Quel est l’apport du Machine learning dans le secteur de la santé ?

Lorsque l’on parle des défis que le Machine learning a permis de relever dans le secteur médical, le premier qui nous vient à l’esprit est celui de la détection précoce des maladies. En effet, les scientifiques ont développé des modèles de cette technologie, capables de diagnostiquer très tôt toutes sortes de pathologies et d’infections, et les exemples à ce titre ne manquent pas. Citons le laboratoire d’informatique et d’intelligence artificielle du MIT, qui a mis au point un modèle d’apprentissage automatique prédictif, pouvant prévoir l’évolution du cancer du sein cinq ans avant son apparition dans le corps. Ce dispositif, fruit d’une analyse précise des données des patientes, a prouvé qu’il était en mesure de détecter des symptômes que les cliniciens ne sont pas en mesure de repérer, tant ils sont infimes.

La startup britannique Feebris a également fourni un travail remarquable pour mettre le Machine Learning au service du secteur médical. Grâce à des algorithmes IA et ML, ainsi que des capteurs médicaux que même les particuliers peuvent mobiliser, elle rend possible l’identification des personnes souffrant de problèmes respiratoires, leur évitant ainsi de souffrir de complications ou d’être hospitalisés.

Le Machine Learning ne remet pas en question l’importance du personnel médical, mais lui vient en renfort dans l’exercice de ses fonctions, qui sont parfois très complexes. En plus de capacité à traiter d’énormes volumes de données en temps réel, cette technologie met à la disposition des chirurgiens un système qui les aide à pratiquer des interventions très sensibles. En recourant à des algorithmes qui améliorent la précision des outils chirurgicaux, le risque d’erreurs humaines est quasi insignifiant.

Nous pouvons citer d’autres exemples de robots d’apprentissage automatique ayant pour principale fonction de faciliter la réalisation d’opérations chirurgicales complexes comme Medrtonic/Mazor, dédié à la neurologie et à la colonne vertébrale, Mako de Stryker qui permet le remplacement orthopédique de la hanche et du genou, ou encore Accuray, utilisé pour l’éradication de tumeurs cancéreuses.

Par le passé, 10 à 15 années étaient nécessaires pour mettre au point un nouveau traitement. Un processus long qui pouvait coûter jusqu’à un milliard de dollars par médicament. Grâce au Machine learning, ces chiffres ont remarquablement baissé, et le processus d’élaboration (conception de la structure chimique et protéique, validation du traitement, essais cliniques, etc.) a gagné en rapidité et en efficacité. Nous devons ces progrès aux initiatives prises par des géants technologiques mondiaux tels que Google et Atomwise. Grâce à sa branche IA « Deepmind », Google est devenu un géant en matière d’apprentissage automatique dans le secteur médical. Atomwise a, pour sa part, mis en place une solution qui permet d’analyser la combinaison de millions de molécules, ainsi que leur comportement dans le corps humain. Ce logiciel a permis d’identifier les traitements possibles pour la sclérose en plaques et le virus Ebola.

L’IA et le Machine Learning portent notamment appui à la lutte contre le virus du Covid-19, qui se propage à une grande vitesse dans le monde depuis le début de l’année 2020. La biomédecine et la recherche recourent, dans ce sens, à de nombreuses techniques, dont les applications de l’informatique et de la statistique. Soulignons que les prédictions de la structure du virus générées par l’IA a permis aux scientifiques de gagner des mois d’expérimentation.

L’application du Machine learning dans le secteur médical démontre l’étendue des possibilités offertes par l’informatique en termes d’emploi. Une autre raison d’envisager une carrière dans ce domaine, qu’il vous est possible d’intégrer grâce aux formations proposées par EPSI.