L'impact de l'IA dans la santé : Révolutionner les soins aux patients et les pratiques médicales

Le pouvoir de transformation de l’intelligence artificielle (IA) est en train de redessiner les soins de santé tels que nous les connaissons. La hausse de production de données dans le secteur a conduit à l’intégration de l’IA, transformant les données en informations exploitables. L’IA est déjà utilisée dans de nombreux aspects de la prise en charge des patients, des systèmes de santé et des organisations pharmaceutiques.

Le marché mondial de l’IA dans le domaine de la santé devrait atteindre 20,9 milliards de dollars en 2024. D’ici 2029, il est prévu qu’il atteigne 148,4 milliards de dollars, avec un taux de croissance annuel composé de 48,1% au cours de la période de prévision¹. Des facteurs tels que l’augmentation du volume de données, la puissance de calcul et l’adoption croissante de la technologie numérique dans l’industrie des services de santé seront à l’origine de cette croissance exponentielle.

Il existe de nombreux cas d’utilisation envisageables pour l’IA dans le secteur de la santé, du dépistage précoce du cancer à l’amélioration de la précision des diagnostics. En tirant parti de l’IA et des technologies associées, le secteur médical est prêt à faire un bond en avant dans les modèles de prestation de soins. Toutefois, parmi les avantages potentiels, il y a des défis, dont des préoccupations d’ordre éthique.

Notre article explore les aspects de la santé qui bénéficient de l’IA, ses défis et son avenir dans ce secteur d’importance cruciale.

Diagnostics guidés par l’IA et détection précoce des maladies

La détection précoce est essentielle pour améliorer la gestion des maladies, contribuer à réduire la mortalité et les coûts et freiner la propagation des maladies infectieuses.

Les erreurs de diagnostic ou la non-détection d’une maladie peuvent être fatales. Rien qu’aux États-Unis, une étude a révélé que 400 000 patients subissent des préjudices en raison d’erreurs médicales. Une autre étude a révélé que plus de 200 000 patients meurent à cause de défaillances médicales évitables².

L’IA a changé la donne en matière de diagnostic, notamment en ce qui concerne l’analyse des images médicales. L’automatisation de ce processus permet d’améliorer considérablement la précision de la détection des maladies. Les algorithmes de ML et DL tels que les machines à vecteurs de support (SVM) et le réseau neuronal convolutif (CNN) permettent de construire des modèles qui identifient et catégorisent les anomalies dans les images médicales telles que les tomographies et les IRM³.

Amélioration de la précision et de la rapidité des diagnostics

Les systèmes d’IA sont capables d’analyser rapidement et avec précision de grandes quantités de données. Grâce à des algorithmes de détection, un système d’IA peut apprendre à partir de données et d’images des anomalies révélatrices de maladies. Par exemple, les modèles de DL basés sur des CNN détectent désormais des détails complexes dans les images médicales qui pourraient être indétectables à l’œil humain, ce qui permet d’identifier des maladies telles que le cancer du rectum ⁴.

L’IA accélère l’analyse des images médicales par rapport aux méthodes traditionnelles. Ces systèmes permettent de réduire l’impact de la fatigue ou de la négligence, tout en offrant précision et efficacité. Grâce à ces outils, les médecins peuvent repérer des anomalies mineures, ce qui permet d’identifier rapidement des maladies sanguines rares et des cancers⁵.

En outre, grâce à la méthode d’analyse multimodale, un système d’IA peut utiliser plusieurs formes de données, notamment les antécédents médicaux, les résultats de laboratoire et l’imagerie, afin d’obtenir des résultats détaillés. Ce processus peut prendre du temps et être moins complet lorsque réalisé par les médecins.

Exemples concrets

Voici quelques exemples d’IA dans le domaine du diagnostic des pathologies.

Diagnostics de radiologie alimentés par l’IA : Ces systèmes analysent automatiquement les images médicales, aidant les radiologues à comprendre les tomographies et les radiographies. Les modèles sont entraînés sur de grandes quantités de données et utilisent des techniques de Deep Learning (DL) pour détecter des schémas indiquant des maladies comme le cancer et des anomalies d’organes. Par exemple, un outil de diagnostic par IA a montré un taux de précision de 94 % dans la détection des nodules pulmonaires ⁶.

