Connaître les applications possibles des méthodes de traitements algorithmiques de données de santé (par ex, big data, intelligence artificielle/apprentissage automatique) en santé sur le plan individuel et collectif OIC-018-07-B
De LiSA
Connaître les applications possibles des méthodes de traitements algorithmiques de données de santé (par ex, big data, intelligence artificielle/apprentissage automatique) en santé sur le plan individuel et collectif OIC-018-07-B
Version Novembre 2024
1 Objectif des traitements de données massives
1.1 Définitions et caractéristiques des données massives
Définition
Données massives (=Big Data) : Données hétérogènes/complexes, provenant de différentes sources, dans des volumes de plus en plus importants et/ou avec une vitesse de production plus élevée, que ce que les logiciels traditionnels de traitement des données peuvent traiter.
Les 4 V des données massives :
- Volume : la quantité de données
- Variété : données structurées, non structurées (texte, images), semi-structurées, sources hétérogènes
- Vélocité : vitesse de génération de nouveaux points de données
- Véracité : données de qualité variable (disponibilité, exhaustivité, fiabilité, pertinence)
Challenges en amont de l’analyse :
- Aspects réglementaires : protection des données
- Recueil de données : difficultés techniques (gestion de sources multiples), connaissance du contexte de production des données (représentativité, finalité initiale en cas de réutilisation)
- Préparation des données : contrôle de la qualité des données, interopérabilité, gestion des données manquantes
1.2 Objectifs des traitements de données massives en santé
On peut distinguer 4 grands types d’analyse correspondant aux objectifs suivants :
Décrire / Expliquer (Diagnostiquer) / Prédire / Agir (Prescrire)
2 Exemples d’applications en santé
| Cas d'usage en santé | Exemples | ||
| décrire | au niveau individuel | Aide au suivi d'un patient | Visualisation de la taille tumorale depuis le début de la prise en charge d’un patient jusqu’au jour de la consultation |
| au niveau collectif | Surveillance sanitaire /
Vigilances (pharmacovigilance, etc.) |
Suivi du nombre de patients incidents porteurs de SARS-Cov2, de patients hospitalisés pour COVID-19, de patients admis en réanimation pour COVID-19 par semaine | |
| diagnostiquer | au niveau individuel | Aide au diagnostic | Interprétation assistée par un outil d’IA pour la détection de lésion suspecte dans le cadre du dépistage organisé du cancer du sein |
| au niveau collectif | Caractérisation des maladies rares | Calcul de similarité entre patients présentant des symptômes proches afin de mieux définir des groupes de pathologies | |
| prédire | au niveau individuel | Stratification du risque /
Prédiction d'évènements |
Construction d’un score prédictif de ré-hospitalisation suite à une première hospitalisation pour MICI |
| au niveau collectif | Aide à l'organisation des soins | Construction d’un outil de prédiction et de gestion des flux de patients hospitalisés dans un établissement | |
| prescrire | au niveau individuel | Assistance et télémédecine / Aide à la décision | Mise en place d’un système d’alerte pour une équipe de soins d’un patient porteur d’un dispositif de suivi à domicile |
| au niveau collectif | Développement de médicaments | Identification de molécules candidates avec ces propriétés pharmacologiques spécifiques pour être testées en pré-clinique |
3 Méthodes
3.1 Définition de l’Intelligence artificielle (IA) en santé
Utilisation d'algorithmes et de logiciels capables d'analyser des données médicales complexes pour tirer des conclusions médicales sans intervention humaine directe
3.2 Types d’IA
- IA forte : conscience de soi, raisonnement complexe
- IA faible : tâche spécifique
- IA symbolique : représentation des connaissance, formalisation, règles expertes
- IA numérique : apprentissage automatique/statistique
- IA discriminative / prédictive : classification, prédiction (fondée sur l’obtention de probabilité conditionnelle)
- IA générative : génération de nouvelles données (obtenues par le calcul de probabilité conjointe)
3.3 Types d’apprentissage
