L’intelligence artificielle dans les soins de santé : avantages et défis des technologies d’apprentissage automatique pour le diagnostic médical

Ce que le GAO a trouvé

Plusieurs technologies d’apprentissage automatique (ML) sont disponibles aux États-Unis pour faciliter le processus de diagnostic. Les avantages qui en résultent incluent une détection plus précoce des maladies ; une analyse plus cohérente des données médicales ; et un meilleur accès aux soins, en particulier pour les populations mal desservies. GAO a identifié une variété de technologies basées sur ML pour cinq maladies sélectionnées, certains cancers, la rétinopathie diabétique, la maladie d’Alzheimer, les maladies cardiaques et le COVID-19, la plupart des technologies reposant sur des données d’imagerie telles que les rayons X ou l’imagerie par résonance magnétique (IRM). Cependant, ces technologies ML n’ont généralement pas été largement adoptées.

Des chercheurs universitaires, gouvernementaux et du secteur privé travaillent à étendre les capacités des technologies de diagnostic médical basées sur le ML. En outre, le GAO a identifié trois approches émergentes plus larges de diagnostic ML autonomes, adaptatives et axées sur le consommateur qui peuvent être appliquées pour diagnostiquer une variété de maladies. Ces avancées pourraient renforcer les capacités des professionnels de la santé et améliorer les traitements des patients, mais présentent également certaines limites. Par exemple, les technologies adaptatives peuvent améliorer la précision en incorporant des données supplémentaires pour se mettre à jour, mais l’incorporation automatique de données de mauvaise qualité peut entraîner des performances algorithmiques incohérentes ou plus faibles.

Spectre d’algorithmes adaptatifs

Nous avons identifié plusieurs défis affectant le développement et l’adoption du ML dans les diagnostics médicaux :

Démontrer des performances réelles dans divers contextes cliniques et dans des études rigoureuses.
Répondre aux besoins cliniques, tels que le développement de technologies qui s’intègrent dans les flux de travail cliniques.
Combler les lacunes réglementaires, par exemple en fournissant des orientations claires pour le développement d’algorithmes adaptatifs.

Ces défis affectent diverses parties prenantes, notamment les développeurs de technologies, les prestataires de soins médicaux et les patients, et peuvent ralentir le développement et l’adoption de ces technologies.

Le GAO a développé trois options politiques qui pourraient aider à relever ces défis ou à améliorer les avantages des technologies de diagnostic ML. Ces options politiques identifient les actions possibles par les décideurs politiques, qui incluent le Congrès, les agences fédérales, les gouvernements étatiques et locaux, les institutions universitaires et de recherche et l’industrie. Voir ci-dessous pour un résumé des options politiques et des opportunités et considérations pertinentes.

Options politiques pour aider à relever les défis ou à améliorer les avantages des technologies de diagnostic ML