Outils de diagnostic pilotés par l’IA : Le logiciel de réseau neuronal Watson d’IBM et Medtymatch sont des exemples de moteurs IA alimentant des instruments de détection. Le moteur Medymatch utilise par exemple la vision profonde et l’analyse cognitive pour identifier les rares anomalies invisibles à l’œil humain⁷.

Diagnostic des affections cutanées au moyen de l’IA : L’examen de la peau est la principale méthode de diagnostic des affections cutanées. Les outils d’assistance de l’IA peuvent aider les médecins à diagnostiquer ces affections, sachant que plus de 2 milliards de personnes dans le monde souffrent de ces problèmes ⁸.

Par exemple, en utilisant le computer vision et les capacités de recherche d’images, Google construit un outil pour comprendre les affections de la peau, des ongles et des cheveux. Cet outil peut aider à détecter 90 % des affections les plus couramment recherchées ⁹.

Médicaments personnalisés et planification des traitements soutenus par l’IA

La prescription médicale personnalisée continue de révolutionner les soins en adaptant des plans de traitement aux individus. Ces plans s’appuient sur les informations génétiques, les données relatives au mode de vie, les caractéristiques cliniques et l’environnement d’un individu pour mettre au point des interventions ciblées susceptibles d’améliorer les résultats.

L’intégration de l’IA dans la médecine personnalisée a ouvert de nouvelles possibilités. Elle permet de découvrir des informations cachées et d’identifier des corrélations, ce qui aide les médecins à prédire avec précision les réactions individuelles aux traitements.

En outre, en analysant les facteurs qui prédisposent les individus aux maladies, les systèmes d’IA peuvent prédire les personnes susceptibles de contracter certaines maladies, ce qui permet de passer à des approches centrées sur le patient.

Améliorer la pratique de la médecine de précision grâce à l’analyse génétique conduite par l’IA

La médecine de précision comprend des cibles prometteuses et des thérapies précises pour les patients. L’impact est si efficace qu’il permet même de prolonger et d’améliorer la vie de patients atteints de maladies mortelles telles que l’amyotrophie spinale ¹⁰. Cette stratégie tient compte du fait qu’une approche universelle n’est pas forcément la meilleure pour tout le monde.

Les algorithmes de ML analysent de vastes ensembles de données de séquences génétiques pour découvrir des relations complexes en génomique. Par exemple, l’IA permet d’identifier des modèles, des mutations et des variations génétiques qui peuvent être liés à certaines maladies et aux traitements qui en découlent.

L’utilisation de données multimodales provenant de patients précédemment traités pour une maladie permet aux systèmes basés sur l’IA d’identifier les futurs patients susceptibles de bénéficier de thérapies spécifiques.

De nombreux modèles utilisant des algorithmes tels que les SVM ont été développés et testés pour vérifier l’efficacité du traitement à l’aide de données génomiques ¹¹. Par exemple, des évaluations ont été réalisées pour déterminer la sensibilité aux médicaments anticancéreux, ce qui pourrait permettre d’éviter de traiter des patients susceptibles de ne pas répondre au traitement.

L’analyse du génome basée sur l’IA a également été utilisée pour le pronostic des maladies, en identifiant les marqueurs génétiques associés à des conditions ou à des traitements spécifiques. Un autre domaine est la pharmacogénomique, où les modèles d’IA peuvent prédire la personnalisation des dosages de médicaments ¹².

L’IA dans les soins aux patients

L’Organisation mondiale de la santé (OMS) estime qu’il y a une pénurie mondiale de 4,3 millions de médecins ¹³. Grâce à l’IA, les organismes de santé peuvent améliorer la prestation de services en augmentant les processus tels que les services à la clientèle et les tâches administratives.

Assistants de santé virtuels et chatbots

Les médecins peuvent se concentrer sur des tâches moins répétitives en automatisant des processus tels que la programmation de patients, l’émission de factures et le remplissage de dossiers médicaux. Les assistants virtuels d’IA et les chatbots peuvent accroître l’engagement des patients afin d’augmenter la satisfaction des clients.

Selon une étude de Syneos Health Communications, 64 % des patients interrogés ont déclaré qu’ils se sentiraient à l’aise avec des assistants virtuels ¹⁴. Les chatbots offrent des réponses instantanées et une disponibilité permanente. Cela peut s’avérer crucial en cas d’urgence ou lorsque les patients ont besoin de réponses rapides sur leur état de santé.

