Hormones, données et percée de l’IA que la médecine traditionnelle a manquée

Pendant des décennies, la santé des femmes a longtemps été sous-représentée dans la recherche clinique – sous-étudiée, simplifiée à l’excès et forcée de s’adapter à des modèles construits autour de moyennes biologiques masculines. Les affections liées aux cycles hormonaux, par exemple, ont longtemps été réduites à des clichés cliniques statiques qui manquent de modèles longitudinaux et mal interprètent les symptômes, contribuant à des diagnostics retardés et erronés.

Il y a seulement trois décennies, la FDA a autorisé les femmes à participer à nouveau à des études de recherche clinique, mais les femmes ne représentent toujours que 30 % des participants aux essais – en grande partie en raison de la focalisation excessive de l’industrie pharmaceutique sur leur potentiel de procréation et les préoccupations liées à la fertilité.

Les conséquences dépassent la représentation. Une étude de l’Université de Pittsburgh School of Public Health a conclu, en fait, que la plupart des profils de sécurité des médicaments sont basés sur la biologie masculine et ne tiennent pas compte de la variation hormonale féminine. Dans la recherche sur les maladies cardiovasculaires, en particulier, la sous-inscription des femmes a directement contribué à des diagnostics retardés, à des symptômes rejetés et à des erreurs de diagnostic systémiques.

Depuis 2015, la recherche clinique a fait des progrès significatifs en termes d’équité entre les sexes, cependant, car les National Institutes of Health (NIH) ont publié une politique pour considérer le sexe comme une variable biologique dans la recherche – impliquant la nécessité de considérer à la fois les variables féminines et masculines dans les recherches scientifiques ultérieures.

Cependant, le décalage entre la politique et la pratique a été important. Ce n’est que maintenant qu’une vague plus large de recherches cliniques rigoureuses qui tiennent explicitement compte de la biologie féminine commence à se matérialiser. Et avec elle, une convergence d’investissements institutionnels et d’intelligence artificielle qui promet de remodeler le domaine.

Le réveil institutionnel

À mesure que les données cliniques s’accumulent et que les lacunes de recherche deviennent de plus en plus importantes, un nouvel alignement entre la science et la technologie se forme, orienté non pas vers le traitement de la biologie féminine comme une variation, mais vers des systèmes construits à partir du groupe vers les différences de sexe biologiques.

Les institutions ont formalisé ce changement. L’American Heart Association a renforcé son accent sur la santé cardiovasculaire des femmes ancré dans un fonds de 75 millions de dollars Go Red for Women Venture Fund et une initiative de recherche de 15 millions de dollars pour examiner les effets des cycles menstruels sur la santé cardiovasculaire-rénale-métabolique (CKM).

Simultanément, le plan stratégique 2024-2028 de la NIH et un décret exécutif de la Maison Blanche dirigent plus de 100 millions de dollars en financement ARPA-H vers ce que les chercheurs ont appelé les « fenêtres métaboliques » – spécifiquement la ménopause et les cycles menstruels – en réponse à des preuves que près de 99 % des études sur le vieillissement préclinique ont historiquement exclu ces facteurs. L’initiative est en fait soutenue par une recommandation de 15,7 milliards de dollars des Académies nationales.

Ces changements structurels ont catalysé un changement parallèle dans la façon dont les données de santé des femmes sont collectées, interprétées et mises en œuvre. Une nouvelle génération de plateformes traduit les données hormonales et cycliques en informations cliniquement pertinentes accessibles, permettant aux femmes d’identifier des modèles avant qu’ils ne dégénèrent en affections que les méthodes traditionnelles pourraient mal interpréter.

« Ma propre crise de santé a été l’une des expériences les plus effrayantes de ma vie – et ce qu’elle a révélé rapidement, c’est que le fardeau repose presque entièrement sur le patient au moment exact où il est le moins équipé pour le supporter », a déclaré Adriana Torosian, fondatrice et PDG de Ourself Health, à Unite AI.

Ourself Health est à la tête d’un changement structurel dans la façon dont la santé des femmes est perçue, issu des expériences personnelles des femmes avec une mauvaise gestion des données de santé et destiné à prévenir les problèmes futurs de désalignement d’informations ou de mauvais accès à l’interprétation des données.

La startup basée à San Francisco a récemment présenté Stella, un compagnon de santé alimenté par l’IA qui combine les meilleures recherches sur la santé des femmes dans le monde avec l’historique de santé personnelle des utilisateurs.

« Finalement, la réponse pour moi est devenue mes données. Je soupçonnais que mon cycle affectait directement mon état et j’ai apporté cette hypothèse à des médecins de premier plan, qui l’ont rejetée entièrement. Le seul moyen d’avancer était de constituer ma propre base de données, de trouver mes propres réponses et de les apporter ensuite à mes médecins – le contraire de ce à quoi je m’attendais », a ajouté Torosian.

