Ce que l’intelligence artificielle apporte aujourd’hui au secteur de la santé

L’IA pourrait prolonger les années de vie en bonne santé de nombreuses personnes. Mais le progrès technique ne parvient pas à se concrétiser dans la pratique. Nous explorons les moyens de surmonter les obstacles.

Tout le monde parle d’intelligence artificielle générative (ChatGPT & Co). Leurs performances sont impressionnantes : ChatGPT peut à la fois expliquer des concepts complexes de manière précise et compréhensible, notamment comment il fonctionne lui-même. Cependant, l’IA générative ne fait pas de réflexions cognitives raisonnables lorsqu’elle explique quelque chose. Ainsi, en avril, ChatGPT ne connaissait pas encore le concept de genre. Si l’on demandait des auteurs féminins, ce sont en premier lieu des auteurs masculins qui étaient proposés dans des domaines de connaissances dominés par les hommes.

De telles lacunes ne sont pas surprenantes. L’IA générative ne produit pas de conclusions cognitives, mais des artefacts – textes, images, codes – qui doivent plaire et fonctionner en fonction de la situation. Les créateurs artistiques l’utilisent par exemple comme un facteur perturbateur qui provoque leur créativité. Elle fonctionne alors précisément parce qu’elle produit des erreurs. Mais elle aide aussi de bien d’autres manières. Elle décharge les artistes de leur travail et permet de nouvelles pratiques artistiques. Cela non plus n’est pas surprenant. Dans le passé, le progrès technique a toujours permis d’innover dans l’art. Le concerto pour trompette en mi bémol majeur de Haydn est un exemple célèbre qui montre que même des innovations techniques éphémères – dans le cas de la trompette à clés – peuvent avoir des effets durables.

En revanche, pour de nombreuses tâches professionnelles, il faut une IA capable de faire ce qu’il faut, et pas seulement de fournir quelque chose d’agréable et de fonctionnel – une IA sur laquelle on peut compter dans les opérations de routine. On peut imaginer ChatGPT dans la série « Dr House », parce que la série montre la recherche de solutions dans des circonstances extrêmes et que les éléments de réflexion sont importants. En revanche, dans la routine de l’hôpital, qui fonctionne tout naturellement à la perfection dans Dr. House, on ne peut pas se permettre des erreurs créatives. C’est pourquoi ChatGPT y est pour l’instant un « no go ». Pour les soins de santé de routine, nous avons besoin d’un autre type d’IA. Celle-ci existe déjà depuis longtemps à un niveau de performance élevé : une IA qui améliore la performance humaine dans un domaine de tâches étroitement défini pour lequel elle a été spécialement entraînée.

Illustration : d-Health 2023 (crédit : Reinhard Riedl)

Une IA fiable avec une focalisation étroite sur le travail

Ces dernières années, des centaines, voire des milliers d’expériences plus ou moins réussies ont été menées avec l’IA pour des tâches étroitement ciblées dans le domaine de la santé – diagnostics précis et alertes sur les risques individuels :

• Une personne âgée est tombée
• une patiente a un cancer
• un patient risque de s’effondrer dans les prochaines minutes
• un effet secondaire extrêmement rare en moyenne est très probable dans un cas concret
• le risque de crise psychique est élevé au cours de la nuit à venir.

L’IA peut déjà fournir ces informations, et bien d’autres encore, avec une grande précision et fiabilité dans un contexte de laboratoire.

Il s’agit souvent de pronostics. Il ne s’agit pas seulement de diagnostiquer l’expression spécifique d’une maladie et le processus de guérison statistiquement probable qui y est lié, mais aussi le processus de guérison probable chez une patiente concrète. Peu importe que l’IA soit une véritable intelligence machine – c’est-à-dire ce que la plupart des gens imaginent aujourd’hui comme une « véritable IA » – ou qu’il s’agisse en fait d’une classification basée sur le Big Data. Les frontières sont de toute façon floues. Ce qui compte, c’est que les prévisions soient aussi souvent que possible exactes. Et c’est ce qu’elles font étonnamment souvent.

L’IA est toujours une option prometteuse lorsqu’il existe de nombreuses décisions correctes documentées – c’est-à-dire lorsqu’il existe des données de test dans un contexte de décision clairement délimité, afin que l’IA puisse s’entraîner à prendre les bonnes décisions. L’IA les lit et se configure ainsi elle-même afin de pouvoir ensuite prendre de bonnes décisions. Souvent, elle dépasse les décideurs humains. Mais presque toujours, l’interaction entre l’IA et les décideurs humains est encore meilleure que l’IA seule.

Les différences sont toutefois importantes : tout dépend de l’organe, de la qualité de la source de données et de la tâche médicale.

• Pour le filtrage des fausses alertes dans les services de soins intensifs, on n’en est pas encore, malgré de grands progrès, à confier un rôle à l’IA.
• En ce qui concerne les avertissements de maladies psychiques par des gadgets grand public, il existe des réserves fondamentales. Mais dans certaines situations de diagnostic, les prestations médicales pourraient être considérablement améliorées et leur coût réduit – une meilleure qualité à moindre coût.
• Et des formes simples d’IA sont déjà arrivées dans les cabinets de médecins de famille – mais pour l’instant seulement dans quelques cabinets.

Être ou ne pas être, pourquoi est-ce une question ?

