26 mars 2024
L’intégration de l’intelligence artificielle (IA) dans la recherche et les soins de santé promet de nombreuses avancées pour le futur. Néanmoins, sur le plan technique, le développement d’algorithmes de soutien requiert une grande quantité de données significatives, structurées et interopérables et, dans la pratique, un cadre réglementaire efficace pour les applications d’IA. Les efforts de SPHN en matière d’interopérabilité constituent une base solide pour les développements émergents de l’IA dans le domaine de la recherche et des soins médicaux.
Si l’IA recèle un grand potentiel pour la recherche en matière de santé et pour l’aide à la pratique clinique et à la prise de décision, elle se heurte à une réserve majeure: la qualité des modèles d’IA et la pertinence de leurs résultats ne sont que le reflet de la qualité des données mises à disposition de l’algorithme pour son entraînement. Deux conditions essentielles doivent donc être remplies pour que l’IA trouve sa place dans la médecine suisse: premièrement, la disponibilité d’une masse critique de données (big data) et deuxièmement, une base de données solide, idéalement issue de la population suisse, afin que les produits assistés par l’IA soient également adaptés à la population locale.
Dans un petit pays comme le nôtre, une masse critique de données ne s’obtient qu’en regroupant plusieurs sources. Pour que les données soient en outre comparables (interopérables) au sein de cet ensemble, leur collecte et leur traitement doivent être coordonnés de manière ciblée. Ce processus implique d’une part la mise en œuvre de normes clairement définies afin que les données soient saisies dans un format uniforme, et d’autre part la mise à disposition de suffisamment d’informations contextuelles (métadonnées) qui décrivent les données et les rendent ainsi interprétables par l’être humain et la machine. Ces deux éléments sont essentiels pour évaluer la qualité des données dans un but précis.
La stratégie d’interopérabilité de SPHN crée les conditions nécessaires
Dans le cadre de la stratégie d’interopérabilité sémantique, des expert.e.s en sémantique et des spécialistes des soins et de la recherche ont élaboré des définitions claires pour plus de 150 variables cliniques, à partir desquelles ils et elles ont développé des «concepts SPHN». Des normes de données internationalement reconnues, comme SNOMED-CT ou LOINC, ont été utilisées. Le recours aux normes ouvertes du World Wide Web Consortium (W3C) au sein de SPHN permet également de relier ces données à d’autres données (en dehors de la médecine clinique), notamment environnementales ou biologiques.
Un puissant langage schématique permet de représenter toutes les éventualités, tandis que les normes et ontologies utilisées offrent aux algorithmes d’IA la possibilité d’apprendre des généralisations spécifiques à chaque domaine. Les conditions créées par SPHN assurent une mise à disposition efficace de données cliniques de routine utilisables pour le développement de produits médicaux basés sur l’IA, qui sont en mesure d’apprendre et de tirer profit des relations clairement définies entre les éléments de données.
L’essor de l’IA ne fait que commencer
Les conditions techniques et relatives aux données ne représentent que l’un des aspects importants de l’IA. La question du cadre réglementaire des applications d’IA dans la pratique est tout aussi cruciale et non moins complexe – d’autant plus que les frontières entre la recherche et les soins s’estompent. Le «SPHN Data Governance Working Group"» nouvellement créé se penche donc sur les exigences et les pratiques nécessaires à l’utilisation des données de santé pour développer des algorithmes basés sur l’IA et des outils d’aide à la décision pour le traitement des patient.e.s. L’importance des applications d’IA dans la recherche et le traitement médical personnalisés va certainement croître. Les efforts de SPHN évoqués préparent le terrain afin que la Suisse soit elle aussi de la partie.
L’avenir réside dans la coopération transfrontalière
Au niveau international, la Suisse participe au projet ARGOS, qui a été initié à la mi-2021. Les hôpitaux universitaires de Bâle et de Zurich ainsi que sciCORE, l’un des trois nœuds de BioMedIT, constituent le nœud suisse d’un «Personal Health Train» international. Dans le cadre de ce projet, un algorithme conçu selon le modèle biologique du cerveau humain (deep learning) est entraîné sur plus de 20 sites dans le monde entier afin de segmenter de manière automatisée les images de scanner de patient.e.s atteint.e.s d’un cancer du poumon. Découvrez dans le thème principal du présent Bulletin (p. 1 à 3) ce que de tels développements signifient pour la pratique.