Chapitre 2 – Les promesses de l’utilisation des systèmes d’intelligence artificielle en santé
4. Conclusion
L’innovation numérique en santé se caractérise par la collecte, le stockage et l’analyse d’un nombre croissant de données massives. Pour donner du sens à ces ensembles de données, différentes méthodes relatives à l’IA sont aujourd’hui utilisées, participant au développement d’un système de santé connecté et apprenant. Les méthodes d’IA et les données massives sont indissociables et se potentialisent, les algorithmes d’apprentissage automatique ayant besoin de beaucoup de données pour apprendre et les données massives n’étant que peu utiles sans l’analyse automatisée que permettent les méthodes utilisées en IA.
Une nouvelle ère de la médecine se profile ainsi, où IA et données massives occupent une place prépondérante et pourraient permettre de maximiser l’efficacité des traitements, de rentabiliser les coûts en automatisant certaines tâches, voire de mettre en évidence de nouvelles pistes pour la prestation de soins tout comme pour la prévention. Dans cette lignée, des algorithmes de plus en plus autonomes traitant de problèmes de plus en plus complexes permettent de soutenir les professionnels de la santé dans leurs prises de décisions, aussi importantes que celles liées au diagnostic. Lorsqu’ils sont embarqués dans des robots de soins ou autres dispositifs telles que les applications mobiles, les algorithmes peuvent même se trouver à être en « relation » directe avec le patient.
Cependant, les changements qui accompagnent l’avènement de ces technologies semblent marquer une rupture avec le système traditionnel de soin et de recherche en santé. Cette transformation au sein du système de santé présente alors des défis sur lesquels il est nécessaire de
se pencher dans l’optique d’une utilisation éthique de l’IA et des données massives, considérant la place croissante qu’occupent ces technologies. Ainsi, identifier les déterminants à la source de la transformation du système de santé, les risques et enjeux éthiques qui en découlent ainsi que les moyens d’y remédier est essentiel afin d’assurer un développement responsable de l’innovation numérique en santé.
Références bibliographiques
Alanazi, Hamdan O., Abdul Hanan Abdullah, et Kashif Naseer Qureshi. 2017. « A Critical Review for Developing Accurate and Dynamic Predictive Models Using Machine Learning Methods in Medicine and Health Care ». Journal of Medical Systems 41 (4): 69.
https://doi.org/10.1007/s10916-017-0715-6.
Ashley, Euan A. 2015. « The Precision Medicine Initiative: A New National Effort ». JAMA 313 (21): 2119-20. https://doi.org/10.1001/jama.2015.3595.
Azencott C.-A. 2018. « Machine learning and genomics: precision medicine versus patient privacy ».
Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences 376 (2128): 20170350. https://doi.org/10.1098/rsta.2017.0350.
Baillie, Jean-Christophe. 2016. « Artificial Intelligence: The Point of View of Developmental Robotics ». Dans Fundamental issues of artificial intelligence, Springer International Publishing Switzerland, 555-68. V.C. Müller.
Bayer, Ronald, et Sandro Galea. 2015. « Public Health in the Precision-Medicine Era ». The New
England Journal of Medicine 373 (6): 499-501. https://doi.org/10.1056/NEJMp1506241.
Bizer, Christian, Peter Boncz, Michael L. Brodie, et Orri Erling. 2012. « The Meaningful Use of Big Data: Four Perspectives – Four Challenges ». SIGMOD Rec. 40 (4): 56–60.
https://doi.org/10.1145/2094114.2094129.
Blumenthal, David. 2009. « Stimulating the Adoption of Health Information Technology ». The New
England Journal of Medicine 360 (15): 1477-79. https://doi.org/10.1056/NEJMp0901592.
Blumenthal, David, et Marilyn Tavenner. 2010. « The “Meaningful Use” Regulation for Electronic Health Records ». The New England Journal of Medicine 363 (6): 501-4.
https://doi.org/10.1056/NEJMp1006114.
Bostrom, Nick, et Eliezer Yudkowsky. 2011. « The Ethics of Artifical Intelligence ». Dans The
Broek, Tijs van den, et Anne Fleur van Veenstra. 2018. « Governance of big data collaborations: How to balance regulatory compliance and disruptive innovation ». Technological Forecasting and
Social Change 129 (avril): 330‑38. https://doi.org/10.1016/j.techfore.2017.09.040
Brouard, Benoît. 2017. « Chapitre 2. Utilisation des Big Data en santé : le cas des objets connectés ».
Journal international de bioethique et d’ethique des sciences Vol. 28 (3): 27-30.
Brown, Nathan, Jean Cambruzzi, Peter J. Cox, Mark Davies, James Dunbar, Dean Plumbley, Matthew A. Sellwood, et al. 2018. « Chapter Five - Big Data in Drug Discovery ». Dans Progress in
Medicinal Chemistry, édité par David R. Witty et Brian Cox, 57:277-356. Elsevier.
https://doi.org/10.1016/bs.pmch.2017.12.003.