Cela soulève la question centrale : Pourquoi entendons-nous si peu parler concrètement de l’utilisation de l’IA dans les soins de santé ?

1. La première réponse est que les formes d’utilisation peu spectaculaires intéressent peu. Pour les praticiens*, l’IA est un phénomène trop marginal pour faire l’objet d’un échange organisé. Pour les penseurs de la numérisation, les formes d’utilisation actuelles sont trop banales, trop quotidiennes et probablement trop concrètes.
2. La deuxième réponse est la suivante : dans le cas de l’IA dans le domaine de la santé, le transfert du laboratoire à la recherche clinique ne se fait effectivement que très lentement. Une situation objectivement complexe en est la cause principale, des peurs diffuses et l’absence d’incitations financières (voire des incitations négatives) bloquent du côté des utilisateurs*, certains développeurs de solutions créent des problèmes supplémentaires par une communication non transparente et un accent excessif sur l’importance de la technique, la logique de vente fait obstacle du côté des fournisseurs et l’administration publique et la politique s’empêtrent dans la gestion multipartite. En principe, il y a peu de volonté de considérer l’introduction de l’IA dans le secteur de la santé comme un processus de transformation qui s’accompagne de grands changements culturels.

Une IA presque sans défaut ? C’est déjà possible aujourd’hui !

Un motif de blocage souvent évoqué est la peur de la responsabilité. La science juridique n’a pas encore fait ses devoirs dans ce domaine. D’un point de vue technique, la collaboration entre l’homme et l’IA peut être conçue dans de nombreux cas de manière à ce que la machine ne fasse pratiquement pas d’erreurs. En effet, elle prépare typiquement le diagnostic en éliminant toutes les données non pertinentes. Cette élimination peut être effectuée de manière très fiable. Elle facilite beaucoup le travail, entre autres dans le diagnostic par imagerie, et réduit la probabilité de passer à côté d’une zone malade.

L’utilisation de l’IA pour une prévention sur mesure est également relativement peu risquée. D’une part, une vie entièrement saine est irréaliste pour de nombreuses personnes, qui ont besoin de conseils sur ce qui est le plus rentable pour elles en matière de vie saine. D’autre part, une vie saine et complète ne suffit pas s’il existe des risques individuels significativement plus élevés. Dans ce cas, la recherche sur la multimorbidité peut fournir des indications utiles sur les mesures de prévention concrètes. Les mesures effectives doivent ensuite être discutées entre le médecin et le patient et appliquées de manière conséquente par ce dernier.

D’un point de vue technique, il n’existe essentiellement que deux points délicats – le contrôle de la qualité pour l’ensemble du processus d’utilisation et la résolution de la question du financement – et un seul problème réel : Dans la formation, le big data et l’IA sont encore peu présents et c’est pourquoi leur intégration dans les processus de travail représente souvent un grand défi.

Une bonne collaboration avec les spécialistes ? Big big problem !

Même dans la médecine de pointe, les progrès sont lents – les anciens pionniers de la science des données* perdent la foi lorsqu’ils collaborent avec des mathématiciens* et des informaticiens*. Ces deux groupes ne se laissent pas guider par des personnes étrangères au domaine. Cela signifie que l’oncologue doit se confronter d’égal à égal avec ses mathématiciens* sur le plan professionnel – et inversement. Pour cela, il faut apprendre les uns des autres. C’est – encore – difficile à imaginer.

L’exemple, jusqu’à présent anecdotique, de l’oncologue expérimental qui se demande si les théories farfelues des mathématiques ont peut-être un sens – par exemple les errances aléatoires sur les réseaux pour diagnostiquer le cancer – sera malgré tout plutôt la norme que l’exception à l’avenir. La transformation numérique exige toutefois beaucoup des dirigeants. Ils ne peuvent pas piloter directement, doivent avoir des connaissances multidisciplinaires, doivent analyser avec une précision ethnographique les changements de perspectives de valeurs et doivent intervenir habilement de manière à ce que l’appropriation des outils numériques se fasse d’elle-même. Le flou précis est aussi important que l’altruisme social et la curiosité.

Notre recherche et notre engagement

La recherche de la HESB s’intéresse à différents aspects de la santé numérique : premièrement, la mise à disposition des données, deuxièmement, les perspectives de valeurs, les pratiques d’appropriation, les normes de qualité, les instruments de contrôle et les récits, et troisièmement, les interventions de direction dans un écosystème complexe. Nous menons des recherches qualitatives empiriques et de design, en nous appuyant sur la modélisation de systèmes et l’architecture d’entreprise.

Parallèlement, nous nous engageons directement dans des projets pratiques en tant qu’accompagnateurs scientifiques et organisons des ateliers, des symposiums et des tables rondes de parties prenantes – avec des partenaires* et des collègues de la HESB (santé), de Suisse (entre autres Spitex Berne, Sitic.org), d’Autriche et des pays scandinaves. Dernièrement, le 5e symposium Praevenire Digital Health à Vienne et, auparavant, l’échange avec des Finlandais, des Autrichiens et des Allemands sur la réglementation européenne de l’espace des données de santé à l’IRIS à Salzbourg ont été particulièrement passionnants. Les Finlandais en particulier, dont le chancelier de la justice a notamment participé, ont une longueur d’avance sur nous en matière d’expérience de l’utilisation des données secondaires. C’est ce qui les rend si intéressants pour nous. Car nous voulons apprendre des bonnes pratiques dans le monde entier.