128
- la formation des médecins et plus généralement des personnes impliquées dans les parcours
de soin, notamment par la simulation à l’aide de patients virtuels et d’avatars numériques de
vrais patients ;
- la lutte contre l’errance médicale, quel que soit le lieu d’habitat ou de travail (suggérer le bon
diagnostic et orienter vers les bons spécialistes représente un enjeu majeur en termes de
bonne prise en charge, de bien-être du patient, d’économie (élimination d’examens inutiles)
et de qualité des soins, avec un enjeu en particulier pour les maladies rares) ;
- la formation thérapeutique des patients, notamment à l’aide de jeux sérieux et de mondes
virtuels.
Verrous et défis
Pour répondre aux questions ci-dessus, quelques points constituent actuellement des verrous, qu’il
faudra lever à court terme.
Le premier est certainement la question des données, en particulier à cause de la nature personnelle
des données médicales et de santé, de la « « zone grise » sur ce que l’on peut considérer comme
données de santé et de l’agrément indispensable pour stocker ces données. Si ce thème est largement
mentionné depuis plusieurs années, il n’existe pas à ce jour de solution satisfaisante pour répondre aux
besoins croissants d’accès, de partage, de protection, d’annotation, de garantie de fiabilité et d’absence
de biais, en particulier pour la réutilisation de données dans des contextes différents de ceux où elles
ont été collectées.
Des structures telles que le SNIIRAM pour les données de l’assurance maladie existent, mais restent
encore trop limitées. Parmi ces données, celles d’imagerie constituent un volume très important et de
grande complexité, ce qui augmente encore les difficultés de partage et d’annotation. Quelques
initiatives larges voient le jour (Sage http://sagebase.org/, plateformeIAM dans le projet
FranceLifeImaging...), mais la plupart des autres projets restent cantonnés à un petit périmètre
d’équipes et d’applications. Cette question est en soit un problème d’IA, et par exemple l’annotation
pourrait être accélérée et fiabilisée avec des méthodes de raisonnement associant ontologies et TAL.
De plus, l’intégration de données dans les systèmes hospitaliers nécessite des recherches sur la
conception de ces systèmes et sur les interfaces, en fonction de l’opérateur et de l’utilisateur.
De même, la question de l’intégration des données patient dans un dossier patient unique reste posée,
avec les problèmes questions associés d’interfaces et de remplissage. Des exemples dans les pays
nordiques montrent que les dossiers patients uniques et centralisés sont un support pour la recherche
par exemple en dépistage.
Pour les données textuelles, la possibilité de mise à disposition contrôlée aux équipes de recherche de
données initialement privées est le frein principal dans l’avancée des travaux en France : la qualité des
méthodes d’anonymisation doit être renforcée et des avancées faites sur des méthodes permettant de
travailler sur des données chiffrées. La fiabilité des informations élémentaires extraites de textes est un
autre enjeu : les extractions automatiques doivent qualifier ces informations (affirmées par l’auteur,
niées, hypothétiques, conditionnelles, etc.), la fiabilité de leur provenance (autorité du support de
publication pour la littérature scientifique), ainsi que la confiance que l’on peut accorder au processus
d’extraction pour chaque information selon les moyens employés pour la déterminer. Quel que soit le
type de données, leur robustesse et leur reproductibilité sont un souci majeur. Un certain nombre
d’articles, souvent publiés dans les meilleurs journaux, ne semblent pas reproductibles et donc leurs
conclusions prêtent à interrogation. Comment alors éviter une accélération du processus via une
méthode d’IA qui intègrerait trop vite des données peu fiables ? Des programmes de recherche en
sciences cognitives pourraient mieux analyser la relation du médecin aux données d’un système d’IA
et comment les propositions du système influencent sa décision médicale.
