Épisode 2 : Le croisement entre les soins de santé et l'IA avec Jeff Elton
Dans le deuxième épisode de notre podcast Innovative Technology Insights, Jeff Elton, PDG de ConcertAI, se joint à Natasha Allen pour une discussion approfondie sur l'intersection croissante entre les soins de santé et l'intelligence artificielle. Quels sont les domaines de la médecine qui pourraient le plus bénéficier de l'IA ? Comment cette adoption contribuera-t-elle à réduire les inégalités en matière de santé ? Quels sont les pièges éthiques potentiels ? Et que peuvent faire les entreprises pour se préparer à ce changement ?
Approfondir :
- L'intelligence artificielle fait son entrée dans la recherche sur les cellules souches
- L'IA peut-elle transformer la médecine de précision ?
La transcription de l'épisode ci-dessous a été modifiée pour plus de clarté.
Natasha Allen
Bonjour à tous. Je m'appelle Natasha Allen, je suis associée au bureau de Foley dans la Silicon Valley et coprésidente du domaine d'intérêt consacré à l'IA au sein de notre secteur Technologies innovantes. Dans le podcast d'aujourd'hui, nous allons parler de l'IA dans le domaine des soins de santé.
Jeff Elton se joint à moi pour partager son expertise sur le sujet. Jeff est PDG de ConcertAI, une entreprise qui fournit des solutions de recherche et des solutions centrées sur les patients pour les sciences de la vie, les innovations et les principaux fournisseurs mondiaux. Avant de rejoindre ConcertAI, Jeff a occupé des postes de direction chez Accenture et Novartis Institutes of Biomedical Research Inc.
Jeff Elton
Merci beaucoup Natasha.
Natasha Allen
Merci de vous joindre à moi aujourd'hui. Allons droit au but. Comme dans de nombreux secteurs, la technologie de l'IA aura un impact considérable sur les soins de santé. Cependant, le secteur de la santé est confronté à certains défis en ce qui concerne la mise en œuvre de l'IA. Pensez-vous que l'adoption de l'IA dans le domaine des soins de santé est à la traîne ?
Jeff Elton
Il est difficile de dire s'il s'agit d'un retard, mais il s'agit certainement d'une avancée. Je vais d'abord aborder certaines des questions qui se posent au sujet de l'IA et des soins de santé. L'IA représente un modèle qui permet soit de prédire les caractéristiques d'un patient afin d'interpréter ses besoins, soit d'améliorer l'interprétation qu'un professionnel de santé peut faire. Elle a également la capacité de traiter de grandes quantités de données et d'informations.
En général, l'IA a été entraînée. Et c'est là que certaines préoccupations apparaissent. Cet entraînement s'appuie généralement sur des données rétrospectives, notamment des images, des données de pathologie numérique, des données radiologiques, des données issues de dossiers médicaux électroniques, etc. La question sous-jacente est de savoir si ces ensembles de données d'entraînement représentent réellement la population étudiée. La transparence est essentielle. Pouvez-vous avoir confiance dans la méthodologie d'entraînement ? Avez-vous choisi le bon type de groupe pour mener l'entraînement primaire ? Il existe un processus de conservation ou de préservation de certaines données pour effectuer une validation a posteriori, et vous souhaitez une certaine randomisation entre celles-ci lorsque vous commencez à le faire.
Et puis vient la stabilité. Les populations ne sont pas toujours les mêmes. Nous mettons en place des paradigmes de traitement et les résultats s'améliorent, de sorte qu'un modèle d'IA créé une fois pour toutes peut ne pas toujours continuer à afficher les mêmes performances.
Le domaine évolue et attire de plus en plus de personnes. Mais dans les domaines cliniques dans lesquels nous travaillons, on s'attend à ce que l'IA fasse partie intégrante de presque tous les aspects du système de santé. Il en résulte des quantités énormes de données et une grande complexité. L'IA peut vraiment aider les décideurs en mettant en place une base qui favorise la confiance, la transparence et l'équité dans les soins de santé.
Natasha Allen
Vous l'avez brièvement évoqué : quelles sont, selon vous, les questions éthiques qui y sont associées et les cadres réglementaires qui ont une incidence sur ces questions ?
