Le machine learning pour fiabiliser les diagnostics cliniques

Transformer les mégadonnées de santé en connaissance clinique, tel est le défi qu’est en passe de relever le « machine learning » dans le domaine de la médecine. Pour les praticiens habitués à croiser facteurs physiologiques et comportementaux avec résultats d’examens et radiographies, le recours aux algorithmes devrait vite s’imposer.

Le machine learning s’apprête à bouleverser la médecine moderne, notamment en fiabilisant les pronostics. C’est la thèse avancée dans le New England Journal of Medicine par Ziad Obermeyer, médecin urgentiste diplômé d’Harvard et Ezekiel Emanuel, oncologiste, de l’Université de Pennsylvanie. Évoquant leur propre expérience en matière de pronostic auprès de malades atteints de cancers métastatiques, ils déclarent être en mesure d’identifier précisément de larges groupes de patients avec des taux de mortalité avoisinant les 100% et d’autres groupes culminant à 10%. La clé ? des algorithmes d’apprentissage automatique, dont le développement s’est inspiré des travaux réalisés en astronomie pour classifier les galaxies et localiser des supernovas. D’après eux, ce type d’algorithmes devrait se répandre dans les cinq prochaines années, même si leur validation scientifique pourrait bien réclamer quelques années supplémentaires, de façon à collecter davantage de données.

 

Améliorer la fiabilité des diagnostics

 

Sans qu’il soit question de remplacer le médecin par la machine, l’interprétation d’images numériques – qui forme le quotidien des radiologistes et des anatomo-pathologistes – pourrait bénéficier de l’assistance des algorithmes. Les énormes volumétries de données collectées, associées aux récents progrès en matière de vision artificielle, devraient rapidement améliorer la performance des interprétations et la précision des machines pourrait bientôt dépasser celle des humains. En radiologie, un second diagnostic réalisé par un algorithme sur une mammographie serait déjà aussi fiable qu’un double diagnostic réalisé par des médecins.

A terme enfin, en générant des diagnostics différentiels et en suggérant des examens complémentaires, les algorithmes de machine learning devraient faire reculer le taux alarmant d’erreurs médicales, souligné par un rapport publié en 2015 par l’Institut de médecine américain. Comme le rappellent les auteurs, s’il revient aux médecins d’intégrer l’apprentissage automatique à leur démarche, ce sont les patients, dont l’historique de santé permettra d’affiner continuellement les algorithmes, qui seront les premiers à en tirer profit !

 

Lire l’article (en anglais)

 

En complément :

Le point sur les évolutions technologiques promises par le big data dans le domaine de la santé,

Confidentialité des données : un frein pour l’accès à la médecine de demain ?