L’état de la data science et de l’apprentissage automatique dans la santé
À mesure que le secteur de la santé se numérise et se transforme, il devient l’un des mieux placés pour tirer parti de la data science et de l’apprentissage automatique. Depuis 2015, les investissements en capital-risque dans les entreprises d’IA en santé ont été multipliés par 22 rien qu’en Europe (McKinsey).
La data science et l’apprentissage automatique transforment la santé sur de nombreux volets, de la prise en charge des patients à la pharmacie et au-delà. Mais pour déployer ces approches à grande échelle, il faut composer avec des enjeux majeurs : conformité, gouvernance et supervision des données, culture data, et disponibilité des compétences.
Les opportunités offertes par la data science et l’apprentissage automatique en santé
Aujourd’hui, le volume massif de données de santé et la diversité des cas d’usage à fort impact sur la santé publique créent un terrain très favorable. Selon Statista, l’industrie mondiale de la santé génère chaque année environ 2 314 exaoctets de données (1 exaoctet = 1 milliard de gigaoctets), soit une multiplication par 15 du volume depuis 2013.
Les bénéfices pour la société sont immenses en termes d’amélioration de l’état de santé des populations. Deloitte estime que les gains d’efficience liés à ces cas d’usage pourraient sauver entre 380 000 et 403 000 vies en Europe. La data science et l’apprentissage automatique peuvent s’intégrer tout au long du parcours patient, de la prévention et du dépistage précoce au diagnostic, au traitement et au suivi.
Par exemple, chacun peut s’appuyer sur des objets connectés et des applications personnalisées pour le dépistage et la prévention précoces, ou encore bénéficier de délais d’attente réduits grâce à l’analyse d’imagerie médicale fondée sur le deep learning. La recherche et développement se prépare aussi à des avancées majeures, de la découverte automatisée de médicaments aux progrès de DeepMind sur le repliement des protéines avec son algorithme AlphaFold.
Les acteurs de santé, tous segments confondus, peuvent également réaliser d’importantes économies et gains d’efficience. Par exemple, l’industrialisation de la data science et de l’apprentissage automatique pourrait permettre d’économiser entre 170,9 et 212,4 milliards d’euros par an pour les systèmes de santé européens (Deloitte). Les gains vont de l’amélioration des flux de chaîne d’approvisionnement pour les laboratoires pharmaceutiques, à l’optimisation des dépenses commerciales des assureurs via la prédiction de l’attrition client, jusqu’à des hausses de productivité grâce à l’automatisation des workflows dans de multiples services.
Cas d’usage de la data science et de l’apprentissage automatique en santé
Prise en charge des patients
Les cas d’usage permettent d’améliorer les résultats de santé pour les individus et d’automatiser des tâches administratives chronophages pour les professionnels.
Gestion des rendez-vous : grâce à l’apprentissage automatique et aux systèmes d’IA à règles, les établissements peuvent optimiser les parcours de soins et réduire les problèmes d’allocation des ressources via une gestion des rendez-vous automatisée.
Dépistage précoce et prévention : les applications de suivi de santé et les objets connectés exploitent le machine learning et l’analytique descriptive pour fournir des informations clés sur divers aspects de la santé d’un individu. Ces outils permettent à chacun de prendre des décisions éclairées et de détecter plus tôt d’éventuelles pathologies.
Orientation et priorisation des patients : avec des applications d’auto-évaluation des symptômes fondées sur le machine learning, les établissements peuvent trier et orienter les patients selon le besoin et l’urgence, réduisant drastiquement les temps d’attente et améliorant l’efficience des services.
Imagerie médicale et diagnostic : sans doute l’un des cas d’usage les plus importants (McKinsey), l’imagerie et le diagnostic assistés par IA promettent de vastes gains d’efficience et de meilleurs résultats de santé. Le deep learning permet d’automatiser des workflows et d’apporter plus rapidement de la valeur aux patients.
Processus et pilotage opérationnel
Comme dans tout secteur, les applications de la data science et du machine learning en santé couvrent de nombreux cas d’usage pour améliorer l’efficience opérationnelle et l’expérience client.
Automatisation des processus robotisés (RPA) : en combinant machine learning et IA à règles, les acteurs de santé peuvent fluidifier leurs workflows et numériser leurs processus.
Attrition client : les assureurs peuvent prédire quels clients risquent de résilier, afin d’améliorer la rétention et d’optimiser les dépenses marketing.
Chatbots : des hôpitaux aux compagnies d’assurance, les chatbots permettent d’offrir un meilleur service et de délivrer plus rapidement de la valeur aux usagers.
Business intelligence : la business intelligence associe analytique, préparation des données et visualisation pour aider les organisations à prendre des décisions plus solides, basées sur les données. En exploitant ces insights, les acteurs de santé gagnent en visibilité sur leurs opérations financières, automatisent le reporting de conformité, et bien plus encore (Villanova University).