Jeff Elton
Les questions éthiques concernent le fait de savoir si toutes les sous-populations se comportent comme vous le prévoyez. Une grande partie de la recherche biomédicale que nous menons a tendance à se dérouler dans des centres médicaux universitaires, qui se trouvent généralement dans des zones urbaines.
Les personnes qui se font soigner dans des centres médicaux universitaires ont généralement plus de moyens. Elles sont généralement en meilleure santé, même si elles ont besoin d'un traitement. C'est vrai même dans des domaines comme le traitement du cancer. Les patients sont généralement en meilleure santé et moins décompensés. Ils ne ressemblent pas nécessairement aux 80 % des patients qui reçoivent des soins dans la communauté ou dans un système de santé de détail. Je dis cela parce que c'est là que se concentrent généralement les innovations biomédicales. Une partie de la réflexion éthique consiste à aligner le modèle d'IA sur les données démographiques pertinentes, c'est-à-dire celles qui concernent les personnes réellement atteintes de ces maladies.
Natasha Allen
Comment l'IA peut-elle contribuer à réduire les inégalités en matière de santé ?
Jeff Elton
Je pense que l'IA est injustement accusée de partialité. Cela ne devrait pas être le cas. En réalité, de nombreux efforts sont déployés et de nombreuses personnes travaillent à l'utilisation de l'IA pour garantir l'équité dans les soins de santé. Prenons l'exemple du cancer de la prostate, qui touche de manière disproportionnée les hommes afro-américains. Lors de la conception d'un essai clinique, je dois m'assurer que les valeurs de laboratoire de l'essai, même là où celui-ci sera mené, permettent une participation substantielle des sous-cohortes. Pour les hommes afro-américains en particulier, l'objectif est que les résultats soient statistiquement valables pour cette sous-population ou ce sous-groupe. Les modèles et outils d'IA ainsi que la conception des essais cliniques permettent désormais d'atteindre cet objectif.
De la même manière, je peux avoir besoin d'identifier les sites cliniques qui ont la capacité d'obtenir une participation suffisante de patients présentant des caractéristiques diverses afin de remédier aux disparités et inégalités potentielles en matière de soins de santé. Là encore, les modèles d'IA contribuent grandement à cette démarche, jusqu'aux processus de travail des prestataires de soins de santé. Nous mettons actuellement en place des solutions d'identification des patients, en collaboration avec ces prestataires, afin d'identifier les patients et de nous assurer que toutes les personnes susceptibles de répondre aux critères d'éligibilité soient incluses dans l'étude, en particulier celles qui pourraient être touchées de manière disproportionnée. Dans ces cas particuliers, nous exploitons les modèles d'IA et les données pour surmonter les inégalités et les disparités historiques.
Natasha Allen
C'est incroyable. Selon vous, quels domaines de la médecine sont les mieux placés pour tirer parti de l'IA ?
Jeff Elton
Je vais diviser la réponse en plusieurs éléments. Où voyons-nous déjà des avantages se concrétiser ? Comment voyons-nous cela évoluer et changer ? Et où cela pourrait-il mener à moyen terme, puis à plus long terme ?
Du côté des prestataires, principalement dans le domaine de l'imagerie radiologique, les modèles d'IA pour l'interprétation des images ont beaucoup progressé. Cela vaut aussi bien pour l'imagerie en deux dimensions (rayons X) que pour l'imagerie avancée en trois dimensions (IRM). L'IA peut remplir de nombreuses fonctions différentes. Non seulement je dispose d'une image, mais je peux également effectuer un prétraitement de celle-ci. Je peux l'utiliser pour clarifier et nettoyer les caractéristiques de l'image, ce qui permet ensuite aux modèles d'IA de faire un travail plus efficace.
Pourquoi est-ce important ? L'une des raisons est que les radiologues se font de plus en plus rares. C'est une considération pratique. Le nombre de nouveaux radiologues qui entrent en exercice par rapport à ceux qui prennent leur retraite, par rapport à la demande pour cette profession, est en constante évolution.
Deuxièmement, les modèles d'IA ne se fatiguent pas. Ils peuvent aider à établir un diagnostic primaire afin de garantir que les caractéristiques soient présentées aux radiologues pour leur acceptation. Leurs résultats ne doivent pas non plus toujours être acceptés tels quels.
