Abstract :
[fr] Le big data et l’IA se nourrissent mutuellement dans un cercle vertueux. Leur application en oncologie devient tout simplement incontournable. L’irruption est massive dans tous les domaines, en particulier en imagerie pour le diagnostic, la classification, la détection, la segmentation, la caractérisation et le monitoring automatisé.
Il y a indéniablement un potentiel énorme en matière de prédiction (de la tolérance au traitement, de la réponse, de la survie et de la rechute). Si, en plus, nous faisons l’effort de structurer et de standardiser les données médicales dans nos dossiers, et les rendons interopérables, nous contribuerons de façon efficace à l’élaboration d’algorithmes qui nous aideront dans la prise de décision thérapeutique personnalisée. Il ne s’agit pas là d’un défi technologique, mais d’un défi culturel. La digitalisation à marche forcée et ubiquitaire permet un changement du lieu des soins – le domicile – plébiscité par les patients eux-mêmes. De nouveaux concepts apparaissent, comme les traitements digitaux et la gamification, dont l’utilité est analysée en particulier dans le domaine de l’accompagnement et du changement des habitudes de vie.
La recherche se doit d’être optimisée parce qu’elle coûte très cher. Il est inconcevable aujourd’hui de l’aborder sans l’aide de l’IA, que ce soit pour le développement de substances thérapeutiques ou la réassignation de substances déjà largement utilisées au niveau clinique à d’autres fins, pour l’optimisation de la sélection et du recrutement des patients pour des essais cliniques (dont le dessin même va devoir être adapté rapidement), pour l’individualisation des différentes stratégies thérapeutiques et pour l’utilisation d’avatars afin de conduire de multiples essais in silico.
Un virage vers une approche réellement individualisée nécessitera d’aller largement au-delà de la cascade « omics ». Il faudra s’intéresser de près aux déterminants socio-économiques et environnementaux. Combiner plusieurs sources de données aussi multiples, variées et dynamiques dans le temps, qui ne se côtoient du moins pas aujourd’hui et ne sont souvent pas interopérables, ne pourra se faire que grâce à la digitalisation et à la puissance analytique de l’IA. Nous avons tous été déçus par la tentative avortée d’IBM (Watson for oncology), qui nous promettait monts et merveilles en matière de décisions thérapeutiques en oncologie. Ce modèle n’a pas percé pour différentes raisons, en particulier à cause du modèle économique (beaucoup trop onéreux). Heureusement, d’autres solutions se dessinent, (xDECIDE, par exemple), qui font appel aux données élargies issues du concept de real world evidence, de la connaissance d’experts, des publications scientifiques et cliniques, et des données individuelles (72).