En outre, les assistants virtuels peuvent réduire la charge de travail administratif dans les établissements de santé. Par exemple, les assistants peuvent répondre à des questions sur les médicaments ou transmettre des rapports aux médecins et aux chirurgiens.

Télésurveillance et télémédecine

Les progrès réalisés dans le domaine des dispositifs médicaux numériques et des dossiers médicaux électroniques nous aident à surmonter les obstacles traditionnels à la fourniture de soins, tels que les barrières géographiques. Les données peuvent contribuer à un suivi continu, ce qui permet de réduire la fréquence des visites à l’hôpital.

Des gadgets intégrés, portables et intelligents, suivent quotidiennement les signes vitaux des patients et stockent les données sur des serveurs cloud. L’IA peut analyser ces données pour identifier les anomalies ou les tendances critiques en matière de santé. Grâce à ces outils, les soignants peuvent intervenir rapidement, ce qui contribue à réduire les urgences et les réadmissions à l’hôpital.

En outre, les plateformes de thérapie cognitivo-comportementale (TCC) pilotées par l’IA rendent les services de santé mentale plus personnalisés et plus accessibles. Elles sont conçues pour aider les utilisateurs à relever des défis tels que la panique et l’anxiété. L’IA crée un écosystème sûr pour saisir les problèmes des utilisateurs en toute sécurité, sans préjugés, et aide les patients à résoudre leurs problèmes à l’aide de stratégies de TCC ¹⁵.

D’autres exemples incluent des plateformes comme IBM Watson, qui recueille les données des patients, les analyse et fournit des plans de soins personnalisés.

Amélioration de l’adhésion des patients

Une mauvaise adhérence aux médicaments est à l’origine de 125 000 décès par an rien qu’aux États-Unis, ce qui coûte environ 300 milliards de dollars au système de santé ¹⁶.

Les gadgets IoT et l’IA peuvent contribuer à relever ce défi de taille. L’intégration de l’IA dans la surveillance à distance des patients permet de relever ces défis en fournissant des rappels de médicaments intelligents, une éducation personnalisée et une gamification pour motiver les patients à respecter les plans de traitement.

Voici quelques-uns des éléments d’un système d’adhésion des patients piloté par l’IA :

Chatbots : En utilisant le traitement du langage naturel (NLP), les chatbots peuvent engager des conversations avec les patients. Ils peuvent répondre aux questions sur les médicaments et aux préoccupations des patients.

Analyse comportementale : Les algorithmes de traitement du langage naturel peuvent analyser les schémas comportementaux des patients afin de déterminer les facteurs contribuant à la non-observance. Ces outils peuvent permettre aux professionnels de la santé de savoir à quel moment les patients sont susceptibles de ne pas prendre leurs médicaments et de personnaliser les stratégies pour y remédier.

Rappels personnalisés : Les applications alimentées par l’IA peuvent fournir des rappels contextuels et personnalisés pour inciter les patients à prendre leurs médicaments, en fonction de leurs préférences.

Réduction des erreurs de dosage : Les erreurs d’auto-administration de médicaments à l’aide de dispositifs tels que les stylos à insuline et les inhalateurs ont conduit à des baisses d’efficacité dans les traitements, pouvant même aller jusqu’à l’hospitalisation. Des dispositifs non intrusifs basés sur l’IA peuvent aider à identifier les cas d’administration incorrecte de médicaments à domicile ¹⁷.

Découverte et développement de médicaments assistés par l’IA

Les méthodes actuelles de découverte de médicaments sont coûteuses et lentes, et il s’agit généralement d’une approche de type « hit and miss ». Le développement d’un médicament peut prendre jusqu’à 14 ans, et les coûts peuvent dépasser le milliard de dollars pour les médicaments candidats retenus ¹⁸. L’IA peut contribuer à accélérer différents aspects de ce processus pour le rendre moins cher et plus rapide.

