L'intelligence artificielle (IA) et les technologies d'apprentissage automatique (machine learning) envahissent actuellement la plupart des industries et secteurs de pointe et la santé ne fait pas exception. A tel point que lors de la conférence annuelle HIMSS 2018, aucune technologie n'a suscité plus d'intérêt que celle de l'IA.
« L’intelligence artificielle existe depuis un moment déjà, alors pourquoi tout ce buzz maintenant ? » a déclaré Pamela Peele, chief analytics officer du Medical Center Health Plan de l’université de Pittsburgh et de UPMC Enterprises lors de son intervention à la conférence HIMSS 2018. « C'est parce que nous possédons des algorithmes denses, robustes, des tonnes de donnée et la possibilité d'en tirer une analyse computationnelle. C'est la combinaison parfaite. »[1]
Pourtant, des obstacles majeurs restent à franchir entre des affirmations sans fondement et une réalité productive. Le plus important d'entre eux concerne la disponibilité de grandes quantités de données de haute qualité pouvant être utilisées pour entraîner les algorithmes. Dans de nombreuses organisations, les données ne sont pas regroupées en un lieu unique ou sous un format utilisable. Ou bien elles contiennent des biais algorithmiques pouvant entraîner de mauvaises prises de décision. C'est pourquoi les organisations qui veulent se préparer à exploiter l'IA et la technologie de l’apprentissage automatique de façon efficace doivent avant tout évaluer leurs systèmes d'information et leurs flux de données existants afin de différencier les secteurs prêts pour l'automatisation des données de ceux pour lesquels davantage d'investissement est requis.[2]
Bien qu’il soit nécessaire de mener cette évaluation au sein de différentes industries, l'apparition d'une disparité entre les flux de données peut se révéler particulièrement vraie dans le secteur de la santé où les données informatisées sont regroupées en silos par spécialités à l'intérieur et à l'extérieur de l'organisation.
Selon David Lareau, CEO de Medicomp Systems[3], « Ces "innovations" hyper médiatisées ne peuvent pas apprendre à être efficaces et précises à partir de données de qualité médiocre, ce qui constitue un défi majeur pour le secteur de la santé, plus particulièrement le domaine clinique où les données sont complexes et souvent non structurées. Les progrès de l'apprentissage automatique dépendent largement de la précision des données traitées par les algorithmes. »
Même pour des organisations qui déploient actuellement l'IA et les systèmes d'apprentissage automatique, les données de mauvaise qualité entravent le ROI et ralentissent leur adoption.
D'après une récente étude de marché menée par INFOSYS, presque la moitié des personnes interrogées (49%) ont déclaré que leur organisation était incapable de déployer les technologies basées sur l'IA dont elles ont besoin car leurs données ne sont pas prêtes à les supporter.[4] De ce fait, environ 77% des décideurs informatiques déclarent que leur organisation investit actuellement dans la gestion de données, notamment en Inde (91%) et aux Etats-Unis (89%).
Dick Daniels, CIO de Kaiser, a déclaré à CIO que l'IA constitue « la technologie qui pourrait véritablement entraîner un changement considérable et spectaculaire » parce qu'elle est capable de digérer rapidement de grandes quantités de données et de les transformer en information exploitable pour la prise de décision clinique.[5]
Et c'est là le nœud du problème, car l'IA et les systèmes d'apprentissage automatique doivent être en mesure d'ingérer de grandes quantités de données de santé de façon rapide et continue, mais en l'absence d'une infrastructure et de processus adéquats, ils en sont incapables. J'avais déjà souligné dans un article précédent qu'afin que les entreprises puissent tirer profit de l'IA et de l'apprentissage automatique, une stratégie de gestion des données devait être mise en place pour en favoriser la réussite.
Alors à quoi ressemble une stratégie de gestion de données pour l'IA et l'apprentissage automatique ?
Les entreprises qui souhaitent maximiser leur succès grâce à l'IA et l'apprentissage automatique doivent investir dans des technologies de gestion de données.
Cependant, les besoins de ces systèmes complexes ne sont pas les mêmes que ceux des systèmes d'informatique décisionnelle traditionnels tels que les tableaux de bords (dashboards) ou les entrepôts de données (data warehouses). Les besoins les plus récents et les plus urgents concernent tous l'ingestion rapide de données issues de toutes les sources.
Les entreprises devraient se tourner vers les technologies de gestion de données s'appuyant sur les principes d'IDC Third Platform. Les technologies de troisième plateforme permettent aux entreprises d'accélérer leur transformation digitale (ce dont la santé a assurément besoin) et reposent sur quatre socles technologiques essentiels : Big Data et Analytics, Cloud, Mobile et Social. IDC précise que l'IA et l'apprentissage automatique font partie des quatre plateformes de la transformation numérique. Il semble donc pertinent de tirer profit des technologies de la troisième plateforme afin de permettre le succès de la quatrième plateforme.
