversifiées et d'un changement dans la conception de ces outils. L'avenir de l'intelligence artificielle médicale ne consiste pas à remplacer les médecins, mais à créer un partenariat où l'ordinateur gère le traitement massif des données et l'humain apporte le jugement, le contexte et l'empathie.

Les auteurs concluent que, bien que l'intelligence artificielle passe des laboratoires expérimentaux à l'utilisation pratique, une adoption fiable exige plus qu'une simple haute précision. Elle exige des tests robustes dans différents hôpitaux, des modèles transparents que les médecins peuvent comprendre et des protections strictes pour la confidentialité des patients. La technologie a le potentiel de transformer les soins de santé, rendant les diagnostics plus précis et les traitements plus personnalisés. Mais pour que ce potentiel se réalise, l'infrastructure environnante doit être construite pour garantir que ces systèmes soient équitables, sûrs et dignes de confiance. Les prochaines années détermineront si le domaine pourra surmonter ces barrières pour apporter les bénéfices de l'intelligence artificielle à chaque patient, quel que soit son lieu de résidence ou son origine.