Découverte de médicaments (conception moléculaire et criblage virtuel)

L’explosion des données issues de la numérisation des dossiers médicaux, de la recherche sur les médicaments et de la médecine de précision a rendu les données disponibles pour être étudiées par des outils d’IA. Voici quelques-uns des processus que l’IA est en train de remodeler dans le pipeline de la découverte de médicaments :

Découverte basée sur les cibles : implique l’identification de nouvelles molécules de protéines qui pourraient modifier l’état de la maladie si elles étaient modulées. Les réseaux neuronaux graphiques (GNN) et les algorithmes ML basés sur les arbres, comme les arbres de décision, peuvent analyser les données protéomiques et génomiques pour identifier des cibles potentielles ¹⁹.

Simulations moléculaires : Les méthodes traditionnelles de simulation moléculaire sont coûteuses et prennent du temps. L’utilisation de l’IA accélère les tests des composés médicamenteux candidats ²⁰.

Prédiction des propriétés des médicaments : L’IA peut prévoir les principales propriétés physiochimiques des composés médicamenteux potentiels, notamment leur solubilité, leur toxicité et leur biodisponibilité. Les chercheurs peuvent se concentrer sur les composés ayant une forte probabilité de succès, réduisant ainsi le temps nécessaire à l’identification précoce des composés prometteurs. Les réseaux neuronaux ML et DL, tels que les réseaux adversaires génératifs (GAN), peuvent être formés sur des bases de données de composés connus afin de détecter des modèles et des corrélations entre la structure chimique des composés et leurs propriétés physiochimiques ²¹.

Conception de médicaments de novo : Les méthodologies DL remplacent la méthode traditionnelle de conception de médicaments de novo, qui consiste à passer au crible de grandes bibliothèques de modules candidats. L’IA offre plusieurs moyens de concevoir de nouveaux composés à l’aide d’algorithmes tels que le CNN, les GAN et les réseaux neuronaux récurrents (RNN) ²².

Prédiction de l’efficacité des médicaments et de leurs effets secondaires potentiels à l’aide d’algorithmes d’IA

L’efficacité des médicaments est cruciale, car les réponses négatives aux traitements entraînent l’échec de ceux-ci, ce qui peut conduire au sevrage et à des effets secondaires.

L’IA peut prédire l’efficacité des médicaments en analysant de vastes ensembles de données sur les structures moléculaires et les cibles biologiques. Des algorithmes tels que les auto encodeurs génératifs peuvent exploiter des modèles de médicaments existants pour explorer de nouveaux espaces chimiques, contribuant ainsi à accélérer la découverte de produits pharmaceutiques aux profils d’efficacité améliorés ²³.

L’identification des effets secondaires des nouveaux médicaments par le biais d’essais cliniques est souvent coûteuse, lente et peu propice aux tests à grande échelle. Prédire les effets secondaires liés aux médicaments suffisamment tôt permet de gagner du temps et d’utiliser les ressources de manière plus efficace.

En s’appuyant sur les résultats d’essais cliniques antérieurs et sur les composés des médicaments, des modèles prédictifs peuvent être utilisés pour déduire les effets secondaires.

Optimiser la formulation des médicaments et les processus de fabrication grâce à l’IA

La formulation des médicaments est un processus intensif qui peut tirer parti de la capacité de l’IA à analyser de vastes ensembles de données et à identifier des modèles et des corrélations. Des techniques telles que les réseaux neuronaux artificiels (ANN), la logique floue et les algorithmes génétiques (GA) peuvent aider à prévoir les attributs d’un médicament candidat. En prédisant la solubilité, la biodisponibilité et la stabilité, attributs essentiels pour déterminer la puissance d’une formulation de médicament, les chercheurs peuvent trouver des candidats susceptibles de réussir au cours des essais cliniques ²⁴.

Les systèmes de contrôle de la qualité alimentés par l’IA, tels que les méta classificateurs et les classificateurs de comprimés, sont essentiels pour garantir l’acceptabilité du produit final dans la fabrication des médicaments ²⁵. Les algorithmes de ML peuvent analyser divers attributs des comprimés pendant la fabrication afin d’identifier les défauts et les incohérences potentiels.

L’IA dans les essais cliniques

Les essais cliniques sont essentiels pour garantir l’innocuité et l’efficacité des médicaments mis au point. Les principaux défis associés aux essais cliniques sont les limitations liées aux données, les efforts manuels et le suivi des patients. En outre, les données générées nécessitent de nombreuses manipulations manuelles. D’autres essais cliniques requièrent de nombreux travaux de reprise, de répétition et de transcription des données.