En plus d'une combinaison technologique adaptée, les entreprises doivent étudier les actifs informationnels et les flux d'information tout en gardant un œil vers la logistique. Non pas une logistique au sens matériel du déplacement d'éléments, mais une logistique qui nourrit la fabrique d'informations. En termes simples, on peut imaginer l'IA et l'apprentissage automatique comme des algorithmes affamés, un peu comme une chaîne de montage qui nécessiterait des apports continus afin d'être productive.
Les objectifs de la logistique de l'information reflètent ceux de la logistique matérielle : livrer le bon produit (l'information) dans le bon format, au bon endroit, au bon moment et aux bonnes personnes (c'est à dire aux algorithmes dans le cas de l'IA et de l'apprentissage automatique).
Il est indispensable que les entreprises prennent le temps de comprendre comment les flux de données circulent en temps réel au sein de l'IA et des systèmes d'apprentissage automatique, à quoi ressemble la qualité des données et comment elles peuvent être stockées, augmentées et utilisées pour un futur apprentissage.
A quoi ressemble un programme efficace d'IA en santé ?
Chris DeRienzo, responsable de la qualité à Mission Health, un hôpital situé à Asheville en Caroline du nord, résume parfaitement les éléments clés nécessaires à la mise en œuvre d'une IA réussie en exposant plusieurs facteurs essentiels à la création d'un contexte d'amélioration continu nécessaire à l'élaboration d'une IA et d'un apprentissage automatique performants.[6] La plupart de ces éléments, de façon prévisible, concernent les individus et non pas la technologie :
- La nécessité absolue de données fiables.
- La mise en place d'un programme de leadership solide dans le domaine clinique, pourvu d'une connaissance approfondie du métier et de la pratique clinique.
- Une équipe clinique soutenue et entourée d'ingénieurs experts dans le domaine clinique ou la production afin d'être en mesure de traduire les processus.
- Des business analysts capables de visualiser les données et d'intégrer les processus d'adaptation dans des flux de travail cliniques.
- Un support clinique fourni par des experts du domaine déterminés à apporter des améliorations.
Il est intéressant de noter que parmi les cinq éléments cités, un seul concerne réellement la technologie. Obtenir des données conformes est une tâche colossale mais essentielle. Cela fait partie du processus d’élaboration d’une stratégie de données, lié non seulement à la gestion mais également à l'utilisation des données.
Lorsque les organisations auront mis en place les technologies, les équipes et les processus d’analyses adéquats, les programmes d’IA et d’apprentissage automatique seront prêts à fournir les résultats escomptés d’une technologie si médiatisée.
> Version originale de cet article en anglais sur le blog InterSystems Pulse
> Cet article a été d'abord publié sur le blog Healthcare IT News le 13/04/2018
Pour en savoir plus :
[1] Sutner, Shaun. “HIMSS 2018 Focuses on AI in Healthcare.” SearchHealthIT, 28 Feb. 2018, searchhealthit.techtarget.com/news/252435933/HIMSS-2018-focuses-on-AI-in-healthcare.
[2] Noga, Dan WellersTimo ElliottMarkus. “8 Ways Machine Learning Is Improving Companies’ Work Processes.” Harvard Business Review, 7 June 2017, hbr.org/2017/05/8-ways-machine-learning-is-improving-companies-work-processes.
[3] Gutierrez, Daniel. “HIMSS 2018: Perspectives on Health Industry Use of AI and Machine Learning.” InsideBIGDATA, 6 Mar. 2018, insidebigdata.com/2018/03/05/himss-2018-perspectives-health-industry-use-ai-machine-learning/.
[4] “Leadership in the Age of AI – Adapting, Investing and Reskilling to Work Alongside AI.”InsideBIGDATA, INFOSYS, Feb. 2018, insidebigdata.com/white-paper/leadership-age-ai-adapting-investing-reskilling-work-alongside-ai/.
[5] Sweeney, Evan. “Plenty of Buzz for AI in Healthcare, but Are Any Systems Actually Using It?”FierceHealthcare, 11 May 2017, www.fiercehealthcare.com/analytics/plenty-buzz-for-ai-healthcare-but-anyone-actually-using-it.
[6] Miliard, Mike. “What Does a Successful AI and Analytics Program Look like?” Healthcare IT News, HIMSS Media, 12 Feb. 2018, www.healthcareitnews.com/news/what-does-successful-ai-and-analytics-program-look?