Industrie pharmaceutique
Avec la découverte de molécules assistée par IA et une meilleure gestion de la chaîne d’approvisionnement, les laboratoires pharmaceutiques peuvent mobiliser la data science et le machine learning pour créer plus de valeur pour les patients.
Découverte de médicaments : selon l’AI Index Report 2021, les startups de découverte de médicaments pilotée par l’IA ont reçu les investissements privés en IA les plus importants, tous secteurs confondus. Les promesses de la découverte fondée sur le ML commencent à se concrétiser et pourraient générer des gains majeurs pour la santé des populations.
Planification de la chaîne d’approvisionnement : la data science et le machine learning permettent de réduire les délais de production, de raccourcir les temps d’attente pour la livraison de vaccins et d’optimiser les dépenses de supply chain des entreprises pharmaceutiques.
Excellence en prévision : grâce à des outils de prévision, des plus simples aux plus avancés, les laboratoires peuvent exploiter les données de santé des populations pour anticiper l’offre et la demande de certains traitements, et optimiser leurs processus pour la finance, le marketing, les ventes, etc.
Amélioration des essais cliniques : la data science et les objets connectés permettent de réduire les risques pour les patients en surveillant et signalant automatiquement tout effet indésirable pendant les essais. En outre, des applications fondées sur le machine learning accélèrent les essais en évaluant l’éligibilité des patients, le pré‑dépistage et la randomisation.
Défis et risques liés à l’industrialisation de la data science et du machine learning en santé
Qualité des données et infrastructure
Un défi majeur pour toute organisation qui souhaite industrialiser et faire évoluer la data science et le machine learning consiste à mettre en place une infrastructure de données moderne, sécurisée, centralisée et facilement exploitable (DataCamp). Cet enjeu est particulièrement aigu dans la santé, où la numérisation des données est encore en cours, et où la constitution de grands jeux de données est freinée par le manque d’interopérabilité et des référentiels de qualité hétérogènes entre acteurs (McKinsey).
Conformité et gouvernance
Les organisations de santé collectent des données particulièrement sensibles et à forte valeur. La gouvernance et la conformité sont donc au cœur de l’industrialisation de la data science et du machine learning dans ce secteur (Collibra). Si les réglementations diffèrent selon les régions (McKinsey), la santé reste l’un des environnements réglementaires les plus complexes. Aux États‑Unis, par exemple, le Health Insurance Portability and Accountability Act (HIPAA) fixe des normes nationales pour la protection et la gestion des données de santé des patients.
Ces réglementations spécifiques à la santé ne sont qu’une partie du paysage. Les lois de protection des données comme le Règlement général sur la protection des données (RGPD) dans l’Union européenne et le California Consumer Privacy Act (CCPA) complexifient encore la création et le rapprochement de jeux de données hétérogènes pour les applications de data science et de machine learning. Il est donc essentiel de mettre en place une gouvernance des données et une conformité solides pour industrialiser ces approches.
Compétences
Disposer d’une infrastructure adaptée et s’accorder sur les cadres réglementaires est indispensable. Mais la plus grande menace pour l’adoption de ces technologies en santé reste le déficit de compétences data. D’après une étude de Qlik, la santé est le secteur le moins bien classé en matière de culture des données. Le manque de compétences freine l’usage de la data science et du machine learning dans les différents métiers et limite la capacité des organisations à fédérer autour des initiatives data.
Par exemple, les soignants de première ligne doivent disposer d’une culture de l’IA de base pour comprendre et interagir avec des systèmes et applications fondés sur le machine learning (McKinsey). Les managers et dirigeants des laboratoires pharmaceutiques ou des compagnies d’assurance doivent connaître le champ des possibles de la data science et du machine learning afin de porter les initiatives data et de contribuer à une culture plus data‑driven (DataCamp).
Se contenter de recruter des spécialistes data ne suffit pas. Les talents qui comprennent la complexité du secteur de la santé sont rares, tout comme les experts en data science de manière générale (Forbes).
Le manque de culture des données est notre principal adversaire. À mesure que le monde devient plus dépendant des données, le défi s’amplifie. Tout le monde doit en maîtriser les bases, et nous devons les transmettre de manière intuitive et engageante
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Comment la formation data répond aux défis du secteur de la santé
Combler le déficit de compétences est un préalable à l’industrialisation de la data science et du machine learning en santé. Selon le Forum économique mondial, la formation numérique et data dans la santé et la pharmacie pourrait augmenter le PIB mondial de plus de 400 milliards de dollars d’ici 2030. Instaurer une culture d’apprentissage continu est indispensable pour former la prochaine génération de leaders en santé (McKinsey), capables d’allier sciences des données et sciences biomédicales pour déployer et valoriser ces approches à grande échelle.