NOUVELLE PANDÉMIE ? L’IA pourrait réduire durablement son impact
Une forme d’intelligence artificielle (IA), l’apprentissage automatique pourrait permettre de réduire les hospitalisations de près de 30 % pendant une pandémie, concluent ces experts scientifiques et épidémiologistes. L’équipe fait la démonstration de la supériorité de l'apprentissage automatique sur les méthodes actuelles pour mieux distribuer, allouer et cibler les traitements les plus rares et les plus efficaces aux patients les plus vulnérables, pendant une crise de santé publique. L’IA confirme ses promesses dans l’atteinte de politiques de santé plus justes, plus durables et plus efficientes.
Ces experts nous expliquent que l’apprentissage automatique va permettre d’allouer au mieux les ressources de santé et notamment les antiviraux, en nombre trop limité lors du développement d’une pandémie, ou encore, chaque fois qu'il y a pénurie de produits thérapeutiques.
L’IA pourrait permettre aussi et ainsi, en cas de crise sanitaire, par cette allocation mieux ciblée :
- une distribution plus fine des médicaments ;
- une réduction significative des hospitalisations d'environ 27 % par rapport à ce qui a pu être observé lors de la pandémie COVID.
L’un de ces experts, le Dr Adit Ginde, professeur de médecine d’urgence au campus médical Anschutz de l’Université du Colorado rappelle que « pendant la pandémie, le système de santé était au « point de rupture » et de nombreux établissements de santé s’appuyaient sur le principe du premier patient arrivé, premier patient « servi » (!) ou sur ses seuls antécédents médicaux pour décider s’il allait être traité ». Or, une telle méthode ne tient pas compte des comorbidités et des interactions complexes qui peuvent se produire chez un patient.
L’apprentissage automatique analyse l’ensemble des données patient en temps réel pour éclairer la prise de décision thérapeutique.
Les conséquences se mesurent finalement en termes de santé publique.
Plusieurs études montrent aujourd’hui que l’utilisation de l’apprentissage automatique qui examine les différences entre patients individuels et les indications et effets des traitements, peut fournir aux médecins, aux systèmes de santé et aux responsables de la santé publique des données plus précises en temps réel que les modèles d’allocation traditionnels.
- Les méthodes d’allocation existantes ciblent principalement les patients qui présentent un profil de risque élevé d’hospitalisation sans traitement. Elles peuvent parfois négliger les patients qui pourraient en réalité le plus bénéficier des traitements et des médicaments.
- De nouveaux systèmes d’allocation, basés sur l’IA permettent d’optimiser le ciblage des traitements : cela existe par exemple pour les anticorps monoclonaux et sur la base d’estimations d’hétérogénéité des effets du traitement consolidées par l’apprentissage automatique. De tels systèmes donnent la priorité aux caractéristiques des patients associées à des effets optimisés du traitement, ce qui permet de
optimiser les avantages globaux des traitements lorsque les ressources sont limitées.
Dans ce type d’approche d’allocation par apprentissage automatique, les patients qui présentent le risque le plus élevé d’hospitalisation sont certaines de recevoir le meilleur traitement, et même lorsqu’il y a une certaine pénurie.
Les études de modélisation concluent à une réduction significative des hospitalisations prévues avec ces nouvelles méthodes par IA.
« L’utilisation d’une approche innovante comme l’apprentissage automatique va au-delà des crises comme la pandémie de COVID-19 et permet d’apporter des décisions de santé publique personnalisées même lorsque les ressources sont limitées dans n’importe quel scénario. Pour ce faire, cependant, il est important que des plateformes de données robustes et en temps réel, soient mises en œuvre pour fournir des décisions basées sur les données de pratique clinique sans cesse réactualisées ».
Des travaux précurseurs qui engagent les organisation de santé publique, les décideurs politiques et les établissements à envisager des méthodes basées sur l'apprentissage automatique en cas de future crise de santé publique ou simplement …de rupture de stock.
Pour une allocation plus durable et optimisée des ressources de santé.
Sources :
- JAMA Health Forum 13 Sept, 2024 DOI: 10.1001/jamahealthforum.2024.2884 A Machine Learning Method for Allocating Scarce COVID-19 Monoclonal Antibodies
- New England Journal of Medicine 23 March, 2020 DOI:10.1056/NEJMsb2005114 Fair allocation of scarce medical resources in the time of Covid-19
- The Week 12 Nov, 2021 With COVID-19 numbers rising, Colorado activates crisis standards of care
- Econometrica Jan, 2021 DOI : 10.3982/ECTA15732 Policy Learning with Observational Data
Cette actualité a été publiée le 12/05/2025 par
Autres actualités sur le même thème
SCLÉROSE en PLAQUES : Un anticancéreux contre la neuro-inflammation
Actualité publiée il y a 2 années 11 mois
Cette équipe de pharmacologues de l’Institut Karolinska propose de repositionner un anticancéreux, pour traiter les maladies neuro-inflammatoires telles que la...DOULEUR CHRONIQUE : Les antidépresseurs sont-ils efficaces ?
Actualité publiée il y a 2 années 1 mois Cette équipe d’experts pharmacologues de la Cochrane Library et de l’Université de Southampton répond à la question : « Les antidépresseurs prescrits pour la...ANTIBIORÉSISTANCE : Le test qui la détecte en moins de 90 minutes
Actualité publiée il y a 3 années 7 mois Ce développement d’une équipe de bioingénieurs de la Washington State University (WSU) pourrait modifier le cours de la lutte contre les résistances...CHIRURGIE : L’anxiété préopératoire des enfants ne doit pas être négligée
Actualité publiée il y a 8 mois 6 jours Sans doute parce qu’ils l’expriment moins, l’anxiété et les symptômes dépressifs des enfants qui vont subir une chirurgie sont moins bien pris en compte et...
