Le Big data appliqué aux données de la santé et de la médecine

juin 19, 2018
Jean-Yves LIGNIER

Le Big data appliqué aux données de la santé et de la médecine

Dîner/débat Mardi 12 juin 2018

Le 12 juin 2018, le CLUB MOA a donné la parole au Dr Adnan EL BAKRI.

Il est chirurgien-urologue. Il a fait ses études de médecine générale à Marseille et sa spécialité à l’hôpital de Reims. En 2015 il intègre une équipe du CNRS qui travaille sur le Big data et l’intelligence artificielle appliqués au cancer. Ses travaux et ses réflexions l’amènent à créer une start-up : InnovSanté, il y a deux ans

1 Prédiction de la récidive d’un cancer du rein.

Le sujet de ses travaux était : comment prédire l’évolution du cancer. Plus précisément, à partir du moment où on diagnostique un cancer du rein chez un patient, comment prédire si le cancer va évoluer ou non vers des métastases. Dans les standards internationaux on suit le malade pendant 5 ans, et si aucune récidive n’est observée durant cette période, le malade est considéré comme guéri. Ceci étant, on voit des patients qui présentent une réapparition du cancer après 7 ans, 10 ans, voire quinze ans. La médecine prédictive présente donc un réel intérêt pour tenter de déterminer ces cas de récidive au-delà des cinq ans.

1.1 Etape 1 – Constitution de la base de données : Le Big Data

Or, pour mettre en œuvre un système prédictif il est nécessaire de disposer d’un vrai système Big Data pour exploiter un grand nombre d’informations, sur une base de données collaborative sur laquelle on peut faire de la recherche. Au départ des travaux du Dr ELBAKRI cette base de données n’existait pas.

NOTE : En termes de volume, à partir de un million de données, les statistiques deviennent significatives et les systèmes d’intelligence artificielle (IA) produisent des résultats

L’équipe du Dr ELBAKRI a élaboré un modèle en étudiant une cohorte de 100 patients. A partir de chaque cas opéré, l’équipe a produit plusieurs milliers de données en utilisant la technologie de micro-spectroscopie infrarouge. La lumière est envoyée sur le rein malade. Elle produit un spectre d’analyse qui produit plusieurs centaines d’informations. Cela a produit 4 000 000 de données qui ont été introduites dans la base de données. Ce Big Data est en somme le carburant de l’IA.

Le Big Data peut se définir par 4 « V » : Volume Vélocité Variabilité Véracité

1.2 Etape 2 : le « Machine Learning » Contextualisation des données

Le système a été entrainé pour interpréter les informations. Par exemple : Cette zone correspond à une zone saine, cette autre zone présente telle caractéristique, etc...

1.3 Etape 3 : le Data Mining

On pose des questions à l’ordinateur et la réponse est évaluée en fonction de l’étape 2. Plus précisément, en fonction de toutes les données entrées dans la base, est-ce que le système IA développé va être capable de prédire si il y aura récidive ou pas. La mise en œuvre du système se fait en deux étapes. Une étape non supervisée. On pose des questions au système IA et on étudie la réponse. Puis vient l’étape supervisée. On pose des questions à l’ordinateur et on valide ou non ses réponses. L’algorithme est donc amélioré au fur et à mesure du processus.

A partir de ce moment ont entre dans un processus de « Deep Learning » (apprentissage profond) qui met en œuvre des réseaux neuronaux artificiels. Il s’agit d’un algorithme qui s’auto-perfectionne au fur et à mesure de son utilisation.
C’est donc le deep learning qui aboutira, peut-être un jour, à l’automatisation du diagnostic et du pronostic. Le Dr ELBAKRI précise qu’actuellement nous sommes très loin de ce stade. On peut en conclure que la médecine des 5P n’est pas pour demain.

2 La médecine 5P

La médecine 5 P comprend les 5 éléments suivants : Préventive, Prédictive, Personnalisée, Participative, Précise

Le Dr ELBAKRI précise la notion de « Prévention », et de « Précision ».