Les modèles d'IA peuvent également être utilisés pour des examens post-secondaires afin de s'assurer qu'aucun élément critique n'est omis ou ne soulève de signal d'alarme, dans le but d'améliorer la qualité globale des soins. À plus long terme, nous assisterons à une transition vers la pathologie numérique, car bon nombre des mêmes approches basées sur des modèles y seront applicables. Avec ces lames numériques issues de la pathologie anatomique sur différentes plateformes, vous commencerez à observer des convergences techniques autour de cela.
La prochaine étape de la convergence consiste à relier les dossiers médicaux électroniques et d'autres types de données aux données d'imagerie. Prenons l'exemple des dossiers médicaux électroniques. Je vais probablement avoir un patient atteint d'un cancer du poumon non à petites cellules. Je vais procéder à une interprétation des images et également intégrer certaines parties du dossier médical contenant des données moléculaires. L'intégration de ces deux éléments va encore améliorer la précision.
Ce que je fais actuellement ne se limite pas à l'interprétation des images, je commence en fait à sélectionner les traitements pour lesquels le patient pourrait être éligible dans le cadre d'essais cliniques. Je m'arrête là en précisant qu'il ne s'agit pas d'une aide à la décision clinique.
C'est en fait une caractéristique très importante, car l'IA va continuer à transformer les soins de santé. C'est comme une peinture pointilliste, dans le sens où vous allez obtenir de nombreuses solutions à très petite ouverture, réalisées avec une précision extrême. Ensemble, elles commencent à offrir toujours plus de fonctionnalités, en aidant les équipes cliniques concernées à prendre leurs décisions et en veillant à ce qu'elles ne passent à côté d'aucune caractéristique.
À terme, il y aura une interconnexion entre les types de données, puis entre les différentes disciplines. Il y aura alors une convergence dans l'architecture décisionnelle. En fait, les sources de données cliniques (les sources de données issues des dossiers médicaux électroniques) auront en réalité un peu moins d'utilité. Des couches de données plus intelligentes et plus sophistiquées pourront s'intégrer à travers plusieurs modalités de données. Ces modèles sont ce qui va commencer à améliorer les niveaux de qualité, les niveaux de productivité et la précision des prévisions, et favoriser de bien meilleurs résultats pour les patients.
Natasha Allen
C'est très bien. Parlons maintenant un peu de ConcertAI. Comment ConcertAI utilise-t-elle l'IA dans son entreprise ?
Jeff Elton
L'IA peut être envisagée à trois niveaux différents. Nous utilisons l'IA dans nos propres opérations. En tant qu'entreprise, nous travaillons avec des centaines de prestataires de soins de santé. Certaines de nos solutions cliniques sont déployées auprès de 1 400 prestataires en Europe, aux États-Unis et au Japon. Nous travaillons avec des centaines d'entre eux ici aux États-Unis sur différents aspects de cancers particuliers. Bien que nous ne nous limitions pas au cancer, nous accordons une très grande importance à ce domaine.
Nous utilisons l'IA et des modèles de traitement du langage naturel pour lire les parties structurées des dossiers. Il peut s'agir de documents PDF, de notes rédigées par des infirmières ou des médecins, etc. Grâce à l'IA, nous pouvons les analyser et transformer toutes les données inaccessibles et illisibles en un format lisible par machine afin de pouvoir les analyser.
Nous utilisons également des modèles d'IA pour interroger les données à des fins de contrôle qualité. Nous recherchons des valeurs qui ne peuvent pas être trouvées dans la nature. Par exemple, la température d'un être humain ne devrait pas être enregistrée à 131 degrés Fahrenheit, car cela serait impossible. Vous pouvez réellement commencer à utiliser cela pour le contrôle qualité. Dans nos opérations, l'IA et le traitement du langage naturel influencent la manière dont nous gérons et traitons les données.
Au-delà de ce niveau, nous commençons à développer des modèles et des solutions d'IA très spécifiques dans notre couche SaaS (Software as a Service). Nous disposons d'un ensemble de solutions analytiques. Il existe un concept appelé « statut métastatique » qui évalue où en sont les patients dans leur parcours avec le cancer. Dans les dossiers médicaux électroniques, cela se fait généralement au moment du diagnostic initial. Nous disposons de modèles d'IA capables de lire le dossier du patient et d'évaluer ce statut à tout moment. Le cancer du poumon non à petites cellules n'a pas de code CIM propre. Grâce à notre modèle, nous pouvons lire le dossier et déterminer s'il s'agit d'un cancer du poumon non à petites cellules ou à petites cellules. Il s'agit d'un processus prédictif assez complexe.