Si les techniques d’apprentissage, où toute l’information est recherchée essentiellement dans les
données, sont actuellement un domaine important, celles modélisant et intégrant les connaissances
- la formation des médecins et plus généralement des personnes impliquées dans les parcours
de soin, notamment par la simulation à l’aide de patients virtuels et d’avatars numériques de
vrais patients ;
- la lutte contre l’errance médicale, quel que soit le lieu d’habitat ou de travail (suggérer le bon
diagnostic et orienter vers les bons spécialistes représente un enjeu majeur en termes de
bonne prise en charge, de bien-être du patient, d’économie (élimination d’examens inutiles)
et de qualité des soins, avec un enjeu en particulier pour les maladies rares) ;
- la formation thérapeutique des patients, notamment à l’aide de jeux sérieux et de mondes
virtuels.
Verrous et défis
Pour répondre aux questions ci-dessus, quelques points constituent actuellement des verrous, qu’il
faudra lever à court terme.
Le premier est certainement la question des données, en particulier à cause de la nature personnelle
des données médicales et de santé, de la « « zone grise » sur ce que l’on peut considérer comme
données de santé et de l’agrément indispensable pour stocker ces données. Si ce thème est largement
mentionné depuis plusieurs années, il n’existe pas à ce jour de solution satisfaisante pour répondre aux
besoins croissants d’accès, de partage, de protection, d’annotation, de garantie de fiabilité et d’absence
de biais, en particulier pour la réutilisation de données dans des contextes différents de ceux où elles
ont été collectées.
Des structures telles que le SNIIRAM pour les données de l’assurance maladie existent, mais restent
encore trop limitées. Parmi ces données, celles d’imagerie constituent un volume très important et de
grande complexité, ce qui augmente encore les difficultés de partage et d’annotation. Quelques
initiatives larges voient le jour (Sage http://sagebase.org/, plateformeIAM dans le projet
FranceLifeImaging...), mais la plupart des autres projets restent cantonnés à un petit périmètre
d’équipes et d’applications. Cette question est en soit un problème d’IA, et par exemple l’annotation
pourrait être accélérée et fiabilisée avec des méthodes de raisonnement associant ontologies et TAL.
De plus, l’intégration de données dans les systèmes hospitaliers nécessite des recherches sur la
conception de ces systèmes et sur les interfaces, en fonction de l’opérateur et de l’utilisateur.
De même, la question de l’intégration des données patient dans un dossier patient unique reste posée,
avec les problèmes questions associés d’interfaces et de remplissage. Des exemples dans les pays
nordiques montrent que les dossiers patients uniques et centralisés sont un support pour la recherche
par exemple en dépistage.
Pour les données textuelles, la possibilité de mise à disposition contrôlée aux équipes de recherche de
données initialement privées est le frein principal dans l’avancée des travaux en France : la qualité des
méthodes d’anonymisation doit être renforcée et des avancées faites sur des méthodes permettant de
travailler sur des données chiffrées. La fiabilité des informations élémentaires extraites de textes est un
autre enjeu : les extractions automatiques doivent qualifier ces informations (affirmées par l’auteur,
niées, hypothétiques, conditionnelles, etc.), la fiabilité de leur provenance (autorité du support de
publication pour la littérature scientifique), ainsi que la confiance que l’on peut accorder au processus
d’extraction pour chaque information selon les moyens employés pour la déterminer. Quel que soit le
type de données, leur robustesse et leur reproductibilité sont un souci majeur. Un certain nombre
d’articles, souvent publiés dans les meilleurs journaux, ne semblent pas reproductibles et donc leurs
conclusions prêtent à interrogation. Comment alors éviter une accélération du processus via une
méthode d’IA qui intègrerait trop vite des données peu fiables ? Des programmes de recherche en
sciences cognitives pourraient mieux analyser la relation du médecin aux données d’un système d’IA
et comment les propositions du système influencent sa décision médicale.
Si les techniques d’apprentissage, où toute l’information est recherchée essentiellement dans les
données, sont actuellement un domaine important, celles modélisant et intégrant les connaissances