La prévention indiquée ci-avant n’est pas celle du monde politique : ce n’est pas ajouter une consultation de prévention, faire de la publicité pour arrêter de fumer, c’est une prévention de nature scientifique, basée sur des informations, un parcours de soins et une épidémiologie ciblée. On ne peut pas, actuellement, réaliser cette prévention car on n’a pas ce parcours de santé connecté qui permet de suivre le patient.

La précision interviendra lorsque l’on pourra coupler ces informations (parcours de santé) avec les données génomiques.

2.1 Le concept d’Empowerment

Ce terme, assez intraduisible en français car polysémique, véhicule l’idée d’autonomisation de la personne. En l’occurrence, c’est donner au citoyen la capacité de gérer son parcours de santé, ses données, accéder à l’information. On parle souvent du patient acteur de sa santé, mais dans les faits, c’est assez compliqué dans la mesure où les outils n’existent pas.

2.2 Notion de Patients experts

Ce sont des patients qui ont été malades pendant une très longue période et qui ont la capacité à enseigner leur pathologie mieux que les professionnels.

2.3 Notion de e-patient

Ce sont les patients qui viennent consulter et qui ont fait un diagnostic : patient Google, patient Doctissimo. Le rôle du médecin est alors de contrôler ce diagnostic et d’argumenter en cas de mauvaise analyse et surtout convaincre le patient de son erreur. Cette notion de e-patient devient de plus en plus fréquente.

Pour mettre le patient au centre de ce parcours de santé il va falloir convaincre l’ensemble des professions médicales. Pouvoir réellement suivre un patient sur le terrain (épidémiologie ciblée) génèrera des économies importantes.

Aujourd’hui la technologie permet de mettre en œuvre un vrai suivi du parcours de santé des patients. Il faut pour cela des investissements et une vraie volonté politique, c’est-à- dire entrer en conflit avec certains lobbyings existants qui trouvent dans la situation actuelle pouvoir et bénéfices.

2.4 La BlockChain(1)

La technologie de la blockchain permet de décentraliser et de distribuer l’information. Elle permet de sortir des silos d’informations.

C’est un outil qui permet de suivre le parcours de soin du patient.

2.5 Les essais cliniques

80% des essais cliniques décrits dans les publications, ne sont pas reproductibles.

On estime que 50% des essais cliniques ne sont pas signalés. Par conséquent, les chercheurs ne parviennent pas souvent à partager leurs résultats d’étude (par exemple, près de 90% des essais sur ClinicalTrials.gov manquent de résultats).

Ceci crée des problèmes de sécurité pour les patients et des lacunes en termes de connaissances pour les intervenants médicaux, paramédicaux et les décideurs en matière de santé. Notamment les questions liées à l’anonymisation des informations, ne sont pas réglées aujourd’hui. Actuellement on anonymise à l’extérieur du système et ensuite on injecte les données dans la blockchain, ce qui n’est pas très satisfaisant.

La blockchain représente un véritable enjeu, tant pour fiabiliser les informations disponibles, que pour les économies potentielles qu’elle pourrait générer.

3 La réalité actuelle

On travaille aujourd’hui dans les hôpitaux avec des archives, des papiers, le DMP(2).

Le DMP créé en 2004 a d’abord été géré par le ministère de la santé (ASIP), puis basculé vers la sécurité sociale. La cour des comptes a épinglé la sécurité sociale pour le coût exorbitant de ce DMP. Il ne fonctionne pas au niveau du pays. Depuis décembre 2016, le nouveau déploiement du DMP se fait sur 9 départements pilotes : Bas-Rhin, Bayonne (Pyrénées-Atlantiques), Côtes-d'Armor, Doubs, Haute-Garonne, Indre-et-Loire, Puy-de- Dôme, Somme et Val-de-Marne. Ces départements ont été sélectionnés pour constituer un échantillon représentatif du territoire

Le Dr ELBAKRI indique, que selon lui, le DMP n’est qu’un entrepôt de données de santé, c’est-à-dire un silo d’informations supplémentaire qui permet de partager l’information, mais dont l’alimentation en informations dépendra de la volonté des professionnels et des patients, ces informations restant non structurées. Le DMP n’est pas pensé comme un projet Big Data.