C'est donc là notre environnement analytique. Nous disposons d'outils de conception d'essais cliniques qui garantissent que les études cliniques peuvent être conçues de manière robuste, avec un minimum de contraintes et de biais. Comme nous l'avons vu, nous utilisons des solutions d'IA pour tout, depuis l'identification des patients éligibles au traitement jusqu'à notre solution TeraRecon, qui est une solution d'interprétation d'images radiologiques.
Nous sommes également en train de lancer une couche d'apprentissage automatique basée sur l'IA qui permettra également de déployer des solutions logicielles et des dispositifs médicaux. Il s'agira d'une architecture ouverte qui permettra aux prestataires et autres tiers d'intégrer leurs modèles et leur architecture.
Nous considérons que notre rôle consiste à rassembler d'énormes quantités de données de différents types et à les transmettre à différents décideurs, en les organisant de manière à améliorer leur efficacité et leur efficience dans des domaines où cela n'était pas possible auparavant. Grâce à notre partenariat étroit avec des innovateurs biomédicaux et des prestataires de soins de santé, nous sommes en quelque sorte nichés entre deux écosystèmes. Nous avons 150 modèles d'IA activement déployés en production.
Natasha Allen
C'est formidable. Une dernière question. Imaginons qu'une entreprise souhaite mettre en œuvre l'IA dans ses opérations. Auriez-vous des conseils ou des suggestions à lui donner ?
Jeff Elton
La gestion des données, c'est-à-dire la préparation des données et leur accessibilité au sein d'une entreprise, est l'un des principaux obstacles. Pour être honnête, si vous observez notre équipe de science des données, environ 70 % de son travail consiste à préparer les données avant de pouvoir réellement commencer à développer le modèle.
De nombreuses organisations qui envisagent d'adopter l'IA et commencent à intégrer l'intelligence dans leur entreprise vont se préoccuper de la collecte et de l'organisation des données. Historiquement, les applications des grandes entreprises verrouillaient les données dans des infrastructures fonctionnellement alignées. L'IA et l'apprentissage automatique, quant à eux, visent à exploiter l'intelligence qui orchestre les fonctions de manière non linéaire. La première étape consiste à surmonter l'architecture de données héritée à ce niveau fondamental.
La prochaine étape du processus concerne la gouvernance. Réfléchissez aux types de modèles que vous développez, à leur lieu de déploiement, à leur utilisation, aux workflows qui seront mis en place et à la manière de déterminer si les résultats sont valides ou non. Vous devez toujours veiller à ce que le processus décisionnel soit fluide et discret, depuis le développement et le déploiement du modèle jusqu'à sa mise en production et sa supervision.
La dernière partie consiste à anticiper et à permettre des flux de travail dynamiques, en faisant le lien entre l'intelligence et l'orchestration, à la recherche de nouvelles efficiences et de méthodes de travail plus intelligentes. Vous constaterez peut-être que les opérations traditionnelles, qui étaient beaucoup plus séquentielles, ne sont plus les mêmes. Notre opinion personnelle est que l'IA présente une valeur considérable. Nous le constatons dans notre propre organisation et dans ce que nous sommes en mesure d'apporter à notre clientèle.
Natasha Allen
C'est formidable. Merci beaucoup, j'apprécie que vous ayez pris le temps de nous expliquer comment l'IA est utilisée et peut être utilisée dans le domaine des soins de santé, ainsi que certains de ses avantages et certains aspects qui doivent être améliorés. Nous vous sommes très reconnaissants de nous avoir accordé votre temps. Merci à tous d'avoir été avec nous, à la prochaine fois.
Le podcast « Innovative Technology Insights » de Foley & Lardner se concentre sur les innovations diverses qui façonnent le paysage commercial, réglementaire et scientifique actuel. Avec des invités issus de domaines variés, allant de l'intelligence artificielle à la génomique, nos discussions examinent non seulement les implications juridiques de ces changements, mais aussi leur impact sur notre vie quotidienne.