Comment les données des patients façonnent l’avenir des soins de santé

La course à l’IA dans le domaine de la santé s’éloigne de plus en plus de la question de savoir si les machines peuvent générer des informations médicales pour se concentrer sur une question plus conséquente : que se passe-t-il lorsque l’IA peut travailler avec les données des patients dont les cliniciens et les chercheurs disposent déjà ?

Trois développements récents indiquent où cette évolution pourrait se diriger.

Tout d’abord, OpenAI a récemment connecté ChatGPT for Healthcare à des données de dossiers de santé électroniques Epic, apportant un contexte clinique propre au patient dans un flux de travail d’IA et réduisant potentiellement le temps que les cliniciens passent à rechercher dans des dossiers médicaux fragmentés.  

Ensuite, PurpleLab, une société de données et d’analytique en santé, vient de lancé CARES, une initiative visant à soutenir la recherche en utilisant son vaste ensemble de données de santé du monde réel. 

Et enfin, des chercheurs de la Harvard Medical School ont développé un modèle d’IA qui utilise les dossiers de santé existants et les informations génétiques pour estimer le risque de centaines de maladies.

Pris ensemble, ils suggèrent ce que de nombreux acteurs du secteur de la santé ont longtemps spéculé : que les données des patients pourraient être l’un des actifs les plus précieux de l’industrie de la santé pour l’innovation dans les soins.

Examinons de plus près chacune de ces récentes percées liées aux données des patients.

Des dossiers médicaux électroniques aux assistants IA

Le 1er septembre, OpenAI a annoncé une intégration Epic pour ChatGPT for Healthcare qui permet aux organisations de santé autorisées d’intégrer les informations des patients dans des flux de travail assistés par l’IA.

L’intégration peut aider les cliniciens à examiner des informations telles que les notes médicales, les médicaments, les résultats de laboratoire et les rencontres antérieures sans devoir assembler manuellement l’historique d’un patient à partir de différentes parties du dossier.

Le système est en lecture seule, ce qui signifie que l’IA ne modifie pas le dossier médical de manière indépendante.

Cette distinction est importante. L’opportunité immédiate n’est pas de remplacer le DME ni de permettre à un système d’IA de prendre des décisions de façon autonome. Il s’agit de réduire le temps que les cliniciens consacrent à la recherche et à la synthèse d’informations.

OpenAI connecte également ChatGPT for Healthcare à des sources publiques officielles, notamment PubMed, ClinicalTrials.gov, DailyMed et les données CMS.

L’idée plus vaste est la combinaison du contexte du patient et des preuves médicales externes dans le même flux de travail.

Rendre les données du monde réel plus utiles pour la recherche

PurpleLab, une société de données et d’analytique qui se concentre, entre autres, sur les preuves du monde réel (RWE) et les données du monde réel (RWD) dans le secteur de la santé, a récemment lancé le Center for Advancing Real-World Evidence Studies, ou CARES, avec pour objectif d’aider les chercheurs, les institutions académiques, les réseaux de preuves et les communautés de patients à utiliser les données du monde réel de manière plus efficace.

L’importance va au-delà de la simple mise à disposition de davantage de données.

Les chercheurs en santé sont depuis longtemps confrontés à des problèmes de définitions incohérentes, de jeux de données fragmentés et de difficulté à reproduire les études antérieures.

CARES est conçu autour de la recherche reproductible, de méthodes transparentes, de partenariats académiques et de la recherche centrée sur le patient.

PurpleLab indique que les chercheurs peuvent travailler avec ses ensembles de données du monde réel pour étudier les schémas de traitement, les résultats et les coûts de santé dans des domaines tels que l’oncologie, la cardiologie, la santé mentale et les maladies rares.

Si elles réussissent, des initiatives comme celle‑ci pourraient aider à transformer les informations de santé générées régulièrement en preuves capables de répondre à des questions que les études cliniques traditionnelles ne peuvent pas toujours traiter aussi rapidement.

« Les preuves du monde réel sont les plus solides lorsqu’elles sont rigoureuses, évaluées par les pairs et partagées ouvertement. Avec PurpleLab CARES, nous montrons ce que nos données peuvent accomplir entre les mains des chercheurs, des partenaires académiques et des communautés de patients, » a déclaré Scott DuVall, vice‑président principal, Real‑World Evidence, chez PurpleLab, dans un communiqué de l’entreprise.

Prédire la maladie avant son apparition

À Harvard, les équipes de recherche transforment les données des patients en moteurs de prédiction. 

Un modèle d’apprentissage automatique développé par des chercheurs du Dana-Farber Cancer Institute et du Massachusetts General Hospital peut estimer le risque d’un patient pour 348 maladies en utilisant les dossiers de santé électroniques (DSE) collectés de façon routinière ainsi que les informations de risque génétique.

Le modèle, appelé Aladynoulli, a été entraîné et validé à l’aide de données provenant de plus de 683 000 dossiers de patients issus de trois biobanques.

Les chercheurs affirment qu’il peut mettre à jour dynamiquement les évaluations de risque au fur et à mesure que le patient vieillit.

Son potentiel est considérable. Au lieu de considérer les antécédents médicaux uniquement comme un registre de ce qui s’est déjà produit, l’IA pourrait de plus en plus les utiliser pour identifier des schémas associés à ce qui pourrait se produire ensuite.

Mais c’est ici que la prudence est essentielle. Le modèle a jusqu’à présent été évalué à l’aide de données historiques de patients, et des recherches supplémentaires sont nécessaires avant de déterminer comment il fonctionne dans des contextes cliniques réels.

Le vrai défi, c’est la confiance

L’avenir de l’IA en santé dépendra donc moins de l’impression que suscite un algorithme et davantage de la précision, de la représentativité, de la sécurité et de la gouvernance responsable des données qui le sous-tendent.

Les données des patients peuvent révéler des schémas difficiles à identifier pour les humains sur plusieurs années d’antécédents médicaux. Mais ces mêmes dossiers contiennent certaines des informations les plus sensibles qu’une personne génère.

À mesure que les organisations de santé connectent les dossiers médicaux électroniques, les bases de données de recherche et les systèmes d’IA, la question centrale ne sera pas simplement de savoir si l’IA peut extraire davantage de valeur des données des patients.

Il s’agira de savoir si le système de santé peut le faire sans perdre la confiance des patients.

Cet équilibre entre une meilleure information et une utilisation responsable pourrait finalement déterminer jusqu’où l’IA passera du laboratoire de recherche aux soins de santé quotidiens.