La gestion en hôpital reste « archaïque » (pas de connexion avec la ville, avec les pharmaciens...) La France a un excellent système de soins, mais pas de système de santé.

(1) Voir l’exposé au CLUB MOA d’Emmanuel VAUR du 3 octobre 2016)

(2) DMP Dossier Médical Personnel puis Dossier Médical Partagé

Des évolutions ont eu lieu : Loi LMSS article 193(3)

La création du SNDS (Système National des Données de Santé) https://www.snds.gouv.fr/SNDS/Qu-est-ce-que-le-SNDS

(3) https://www.legifrance.gouv.fr/affichTexte.do;jsessionid=3E871CB6AC83615C3885CBEF769CEA27.tplgfr38s_2?cidTexte=JORFTEXT000031912641&dateTexte=29990101

4 Réflexions au niveau d’une Start-up

Le patient est la clef du système car c’est lui, l’électron libre, qui se déplace entre tous les intervenants. Il faut donc lui donner la technologie pour qu’il puisse se connecter au système, à l’intervenant qui est en face de lui, récupérer ses données. Il va ainsi véhiculer un flux unique de data et avoir un vrai parcours connecté.

Adnan ELBAKRI a créé sa propre start-up : Innovsanté il y a deux ans afin de mettre en pratique l’ensemble de ses réflexions
On ne peut pas aborder ce sujet sans aborder celui de l’identité numérique des personnes. La start-up a créer une empreinte digitale santé avec un modèle de cryptographie asymétrique qui permet d’associer une identité numérique à une clef publique.

L’ensemble se concrétise par une carte remise à la personne (Carte Passcare)

La clef privée est gérée automatiquement à chaque connexion, elle est éphémère.

La blockchain d’Innovsanté est la première blockchain-santé, privée opérationnelle en France.

La Blockchain santé privée hybride en consortium d’InnovHealth®, appelée ChainForHealth®, est un registre universel partagé ultra sécurisé qui permet gratuitement à toute structure de soins ou professionnel de santé dans le monde de chercher l’empreinte d’un patient pour pouvoir accéder à son historique de données de santé.

Chaque structure et chaque professionnel authentifiés sur cette blockchain distribuée pourra ainsi partager et faciliter l’accès à son propre système informatique en toute confidentialité, toujours avec le consentement du patient.

Le modèle a été testé sur 3000 patients sur la ville de Reims avec succès. L’entreprise diffuse son modèle en Afrique de l’ouest et au Liban, le pays natal du Dr ELBAKRI.

4.1 Le modèle économique.

On constate que 75% des start-up œuvrant dans le domaine de l’e-santé arrêtent leur projet au bout de deux ans. Soit parce que le modèle économique n’a pas été vraiment envisagé, soit parce que le produit n’est pas adapté au marché.

On ne peut pas adopter le modèle des plateformes
à l’e-santé.

Le modèle bifaces : Il y a deux parties économiquement interdépendantes. C’est le modèle des grands acteurs : Twitter, Instagram,
etc...

Ce point a été théorisé pat Jean TIROLE(4)

Dans la problématique de l’e-santé il faut que les deux parties soient interdépendantes, mais économiquement indépendantes.

(4) Jean TIROLE, Prix Nobel d’économie 2017

Le modèle présente ainsi deux entrées : une pour les professionnels et une pour les patients.

La solution est de mettre en place un Cloud-Santé, une vraie décentralisation au sein du Web. Les mots clefs sont l’interopérabilité et la portabilité des données. On sort ainsi des applications en silos.

...

L'intégralité du compte-rendu est réservée aux membres du Club.

Print Friendly, PDF & Email

No comments

You must be logged in to post a comment.