Un nouveau paradigme pour la médecine
La durée de vie a progressé dans les pays développés et en développement depuis la fin du 19ème siècle et de façon significative depuis 2001. Le progrès majeur concerne la réduction de la mortalité infantile.
Depuis l’invention des antibiotiques, le développement des vaccins qui ont limité le nombre de morts par infection: la médecine s’est recentrée sur le soin des maladies chroniques et sur la prévention. Les maladies chroniques les plus soignées chez les + de 65 ans sont l’arthrose, l’hypertension, les problèmes de surdité et les maladies cardiaques.
Le rallongement de la vie ne doit pas être synonyme d’augmentation du handicap et de baisse de la qualité de vie. Les médecins ont identifiés des activités nécessaires au maintient de la qualité de vie. La médecine a désormais deux objectifs soigner et maintenir les gens en bonne santé.
Soigner grâce au Machine Learning
Soigner est un processus continu et itératif constitué de trois étapes : Diagnostic, Pronostic, Soins. Le Machine Learning peut intervenir dans ces trois étapes de soin.
- Diagnostic : Qu’est ce qui ne va pas chez moi ?
- Pronostic : Qu’est-ce qu’il va m’arriver si je ne me soigne pas ?
- Soins : Qu’est-ce que je fais pour me soigner ? Quels médicaments me sont prescrits? Il est nécessaire pour le médecin de continuellement réinterpréter les résultats des soins sur ses patients.
Maintenir les gens en bonne santé
Pour maintenir les gens en bonne santé, trois actions sont menées : suivre la prévalence des maladies, comprendre les modes de contamination des virus, mettre en quarantaine. Chacune de ces actions peut bénéficier de l’analyse des données et du Machine Learning.
- Suivre la prévalence des maladies : suivre le nombre de cas d’une maladie dans une population à un moment donné, englobant aussi bien les cas nouveaux que les cas anciens. L’organisation mondiale de la santé est désormais en charge de l’ICD-10 et de l’ICD-11: une liste de codes de classification médicale pour les diagnostics et procédures.
- Comprendre les infections et les virus via leur mode de contamination. Dans le cadre de l’épidémie de Covid-19, l’analyse des données a permis de comprendre très rapidement les facteurs de transmission.
“ Du 14 janvier au 12 février 2020, le Centre de contrôle et de prévention des maladies de Shenzhen a identifié 391 cas de SRAS-CoV-2 et 1286 contacts étroits. Nous avons estimé les paramètres de transmission de la maladie et analysé les facteurs influençant le risque de transmission.”
- La mise en quarantaine des populations est une solution pour limiter la transmission des maladies contagieuses. Elle a été pratiquée avant le Coronavirus pour lutter contre la fièvre jaune, le choléra, la diphtérie, la tuberculose, la peste, la variole, Ebola, le Sida. Pendant la crise du COVID-19, pour décider de la mise en quarantaine, certains pays comme la Chine ont mis à disposition des applications reposant sur l’Intelligence Artificielle.
Investissements technologiques et humains nécessaires
Il y a de nouveaux besoins en collecte de données qui émergent en même temps que de nouvelles disciplines de soins. Le quantified self, la génétique, la métagénomique sont des disciplines en plein essor qui nécessitent de repenser l’exercice de la médecine et la formation des soignants.
- Nécessité de mettre en place des architecture Big Data et d’investir dans l’IT pour collecter les données socio-démographiques, quantified self et les mettre en relation avec les données médicales des patients. Aux USA: 1 à 2% des dépenses de santé sont allouées à l’IT versus 6 à 7% dans les autres secteurs d’activité et 10 à 12% dans le domaine bancaire.
- Nécessité d’exploiter les données générée par l’expansion de nouvelles disciplines de soins: la génétique, la métagénomique. Avec l’essor des nouvelles technologies, la science biomédicale s’est transformée en une science numérisée génératrice de données.
- Nécessité de mettre en place des politiques de formation et d’incitation auprès des personnels soignants, des chercheurs aux infirmières, pour les inciter à utiliser les données et le Machine Learning.
Explosion des coûts de santé
Le vieillissement de la population avec une qualité de vie garantie, l’émergence d’une médecine personnalisée qui repose sur le Big Data et le machine learning, les nouveaux traitements innovants rendus possibles par l’essor d’une médecine de précision : ce nouveau paradigme de la médecine a un coût très élevé.
Pour financer ces innovations, les attentes croissantes des patients, ne pas exclure les plus pauvres des soins : les dépenses de santé se sont envolées surtout dans les pays développés. Ces dépenses n’ont pas toujours l’effet escompté. Les USA qui est le pays de l’OCDE dont le % du GDP investi dans la santé est le plus élevé a une espérance de vie inférieure à des pays qui dépensent beaucoup moins.
Beaucoup de dépenses inutiles, de gaspillages, d’excès de médication ou d’erreur de prescription sont à l’origine de l’explosion des coûts. Le Machine Learning et les données ont un rôle à jouer pour augmenter la productivité et l’efficacité des systèmes de santé partout dans le monde.
Cet article a été rédigé à partir de ces ressources…
