Imaginons qu’une rougeur sur votre peau vous conduise chez le dermatologue. Le médecin, qui vous connaît bien, ne s’étonne pas de vous revoir à cette période de l’année et vous prescrit le médicament usuel. Mais supposons que cela vous arrive pour la première fois, ou que la molécule habituelle ne suffise pas à vous soulager. Avec le professeur Gilliet, chef du Service de dermatologie du CHUV, Raphaël Gottardo a récemment publié un article qui montre qu’en cartographiant les gènes contenus dans les cellules issues d’un petit échantillon de la peau pour déterminer « leur signature moléculaire », puis en intégrant ces informations cliniques et moléculaires avec celles d’autres patients dans une base de données, on permet à des algorithmes de plus en plus performants de comparer, d’affiner le diagnostic et de proposer l’exacte réponse thérapeutique en fonction de données très complexes jusqu’ici peu accessibles.

Les caractéristiques moléculaires font partie des « grands jeux de données » qu’on peut générer aujourd’hui sur les patients, et qui permettent d’entraîner les modèles d’apprentissage utilisés en médecine dans le domaine des maladies infectieuses, du cancer, de la cardiologie et potentiellement dans tous les autres départements et services du CHUV. Raphaël Gottardo est arrivé dans le but de construire un véritable centre de recherche sur les données biomédicales, basé au sein même d’un grand hôpital, avec un accès direct aux informations récoltées sur les patients et à l’expertise médicale, comme dans l’exemple dermatologique ci-dessus. 

Vers un ChatGPT médical

« Beaucoup de diagnostics du cancer se basent sur l’analyse d’images ; en fonction de la morphologie des cellules, le pathologiste dira si elles sont cancéreuses. Grâce à l’apprentissage, l’IA va lier ces images à l’étiquette « cancer » ou non posée par des professionnels. Ça peut faire économiser du temps au pathologiste et même pousser les diagnostics un petit peu plus loin, c’est-à-dire qu’on va pouvoir déterminer si la tumeur est agressive ou non, ou si un traitement différent serait nécessaire », esquisse le professeur Gottardo.

Un projet est actuellement en cours autour de Meditron, mené par Jean Louis Raisaro (CHUV) et Annie Hartley (EPFL). « Il porte sur le développement d’un nouveau modèle de langage open source à l’EPFL, spécifiquement adapté au domaine médical et amélioré grâce au feedback de nos cliniciens et cliniciennes, avec pour objectif de soutenir la prise de décision clinique. Si vous voulez, c’est un ChatGPT médical, qui sera testé et adapté au contexte CHUV, pour voir comment on peut mettre en place une telle technologie à l’échelle d’un hôpital avec tous les cliniciens intéressés », poursuit le data-spécialiste. Ce grand modèle est entraîné sur une énorme quantité de données cliniques en vue de répondre à des questions de toutes sortes, relatives à la situation clinique du patient, ou générant automatiquement des lettres de sortie, à vérifier certes, mais avec un énorme gain de temps.

L’intelligence artificielle en médecine combine ainsi trois aspects : l’analyse d’une masse énorme de données cliniques mises en relation et interprétées directement au bénéfice du patient, au niveau du diagnostic comme du ciblage thérapeutique ; l’exploitation des données translationnelles davantage au service de la recherche fondamentale ; ainsi que l’aspect administratif, voire opérationnel, via des modèles d’IA permettant de prédire le temps passé à l’hôpital pour chaque patient dès son arrivée et de mieux gérer la disponibilité des lits ainsi que le codage des traitements pour les facturer aux assurances.

Balancer régulation et innovation

Une dernière remarque : le Centre de la science des données biomédicales est pionnier en Suisse. « Il y a trois ans, j’étais seul. Aujourd’hui nous sommes entre 50 et 60 personnes et tout le monde veut travailler avec nous car il y a une vraie prise de conscience du potentiel de l’IA pour une médecine de précision. Aux États-Unis, ce domaine avance à grands pas sur les plans financier et technologique. La tendance en Europe reste d’accorder une importance excessive à la protection des données biomédicales et aux régulations qui y sont liées, ce qui freine les avancées médicales et, à long terme, se fait au détriment du patient. Il est déjà difficile d’avoir accès aux données, et naviguer dans les réglementations liées à l’IA représente également un défi – même lorsqu’un modèle, par exemple de prédiction de la septicémie ou de réponse thérapeutique en oncologie, a été testé et validé en interne. Donc je pense qu’il faut balancer régulation et innovation, tout en garantissant la protection des données patients », conclut le professeur Gottardo. – NR

.