Dans une interview, le Dr Khair ElZarrad, directeur de l’Office of Medical Policy de la FDA, admet que l’IA a le potentiel d’influencer la conception des essais cliniques. Le Dr ElZarrad, responsable de l’évaluation des médicaments et de la recherche, explique que l’IA peut tirer parti de multiples formes d’essais cliniques, y compris des stratégies décentralisées, en utilisant des données collectées à partir de dispositifs de technologie de santé numérique (DHT) ²⁶.

Les dispositifs DHT peuvent collecter des données à distance et aider à surveiller les signes vitaux des patients en temps réel.

Voici quelques-unes des autres façons dont l’IA peut influer sur les essais cliniques ²⁷ :

Éliminer les formes de travail manuel et de conjecture lors de la recherche de candidats éligibles.
Recrutement de participants grâce à des systèmes qui exploitent et analysent les données des participants potentiels, y compris les dossiers médicaux, les médias sociaux et la littérature médicale.
Les algorithmes d’IA peuvent être utilisés pour trouver le site optimal pour les essais cliniques.
L’IA favorise la rétention des participants en leur permettant d’obtenir des informations à l’aide de chatbots.
L’IA peut prévoir les événements indésirables qui pourraient nuire aux participants.
L’IA peut concevoir des essais cliniques, contribuant ainsi à réduire les ressources nécessaires pour identifier une population de patients adaptée au traitement.

L’IA au service de la reconversion des médicaments

La mise au point de nouveaux médicaments étant coûteuse et longue, il est plus facile de réadapter des médicaments qui peuvent cibler plusieurs sites. L’IA peut réduire les efforts nécessaires pour identifier de nouveaux cas d’utilisation pour les médicaments existants. En analysant des ensembles de données sur les maladies et leurs cibles, les chercheurs peuvent découvrir des corrélations entre les médicaments existants, les traitements potentiels et les cibles des maladies.

Cela est particulièrement utile pour les maladies qui ne bénéficient pas d’un financement adéquat pour le développement de médicaments. L’IA peut contribuer à accélérer la réorientation des médicaments face aux menaces croissantes que représentent les maladies infectieuses résistantes aux médicaments. Par exemple, les chercheurs ont pu adapter le baricitinib, un médicament développé pour la polyarthrite rhumatoïde, à la lutte contre le COVID-19. L’IA a pu prédire l’interaction du médicament et ses effets secondaires potentiels ²⁸.

Robotique

Le marché mondial des dispositifs chirurgicaux assistés par robot croît à un taux de croissance annuel moyen de 17,1% et devrait atteindre 34,1 milliards de dollars d’ici 2031 ²⁹. Ces systèmes permettent aux chirurgiens d’utiliser une technologie qui utilise des instruments opératoires lors d’interventions mini-invasives. Les solutions robotiques émergentes utilisant l’IA, la connectivité dans le cloud et la réalité augmentée ont permis à ces dispositifs de traiter des procédures plus complexes avec de meilleurs résultats pour les patients.

Robots chirurgicaux dotés d’IA

Ces robots sont conçus pour aider les chirurgiens à manipuler et à positionner les instruments chirurgicaux pendant les opérations.

L’IA s’est avérée efficace dans les opérations laparoscopiques guidées, où le robot d’IA fournit un retour d’information vidéo aux chirurgiens en soulignant des éléments tels qu’une taille anormale de tissus.

En outre, les techniques de ML analysent de vastes ensembles de données d’opérations chirurgicales antérieures afin de découvrir des idées et des pratiques essentielles pour les opérations. Les robots apprennent par démonstration, en accumulant suffisamment d’informations pour mener à bien des tâches spécifiques. Une tâche peut être divisée en tâches plus petites, ce qui permet aux robots IA d’identifier, de modéliser et de réaliser des tâches secondaires de manière séquentielle.

Dans une interview, le Dr Christopher Tignanelli, chirurgien et directeur du programme d’IA clinique à l’université du Minnesota, a expliqué que l’IA fournira une aide à la décision en analysant les opérations chirurgicales pendant qu’elles sont effectuées ³⁰.