L’IA change l’équation

L’IA modifie fondamentalement les diagnostics de santé, non pas en remplaçant le jugement clinique, mais en permettant une forme de reconnaissance de modèles à une échelle et une continuité que les soins traditionnels ne peuvent pas reproduire. Contrairement aux modèles cliniques qui dépendent de rencontres épisodiques, les systèmes d’IA peuvent analyser en continu les dossiers médicaux, les biomarqueurs et les entrées physiologiques en temps réel, détectant des corrélations que les soins standard manquent régulièrement.

Ceci a déjà abouti à des diagnostics plus précoces et plus précis pour des affections allant des maladies cardiovasculaires au cancer – un changement qui améliore déjà les résultats pour les patients.

Dans le domaine de la santé des femmes, en particulier, cette capacité est particulièrement essentielle ; les systèmes hormonaux sont dynamiques, profondément interconnectés et hautement individualisés. Les outils alimentés par l’IA commencent à combler le fossé diagnostique en permettant une surveillance plus précise, une prédiction et une analyse longitudinale plus précises dans le domaine de la santé reproductive, des soins maternels et des affections gynécologiques.

Les applications émergentes passent de l’imagerie fœtale améliorée par l’IA à la détection non invasive de l’endométriose, des domaines où les diagnostics traditionnels ont longtemps lutté.

Stella d’Ourself Health s’appuie sur cette base en exploitant les données hormonales longitudinales, en convertissant les modèles en recommandations de santé personnalisées et sensibles au temps, plutôt que des conseils cliniques généralisés.

« Plus un utilisateur apporte des données sur la plateforme, plus les conseils de Stella sont précis et personnalisés. Ces données proviennent de plusieurs couches : les symptômes individuels suivis quotidiennement dans l’application, les notes personnelles, les documents que l’utilisateur peut télécharger directement et les données physiologiques continues à partir de wearables comme l’Apple Watch », a expliqué Torosian.

Cela fait que l’outil va au-delà de la détection pour atteindre le soutien à la décision – en réinterprétant la santé des femmes comme un système continu et calculable, plutôt qu’une série de verticaux cliniques déconnectés.

« L’objectif est de combler le fossé entre ce qu’une femme sait sur son propre corps et ce que son médecin voit lors d’une brève consultation – et de s’assurer qu’elle arrive à chaque interaction armée de ses propres données, des dernières recherches pertinentes et d’un plan d’action clair. Stella met tout cela entre ses mains », a ajouté la fondatrice.

Une nouvelle couche computationnelle pour un fossé ancien

La distinction entre la génération d’insights et la production de conseils exploitables est subtile, mais cliniquement significative. Stella AI est conçue pour donner la priorité à cette dernière, en interprétant les tendances longitudinales pour générer des recommandations individualisées et sensibles au temps, calibrées sur la ligne de base hormonale de chaque utilisateur.

À son cœur, la conception de Stella repose sur la reconnaissance que deux systèmes hormonaux ne sont jamais identiques. La plateforme Ourself apprend ensuite en continu à partir des entrées de chaque utilisateur, quelle que soit la cycle, les symptômes,

« Ce qui manque encore aux femmes, c’est la capacité de prendre les choses en main dès maintenant – sans attendre que la recherche rattrape son retard. C’est exactement où Ourself intervient ; nous ne pouvons pas demander aux femmes de mettre leur vie en pause pendant que les institutions ferment lentement le fossé de financement. Nous pouvons leur donner les outils pour comprendre leur propre corps aujourd’hui, construire leur propre dossier de santé, prendre des décisions éclairées et agir avec ce que nous savons déjà – tout en laissant le paysage de recherche plus large évoluer autour d’elles », a souligné Torosian.

Cette approche transforme la gestion de la santé hormonale d’une discipline réactive en une discipline proactive, où les interventions peuvent être planifiées et personnalisées avec une précision que les modèles de soins conventionnels sont structurellement mal équipés pour livrer.

Mais au-delà des cas individuels ou des visionnaires, l’émergence de meilleures technologies – et d’IA assistée – pose une nouvelle couche computationnelle capable de rendre cette complexité exploitable et, plus important encore, de sauver des vies.

À mesure que des institutions comme la NIH et l’American Heart Association redirigent formellement des ressources, l’IA traduit cette dynamique en un impact réel sur le monde. La promesse de ces outils réside dans leur capacité à personnaliser et à exploiter ce que la médecine a longtemps observé mais a lutté pour appliquer : que la santé des femmes est dynamique.

Le futur des soins de santé ne sera pas défini par des moyennes au niveau de la population, mais par la précision – où les données longitudinales de chaque individu forment la base de ses soins. Et, en ce sens, l’IA n’est pas en train de remplacer la médecine, mais de l’étendre dans un territoire qu’elle n’était jamais pleinement équipée pour naviguer, jusqu’à présent.