	Opportunités	Considérations
Évaluation (rapport pages 28) Les décideurs politiques pourraient créer des incitations, des conseils ou des politiques pour encourager ou exiger l’évaluation des technologies de diagnostic ML dans une gamme de conditions de déploiement et de données démographiques représentatives de l’utilisation prévue. Cette option politique pourrait aider à relever le défi de démontrer la performance dans le monde réel.	Les parties prenantes pourraient mieux comprendre les performances de ces technologies dans diverses conditions et aider à identifier les biais, les limites et les opportunités d’amélioration. Pourrait éclairer les décisions d’adoption des fournisseurs, ce qui pourrait conduire à une adoption accrue en renforçant la confiance. Les informations provenant des évaluations peuvent aider à éclairer les décisions des décideurs politiques, telles que les décisions concernant les exigences réglementaires.	Peut prendre beaucoup de temps, ce qui pourrait retarder l’arrivée de ces technologies sur le marché, affectant potentiellement les patients et les professionnels qui pourraient bénéficier de ces technologies. Une évaluation plus rigoureuse entraînera probablement des coûts supplémentaires, tels que des coûts directs pour le financement des études. Les développeurs peuvent ne pas être incités à mener ces évaluations si cela pouvait montrer leurs produits sous un jour négatif, de sorte que les décideurs pourraient déterminer si les évaluations devraient être menées ou examinées par des parties indépendantes, selon les responsables de l’industrie.
Accès aux données (rapport page 29) Les décideurs politiques pourraient développer ou étendre l’accès à des données médicales de haute qualité pour développer et tester des technologies de diagnostic médical du ML. Les exemples incluent des normes pour la collecte et le partage de données, la création de données communes ou l’utilisation d’incitations pour encourager le partage de données. Cette option politique pourrait aider à relever le défi de démontrer la performance dans le monde réel.	Le développement ou l’élargissement de l’accès à des ensembles de données de haute qualité pourrait aider à faciliter la formation et le test des technologies ML dans des conditions diverses et représentatives. Cela pourrait améliorer les performances et la généralisabilité des technologies, aider les développeurs à comprendre leurs performances et les domaines à améliorer, et aider à renforcer la confiance et l’adoption de ces technologies. L’élargissement de l’accès pourrait permettre aux développeurs de gagner du temps dans le processus de développement, ce qui pourrait raccourcir le temps nécessaire pour que ces technologies soient disponibles pour adoption.	Les entités qui possèdent des données peuvent être réticentes à les partager pour un certain nombre de raisons. Par exemple, ces entités peuvent considérer leurs données comme précieuses ou exclusives. Certaines entités peuvent également être préoccupées par la vie privée de leurs patients ainsi que par l’utilisation prévue et la sécurité de leurs données. Les mécanismes de partage de données peuvent être d’une utilité limitée pour les chercheurs et les développeurs en fonction de la qualité et de l’interopérabilité de ces données, et la conservation et le stockage des données peuvent être coûteux et nécessiter des ressources publiques et privées.
Collaboration (rapport pages 30) Les décideurs politiques pourraient promouvoir la collaboration entre les développeurs, les fournisseurs et les régulateurs dans le développement et l’adoption des technologies de diagnostic ML. Par exemple, les décideurs politiques pourraient réunir des experts multidisciplinaires pour la conception et le développement de ces technologies par le biais d’ateliers et de conférences. Cette option politique pourrait aider à relever les défis liés à la satisfaction des besoins médicaux et à combler les lacunes réglementaires.	La collaboration entre les développeurs ML et les fournisseurs pourrait aider à garantir que les technologies répondent aux besoins cliniques. Par exemple, la collaboration entre les développeurs et les professionnels de la santé pourrait aider les développeurs à créer des technologies ML qui s’intègrent dans les flux de travail des professionnels de la santé et minimisent le temps, les efforts et les perturbations. Selon les responsables du NIH, la collaboration entre les développeurs et les prestataires médicaux pourrait aider à la création et à l’accès à des données prêtes pour le ML.	Comme indiqué précédemment, les prestataires n’ont peut-être pas le temps de collaborer avec les développeurs et de traiter les patients ; cependant, les organisations peuvent offrir du temps protégé aux employés pour qu’ils s’engagent dans des activités d’innovation telles que la collaboration. Si les développeurs collaborent uniquement avec des prestataires dans des contextes spécifiques, leurs technologies peuvent ne pas être utilisables dans une gamme de conditions et de paramètres, par exemple pour différents types de patients ou systèmes technologiques.

Source : GAO. | GAO-22-104629

Pourquoi le GAO a fait cette étude

Les erreurs de diagnostic affectent plus de 12 millions d’Américains chaque année, avec des coûts globaux probablement supérieurs à 100 milliards de dollars, selon un rapport de la Society to Improve Diagnosis in Medicine. Le ML, un sous-domaine de l’intelligence artificielle, est devenu un outil puissant pour résoudre des problèmes complexes dans divers domaines, y compris le diagnostic médical. Cependant, les défis liés au développement et à l’utilisation des technologies d’apprentissage automatique dans les diagnostics médicaux soulèvent des questions technologiques, économiques et réglementaires.

Le GAO a été invité à mener une évaluation technologique sur les utilisations actuelles et émergentes de l’apprentissage automatique dans les diagnostics médicaux, ainsi que sur les défis et les implications politiques de ces technologies. Ce rapport traite (1) des technologies de diagnostic médical ML actuellement disponibles pour cinq maladies sélectionnées, (2) des technologies de diagnostic médical ML émergentes, (3) des défis affectant le développement et l’adoption des technologies ML pour le diagnostic médical, et (4) des options politiques pour aider relever ces défis.

Le GAO a évalué les technologies ML disponibles et émergentes ; interviewé des intervenants du gouvernement, de l’industrie et du milieu universitaire; a convoqué une réunion d’experts en collaboration avec l’Académie nationale de médecine ; et examiné des rapports et de la littérature scientifique. Le GAO identifie les options politiques dans ce rapport.

Pour plus d’informations, contactez Karen L. Howard au (202) 512-6888 ou howardk@gao.gov.

www.actusduweb.com

Suivez Actusduweb sur Google News