L’apprentissage par renforcement (RL) est utilisé dans les robots chirurgicaux pour les améliorer encore et leur permettre de s’attaquer à d’autres tâches complexes telles que l’insertion de tubes et la manipulation de tissus mous. Comparés à d’autres modèles analytiques, les algorithmes RL sont efficaces pour enseigner l’efficacité et la précision ³¹.

Assistants robotiques pilotés par l’IA

Ces robots intelligents ont aidé les chirurgiens à effectuer des opérations télérobotiques. Ces systèmes utilisent des caméras à haute résolution pour fournir une vue détaillée du site chirurgical, ce qui permet aux chirurgiens d’observer chaque détail.

Le système piloté par l’IA aide à traduire les mouvements exacts du chirurgien en actions de haute précision du bras robotisé sur le patient ³².

Les assistants chirurgicaux IA sont également utilisés pour aider les chirurgiens à éviter les erreurs en absorbant les secousses pendant l’opération. Le système réduit les risques de blessures grâce à un positionnement correct, ce qui contribue à éliminer les risques de mauvaises coupes ³³.

L’IA dans la formation du personnel de santé

L’IA dans la formation des praticiens médicaux offre de nombreuses possibilités, notamment la simulation de scénarios complexes et l’adaptation de la formation aux individus.

Expériences d’apprentissage personnalisées

Les systèmes d’IA peuvent analyser les schémas pédagogiques des étudiants afin d’élaborer un parcours de formation approprié en fonction de leurs attributs. En utilisant des modèles de recommandation, le système peut suggérer activement aux apprenants les domaines sur lesquels ils doivent se concentrer. La personnalisation de l’enseignement peut accroître l’efficacité de l’apprentissage, en aidant les étudiants à s’impliquer davantage.

En outre, les modèles prédictifs peuvent prévoir les résultats de cours futurs en utilisant les performances antérieures et les progrès d’apprentissage actuels. Cela peut aider les éducateurs à fournir un soutien approprié et à intervenir rapidement auprès des élèves qui pourraient avoir des difficultés.

Simulations assistées par l’IA et formation en réalité virtuelle pour le développement des compétences

Les apprenants peuvent améliorer leurs compétences cliniques grâce à des simulations assistées par l’IA. En combinant l’IA avec des plateformes de réalité virtuelle et augmentée, les étudiants peuvent vivre des expériences immersives qui imitent les complexités de la prise en charge de patients réels. Les apprenants peuvent renforcer leurs connaissances théoriques en pratiquant des scénarios réels tels que les urgences et les techniques chirurgicales.

La simulation par IA peut créer des scénarios plus complexes et plus rares, ce qui permet aux apprenants d’élargir leur expérience.

Cas d’utilisation de l’IA dans les soins de santé.

Voici quelques domaines médicaux dans lesquels l’IA est déjà utilisée :

L’IA dans le traitement du cancer : L’IA recèle un immense potentiel pour la recherche sur le cancer, le diagnostic, le traitement et les soins aux patients. L’IA excelle dans les tâches d’analyse et de segmentation, aidant à révéler des informations cachées dans les images médicales et les profils sanguins, qui constituent la base du dépistage et des évaluations.
L’IA dans le traitement de la santé mentale : Les maladies mentales deviennent rapidement une crise mondiale. Les capacités de l’IA en matière de langage naturel excellent dans ce domaine, les thérapeutes virtuels et les chatbots aidant de nombreuses personnes à obtenir rapidement de l’aide.
L’IA dans le contrôle et le traitement des maladies infectieuses : Les épidémies sont difficiles à contrôler en raison de leur incertitude et de leur complexité. Cependant, l’IA a trouvé de multiples applications dans la prédiction et le contrôle des maladies infectieuses, en aidant à l’aide à la décision, à la découverte de médicaments et à la recherche.

Défis et considérations éthiques

L’intégration de l’IA dans les soins de santé continue d’améliorer de nombreux processus dans le secteur. Cependant, l’adoption de l’IA dans le secteur a entraîné des défis qui doivent être relevés.

Préoccupations en matière de confidentialité et de sécurité des données : Alors que l’IA s’intègre de plus en plus dans les processus et les protocoles de soins de santé, le volume et la sensibilité des données capturées et analysées soulèvent des problèmes de sécurité.

