MÉDECINE et IA : Pourquoi les médecins doivent se former aux probas

L’IA indispensable à la médecine moderne, durable, et factuelle

L’intérêt même de ces algorithmes est de pouvoir apporter des prédictions dans des conditions d'incertitude clinique. Ce défi technologique implique l’utilisation de calculateurs de risque, de modèles de régression, de systèmes d'apprentissage automatique et d'intelligence artificielle. Ces outils sont précieux dans un très large spectre de situations cliniques, par exemple pour prédire quels sont les patients les plus à risque d’infection, de septicémie ou encore quel traitement sera le plus efficace en cas de maladie chronique et compte-tenu des antécédents du patients…

« Ces nouvelles technologies ont le potentiel d'avoir un impact très significatif sur les soins mais aussi les résultats des patients, mais à condition que les médecins apprennent et comprennent comment les machines pensent et fonctionnent avant de les utiliser dans leur pratique médicale », écrit l’un des auteurs, le Dr Daniel Morgan, professeur d'épidémiologie et de santé publique à l’UMSOM.

Si certains outils d'aide à la décision clinique sont déjà intégrés aux systèmes de gestion des dossiers patients électroniques, les professionnels de santé trouvent leur usage actuel lourd et complexe.

« Les médecins ne devraient pas avoir besoin d’une expertise en mathématiques ou en informatique, mais avoir une première compréhension de ce qu’est un algorithme en termes d'ajustement de probabilité et de risque, cependant ces connaissances ne font pas partie de leur formation », relèvent les auteurs.

Adapter l'enseignement et la formation médicale continue en y intégrant des notions indispensables sur les algorithmes et les probas est donc devenu une priorité. Dès le début de leurs études, les étudiants doivent apprendre les aspects fondamentaux des probabilités et de l’aléa. Cette formation devrait inclure l'interprétation des mesures de performance telles que la sensibilité et la spécificité pour mieux comprendre les performances des tests et des algorithmes.

Incorporer l’algorithme dans la prise de décision de routine : si l’avis du médecin reste complémentaire, ceux-ci doivent apprendre à évaluer de manière critique et à utiliser avec finesse les prédictions de ces outils dans leur prise de décision clinique. Cette formation implique de comprendre le contexte dans lequel les algorithmes fonctionnent, de connaître leurs limites (cas particuliers) soit de prendre en compte les facteurs pertinents du patient que les algorithmes ont pu manquer. L’apprentissage lors des études de médecine devrait égamement passer par la pratique de ces outils dans des situations cliniques spécifiques, et auprès de patients individuels. Enfin, les médecins devraient aussi apprendre à communiquer avec les patients au sujet de ces outils et de leurs prédictions.

Cette équipe de l’Université du Maryland travaille depuis des années sur les avancées récentes de l'intelligence artificielle, de la médecine de réseau et d'autres méthodes informatiques permettant d’évoluer vers un système de soins de santé efficient et durable. Ces techniques sont basées à la fois sur de grands volumes de données de santé médicales numérisées anonymisées et sécurisées qui permettent d'améliorer le diagnostic, la prévention et le traitement des maladies et sur les données spécifiques d’un patient en particulier, qui permettent une médecine mieux personnalisée.

​« L'analyse des probabilités et des risques est essentielle à la pratique de la médecine actuelle et factuelle. Par conséquent, l'amélioration des compétences des médecins en probabilités peut offrir des avantages bien au-delà de l'utilisation même de ces algorithmes. Nous entrons dans une ère de transformation de la médecine où les systèmes d'apprentissage automatique vont permettre des soins plus durables car mieux fondés sur la preuve et mieux personnalisés pour chaque patient ».