Les soins de santé languissent dans la dissonance des données. Un déséquilibre fondamental entre la collecte et l'utilisation persiste à travers les systèmes et les frontières géopolitiques. La collecte de données a été un effort de longue haleine avec une bonne intention mais des résultats insuffisants pour transformer les données en action. Après une décennie solide, le sentiment est que les données sont incohérentes, en désordre et non fiables. Les systèmes de santé les plus avancés du monde restent confus par ce qu’ils ont amassé: des rames de données sans chemin clair vers l’impact. L'intelligence artificielle (IA) peut voir à travers l'obscurité, éliminer le bruit et trouver un sens dans les données existantes au-delà de la capacité de tout humain ou d'une autre technologie.
L'IA est un terme désignant des technologies ou des machines capables de s'adapter et d'apprendre. C’est le sens fondamental d’être guidé par les données, pour pouvoir prendre la mesure des données disponibles et effectuer une action ou changer d’avis. L'apprentissage automatique est au cœur de l'IA: apprendre aux machines à apprendre des données, plutôt que d'exiger des règles codées en dur (comme les machines du passé).
Aucun domaine ne mérite plus une IA significative que les soins de santé. Les soins de santé sont sans doute l'industrie la plus complexe au monde, opérant au carrefour de l'évolution de la science, des affaires, de la politique et du comportement humain mercuriel. Ces influences poussent et tirent en perpétuelle contradiction.
Les soins de santé – en particulier la psychologie – sont la mère de l'apprentissage automatique. En 1949, le Dr Donald Hebb a créé un modèle d'interactions entre les cellules du cerveau, ou «plasticité synaptique», qui forme l'architecture ancestrale des réseaux de neurones artificiels qui imprègnent l'IA aujourd'hui. Les mathématiques pour expliquer le comportement humain sont devenues des mathématiques pour imiter et transcender l'intellect humain. L'IA est maintenant au bord du précipice d'un retour dans le domaine des soins de santé.
Pour avoir un impact à grande échelle, l'apprentissage automatique doit être déployé dans les systèmes de santé les plus avancés et les moins avancés au monde. Toute technologie décente doit rester résiliente en dehors des murs du monde universitaire et des environnements de données immaculés des géants de la technologie. L'IA peut apprendre de nombreuses dimensions des données (photographies, langage naturel, données tabulaires, images satellites) et peut s'adapter en tirant parti des données disponibles. La capacité d'adaptation est ce qui définit l'IA. L'IA à son meilleur est conçue pour résoudre des problèmes complexes, pas les préférences de garde-robe. Il est maintenant temps d'apporter l'IA aux soins de santé.
COVID-19 est la plus grande crise mondiale de notre temps: un défi sanitaire immédiat et un défi de durée encore inconnue sur le bien-être économique et psychologique de notre société. L'absence de prise de décision fondée sur les données et l'absence de technologie adaptative et prédictive ont prolongé et exacerbé le bilan de COVID-19. Ce sera l'adoption de ces technologies qui nous aidera à reconstruire la santé et la société. AI a déjà forgé de nouvelles solutions pour la réponse COVID-19 et l'évolution accélérée des soins de santé. Les modèles d'apprentissage automatique du MIT pour les taux de transmission ont généré une précision impressionnante, réduisant dans certains cas les taux d'erreur de 70%. Des chercheurs de Mount Sanai à New York ont démontré leur capacité à réduire les tests de deux jours à un instant proche en combinant des modèles d'IA avec une tomodensitométrie thoracique (CT), des symptômes cliniques, des antécédents d'exposition et des tests de laboratoire, réduisant ainsi l'erreur des faux négatifs. Contrairement aux kits de test, les modèles d'IA peuvent voyager instantanément vers de nouveaux utilisateurs, ne sont pas limités en production et ne nécessitent pas de formation supplémentaire ni d'équipement complémentaire.
L'adoption de l'IA doit se faire de concert avec les systèmes et solutions existants. De concert avec la technologie de l'IA, les modèles épidémiologiques s'adaptent et apprennent en temps réel, intégrant de nouvelles données pour aider à expliquer les éléments auxiliaires des résultats pour la santé. Cependant, la collaboration entre l'épidémiologie et l'apprentissage automatique a été limitée. Les principaux modèles épidémiologiques n'intègrent pas l'apprentissage automatique dynamique. Sans apprentissage automatique, les modèles épidémiologiques sont mis à jour chaque semaine, perdant un temps précieux et rendant des prédictions extrêmement inexactes qui ont été largement critiquées. Le biais humain est très important dans ces modèles – l'importance des variables est déterminée par des experts plutôt qu'apprise et dérivée des données.