Par exemple, en 2019, Google s’est associé à la chaîne hospitalière Ascension, qui a donné à l’entreprise technologique l’accès à des millions de dossiers de patients pour former des modèles d’IA. Cela s’est fait sans le consentement du patient, ce qui a soulevé des préoccupations en matière de protection de la vie privée ³⁴.

Les hôpitaux et les instituts de recherche médicale qui utilisent des systèmes d’IA doivent mettre en place une cybersécurité solide pour éviter les violations. D’autres solutions potentielles incluent l’apprentissage fédéré, où des dispositifs décentralisés conservent les données localement, et la mise en œuvre de techniques qui rendent difficile l’extraction de données individuelles.

Préoccupations éthiques : Les modèles d’IA formés sur des données présentant des préjugés tels que la race, le sexe et le statut socioéconomique peuvent perpétuer les préjugés. Par exemple, en 2019, une étude a révélé un biais dans un algorithme d’IA largement utilisé. Celui-ci sous-estimait de manière significative les besoins médicaux des patients noirs de plus de 50% par rapport aux patients blancs présentant des conditions de santé similaires ³⁵.

Les chercheurs en IA doivent utiliser des données diverses et représentatives pour atténuer les biais et s’assurer qu’ils ne discriminent pas des groupes démographiques spécifiques. D’autres solutions possibles consistent à utiliser des outils de détection des préjugés et à s’assurer que les décisions de l’IA sont explicables.

Conformité réglementaire et confiance dans les soins de santé pilotés par l’IA : Les États-Unis et l’Union européenne disposent déjà de réglementations différentes pour régir l’utilisation de l’IA et des équipements médicaux basés sur l’IA. Toutefois, les progrès rapides de l’IA vont plus vite que les lois. Le manque de clarté dans la détermination de la responsabilité entre les entités qui collaborent au développement, à la mise en œuvre et à l’utilisation des systèmes d’IA est l’un des points litigieux.

Une autre question cruciale est celle de la confiance dans l’utilisation de l’IA dans les soins de santé. Pour stimuler l’adoption, les chercheurs doivent mettre au point des systèmes robustes dotés de mécanismes de sécurité. Il faut également veiller à ce que les systèmes puissent être expliqués, à ce que les humains restent dans la boucle et à ce qu’ils fassent l’objet d’un suivi permanent.

L’avenir de l’IA dans le domaine de la santé

Il est incontestable que l’IA présente un grand potentiel dans le secteur médical. Toutefois, ce potentiel suscite à la fois incertitude et enthousiasme.

On s’attend à ce que l’IA soit encore plus intégrée dans les flux de travail administratifs à mesure que les modèles et les développeurs repoussent les limites. Par exemple, Mt Sinai utilise un outil d’IA pour coder les cas de pathologie de manière autonome ³⁶.

Parmi les autres possibilités, citons l’utilisation de modèles génératifs profonds pour concevoir de nouvelles molécules en vue de la découverte de médicaments.

Le criblage virtuel de milliards de composés à la recherche de thérapies potentielles accélère la découverte de médicaments ³⁷. Par exemple, la plateforme d’IA AtomNet d’Atomwise a démontré sa capacité à entreprendre un criblage complet à haut débit de manière cohérente, ce qui permet d’identifier encore plus rapidement de nouvelles structures chimiques pour la mise au point de médicaments.

Conclusion

L’impact de l’IA sur le secteur de la santé est indéniable. La technologie améliore les résultats pour les patients, repousse les limites de la médecine et rationalise les processus médicaux. Les principaux cas d’utilisation comprennent la découverte de médicaments, les chirurgies assistées par l’IA et le diagnostic des maladies.

L’utilisation de l’IA aide les chercheurs à accélérer le criblage de composés pour la découverte de médicaments, à analyser les données des patients et à découvrir des informations à partir d’images médicales. Les praticiens médicaux, comme les radiologues, peuvent tirer parti de l’IA pour l’aide à la décision et le diagnostic des maladies.

Malgré tous ces cas d’utilisation et ces avantages, des préoccupations d’ordre éthique et réglementaire persistent, telles que les biais algorithmiques, qui entraînent une discrimination à l’encontre de certaines catégories démographiques. À l’avenir, l’utilisation de l’IA dans les soins de santé devra être régie par des normes et des réglementations solides.

L’impact de l’IA dans la santé : Révolutionner les soins aux patients et les pratiques médicales