"La médecine est guidée par les modèles"

Actualités ETH : Monsieur Buhmann, avec la digitalisation, notre société se trouve au c?ur d'un processus de transformation fondamental. Dans quelle mesure celui-ci modifie-t-il aussi la médecine ?
Joachim Buhmann : La médecine sera beaucoup plus déterminée par des modèles prédictifs qu'aujourd'hui. Gr?ce aux ordinateurs, nous pouvons aujourd'hui développer des modèles beaucoup plus complexes qu'auparavant. Et nulle part ailleurs, ces modèles ne sont plus nécessaires qu'en médecine. Nous pouvons collecter des données sur de nombreux cas médicaux et en tirer des enseignements sur les mécanismes d'une maladie. Mais nous devons prendre en compte tellement de paramètres que nous avons besoin de machines pour les traiter. Avant la digitalisation, nous, les humains, ne pouvions pas étudier des modèles si complexes que nous ne pouvions pas les mémoriser. Aujourd'hui, c'est possible - en ne concevant plus nous-mêmes les modèles, mais en réfléchissant à ce que pourraient être les algorithmes qui génèrent ensuite les modèles. C'est ce qu'on appelle l'apprentissage automatique.

Pouvez-vous nous donner un exemple ?
Dans l'un de nos projets, nous nous intéressons à la médecine cardiaque. Les cardiologues et les radiologues considèrent le c?ur sous un angle différent et génèrent des données différentes, des ECG et des échos d'ultrasons. Aujourd'hui déjà, les ordinateurs excellent dans le regroupement et la gestion de différents ensembles de données. Pour l'avenir, il est légitime d'espérer pouvoir faire des déclarations et des pronostics fiables avec de telles données et des algorithmes d'apprentissage automatique, probablement plus fiables qu'aujourd'hui, lorsque deux médecins surmenés se réunissent pour évaluer les résultats.

Quels sont les défis d'une telle médecine guidée par les modèles ?
Tout d'abord, nous devons faire de très gros efforts pour collecter réellement les données. Il s'agit d'une part de données de mesure des patients, que nous appelons données primaires. D'autre part, les données annotées sont au moins aussi importantes. Il s'agit du contenu du dossier médical d'un patient, qu'un médecin a formulé à l'aide de ces données primaires. La médecine est probablement l'une des sciences empiriques les plus fondamentales, et de telles données annotées constituent une base de connaissances inestimable. L'accès à ces données et leur utilisation sont un élément essentiel de notre recherche. Il est bien s?r aussi absolument essentiel de standardiser l'acquisition des données entre les différentes disciplines médicales et que les h?pitaux mettent en commun leurs données afin d'obtenir une quantité critique de cas. Des efforts bienvenus sont actuellement en cours dans ce domaine, dans le cadre du Swiss Personalized Health Network.

Il s'agit de collecter des données personnelles et sensibles sur son propre corps, que l'on souhaite protéger des abus.
Il va de soi que l'utilisation des données doit être réglementée. Moi non plus, je ne voudrais pas que ma prime d'assurance vie augmente suite à une analyse génomique. Mais il est possible de protéger les données avec succès. Les questions de protection des données ont aujourd'hui une énorme publicité. Peut-être aussi parce qu'elles sont faciles à communiquer dans les médias. Mais le défi le moins facile à relever, et bien plus important, est de rendre les données utilisables et de les comprendre. C'est ce à quoi nous travaillons.

Les médecins émettent également des réserves quant à la transmission de dossiers médicaux aux chercheurs. Les médecins donneraient ainsi un aper?u de leur méthode de travail et pourraient se rendre vulnérables.
Bien entendu, un médecin ne sera prêt à mettre ses données à disposition que s'il obtient l'assurance qu'aucun droit juridique ne sera déduit de ces données à son encontre. Ceci doit et peut être réglé juridiquement.

Dans quelle mesure la profession de médecin va-t-elle se transformer avec la digitalisation ?
Permettez-moi une formulation exagérée et frappante : un médecin est en grande partie une base de données modérément bien organisée. Certes, un ordinateur ne sera jamais un meilleur médecin, car le médecin est aussi au chevet du malade, et un ordinateur ne peut transmettre l'empathie que de manière insuffisante. Mais les systèmes d'information sont des réservoirs de connaissances plus fiables. Les compétences du médecin, qui reposent sur l'accès au savoir et la génération de connaissances, sont massivement modifiées par la transformation numérique. Dans notre groupe, nous avons construit des systèmes qui analysent les biopsies de patients atteints de cancer. Aujourd'hui, les ordinateurs sont en partie aussi bons que les pathologistes et parfois même meilleurs. En outre, les ordinateurs fonctionnent 24 heures sur 24 et 7 jours sur 7, et il n'y a pas de panne le lundi de carnaval.

Outre votre activité de professeur, vous êtes également prorecteur pour les études à l'ETH. Des adaptations sont-elles nécessaires dans la formation médicale ?
Oui, absolument. La formation en mathématiques des médecins doit être drastiquement améliorée. Dans le nouveau cursus de bachelor en médecine à l'ETH, nous essayons de varier l'offre pour les étudiants. Nous renfor?ons le domaine technologique et proposons l'informatique médicale, une discipline pour laquelle je me suis beaucoup investie.

Les médecins doivent-ils devenir des spécialistes de l'informatique médicale ?
Le médecin doit savoir utiliser les instruments que sont les ordinateurs. Il ne doit pas nécessairement savoir écrire des programmes, même si ce serait évidemment bien qu'il puisse le faire. Mais si l'ordinateur lui raconte des bêtises, il doit être en mesure de les reconna?tre.

Dans vos recherches, vous vous intéressez aux cha?nes de traitement des données. Qu'entend-on par là ?
Prenez un patient atteint d'un cancer. On lui prélève d'abord une biopsie. Celle-ci est préparée, d'autres médecins l'annotent et en tirent leurs conclusions. Plus tard, d'autres sources d'information viennent s'ajouter, elles doivent être fusionnées. Et partout, les médecins utilisent déjà des outils. Dans une telle cha?ne, différents algorithmes complexes sont utilisés. Tout à la fin, on obtient un diagnostic, un pronostic sur l'évolution de la maladie et peut-être une proposition de traitement. Ce sont toutes des prédictions. Cette longue cha?ne démarre avec une quantité incroyable de données, et à la fin, il ne vous reste que quelques bits. Aujourd'hui, il n'existe aucune théorie permettant de vérifier, dans de telles longues cha?nes de traitement des données, si des bits essentiels ont été perdus et, le cas échéant, où, afin d'améliorer la cha?ne de processus. Le développement d'une telle théorie pour des algorithmes robustes est une partie centrale de ma recherche.