Les modèles d'IA peuvent dériver des caractéristiques implicites et explicites des données disponibles pour augmenter la précision et l'adaptabilité des prévisions de transmission. Des organisations comme Metabiota ont cartographié des milliers de pandémies pour générer un modèle de risque. Les systèmes d'information électroniques (SIE) existants contiennent des données historiques de santé précieuses lorsqu'elles sont disponibles – les modèles pandémiques et les SIE sont d'excellentes sources pour les moteurs d'IA visant à optimiser la réponse pandémique à grande échelle.
Optimisation – en termes de réglage d'un système de santé pour produire une valeur maximale (espérance de vie, par exemple) ou une valeur minimale (coût des soins) est l'objectif final de l'IA pour la santé. En regardant vers l'avenir et en prédisant la demande, les contraintes et les comportements, l'IA peut gagner du temps. Il est temps de se préparer et de s'assurer que les ressources sont déployées pour maximiser l'impact de chaque unité: financière, humaine ou marchandise. La plupart des modèles regardent en arrière, comme conduire une voiture en ne regardant que le rétroviseur, mais on leur demande de prendre des décisions pour l'avenir. C’est Sisyphe de demander aux anciennes analyses de se préparer pour demain en fonction de ce qui est souvent un passé lointain (mois, semaines ou jours au mieux) d’entrées de données linéaires. L'optimisation grâce aux technologies d'apprentissage automatique et d'IA apporte la prescience aux décisions et aux actions basées sur les données nécessaires à l'impact. Les tests de laboratoire optimisés pour l'apprentissage machine au MIT ont accéléré la découverte de nouveaux antibiotiques auparavant considérés comme irréalisables en raison du temps et des investissements financiers importants.
Au niveau du système de santé, l'action est accélérée grâce à un engagement direct avec les acteurs de première ligne. L'apprentissage automatique (ML) dans la boucle humaine (HIL) est le processus consistant à recevoir des informations riches en données de personnes, à les analyser en temps réel et à partager des recommandations. HIL ML est la science de l'enseignement des machines pour apprendre directement de l'apport humain. Au Mozambique et qui devrait s'étendre à la Sierra Leone, la technologie macro-yeux apprend directement des agents de santé de première ligne – les plus grands experts des conditions de soins dans les communautés qu'ils desservent. Cela devient un cycle vertueux de données de grande valeur, d'informations en temps opportun et d'engagement accéléré au point de service. La précision au niveau des installations de HIL ML en Sierra Leone complètera les moteurs d'optimisation de l'IA déployés pour estimer de manière probabiliste la disponibilité des ressources essentielles dans les installations à travers le pays, tenir compte des nouvelles contraintes de ressources et recommander la distribution des ressources.
COVID-19 a souligné la nécessité d'une connexion rapide entre l'analyse des données et les premières lignes de soins. Cette connexion n'existe toujours pas à grande échelle. Résultat: les autorités doivent déchiffrer une myriade de modèles estimant les transmissions et les décès liés au COVID-19 dans un passé proche et des estimations pour l'avenir qui ne construisent pas des connaissances ou des données à partir de zéro. Cette déconnexion fondamentale entrave les soins de santé depuis des décennies – ceux qui dispensent les soins ont le moins de voix sur la façon dont les soins sont dispensés. Il peut être résolu avec une perturbation minimale en utilisant HIL ML pour engager une communauté éduquée et passionnée d'agents de santé.
L'IA en santé a réussi, mais elle est beaucoup trop limitée. L'incapacité de faire confiance à ce que nous ne comprenons pas pleinement, la fausse représentation de l'expertise en IA par les premiers participants et la solidité financière des mécanismes de financement mondiaux restent des obstacles à l'adoption. L'IA peut – et va – améliorer de façon exponentielle la prestation des soins dans le monde. Les données et l'infrastructure de données sont prêtes et le temps des investissements audacieux est venu. L'investissement doit s'éloigner des pilotes dont l'horizon et l'engagement sont insuffisants. L'IA à grande échelle – en tant qu'innovations audacieuses du passé – ne sera possible qu'avec un corpus engagé de financiers, de décideurs et de partenaires de mise en œuvre consacrant des ressources à des experts en IA résolvant des problèmes aux fondements de la santé.
Mais nous devons procéder avec prudence. Le monde regorge de «solutions» d'IA et d'experts censés sauver la planète. Soyez critique – il y a très peu de vrai talent en IA, et encore moins d'équipes ont les moyens de déployer l'IA dans le monde réel. Les scientifiques de l'IA du futur ne ressembleront pas à ceux du passé récent. Les ingénieurs logiciels sont devenus des «experts de l'IA» qui ont amené l'IA au numérique Le monde de la Silicon Valley et les universitaires qui construisent des modèles dans des coffres protégés seront usurpés par des ingénieurs adaptatifs, obsolètes et résolveurs de problèmes utilisant l'IA pour apporter des changements dans les communautés dont ils se soucient: le déploiement dans les physique monde des solutions significatives à des problèmes complexes. Quoi de plus significatif que la santé?