Brundage, Miles, Shahar Avin, Jack Clark, Helen Toner, Peter Eckersley, Ben Garfinkel, Allan Dafoe, Paul Scharre, Thomas Zeitzoff, et Bobby Filar. 2018. « The malicious use of artificial intelligence: Forecasting, prevention, and mitigation ». arXiv preprint arXiv:1802.07228.
Bzdok, Danilo, et Andreas Meyer-Lindenberg. 2018. « Machine Learning for Precision Psychiatry: Opportunities and Challenges ». Biological Psychiatry: Cognitive Neuroscience and
Neuroimaging 3 (3): 223-30. https://doi.org/10.1016/j.bpsc.2017.11.007.
Cano, Isaac, Akos Tenyi, Emili Vela, Felip Miralles, et Josep Roca. 2017. « Perspectives on Big Data applications of health information ». Current Opinion in Systems Biology, • Mathematical modelling • Mathematical modelling, Dynamics of brain activity at the systems level • Clinical and translational systems biology, 3 (juin): 36-42. https://doi.org/10.1016/j.coisb.2017.04.012.
Cardon, Dominique, Jean-Philippe Cointet, et Antoine Mazières. 2018. « La revanche des neurones ».
Reseaux n° 211 (5): 173-220.
CCNE. 2019. « Données massives (big data) et santé : une nouvelle approche des enjeux éthiques ». Avis 130. Comité Consultatif National d’Éthique français. https://www.ccne- ethique.fr/sites/default/files/avis_130.pdf.
Chambers, David A., W. Gregory Feero, et Muin J. Khoury. 2016. « Convergence of Implementation Science, Precision Medicine, and the Learning Health Care System: A New Model for Biomedical Research ». JAMA 315 (18): 1941-42. https://doi.org/10.1001/jama.2016.3867.
Chang, Ray M., Robert J. Kauffman, et YoungOk Kwon. 2014. « Understanding the paradigm shift to computational social science in the presence of big data ». Decision Support Systems, 1. Business Applications of Web of Things 2. Social Media Use in Decision Making, 63 (juillet): 67-80.
https://doi.org/10.1016/j.dss.2013.08.008.
Chartrand, Gabriel, Phillip M. Cheng, Eugene Vorontsov, Michal Drozdzal, Simon Turcotte, Christopher J. Pal, Samuel Kadoury, et An Tang. 2017. « Deep Learning: A Primer for Radiologists ». RadioGraphics 37 (7): 2113-31. https://doi.org/10.1148/rg.2017170077.
Chen, Ying, JD Elenee Argentinis, et Griff Weber. 2016. « IBM Watson: How Cognitive Computing Can Be Applied to Big Data Challenges in Life Sciences Research ». Clinical Therapeutics 38 (4): 688-701. https://doi.org/10.1016/j.clinthera.2015.12.001.
Christensen, Clayton M., et Michael Overdorf. 2000. « Meeting the Challenge of Disruptive Change ».
Harvard Business Review, 1 mars 2000. https://hbr.org/2000/03/meeting-the-challenge-of- disruptive-change.
Christensen, C. 2003. The innovator’s solution. Boston: Harvard Business School Press.
Christensen, Clayton M., Michael E. Raynor, et Rory McDonald. 2015. « What Is Disruptive Innovation? » Harvard Business Review, 1 décembre 2015. https://hbr.org/2015/12/what-is- disruptive-innovation.
CNIL (Commission nationale informatique et libertés). 2017. « Comment permettre à l’homme de garder la main ? Les enjeux éthiques des algorithmes et de l’intelligence artificielle ».
Collier, Matthew, Richard Fu, et Lucy Yin. 2017. « Artificial intelligence : healthcare’s new nervous system ». Accenture consulting (blog). 2017. https://www.accenture.com/us-en/insight-artificial- intelligence-healthcare.
Coutellec, Léo, et Paul-Loup Weil-Dubuc. 2017. « Chapitre 7. Big data ou l’illusion d’une synthèse par agrégation. Une critique épistémologique, éthique et politique ». Journal international de
bioethique et d’ethique des sciences Vol. 28 (3): 63-79.
Danneels, Erwin. 2004. « Disruptive Technology Reconsidered: A Critique and Research Agenda ».
Journal of Product Innovation Management 21 (4): 246‑58. https://doi.org/10.1111/j.0737-
Déclaration de Montréal IA Responsable. 2018. « Rapport de la Déclaration de Montréal pour un
Développement Responsable de l’Intelligence Artificielle ».
https://docs.wixstatic.com/ugd/ebc3a3_d806f109c4104c91a2e719a7bef77ce6.pdf. Devillers, Laurence. 2017. Des robots et des hommes: Mythes, fantasmes et réalité. Plon.
Devillier, Nathalie. 2017. « Chapitre 6. Les dispositions de la loi de modernisation de notre système de santé relatives aux données de santé ». Journal international de bioethique et d’ethique des
sciences Vol. 28 (3): 57-61.
Ding, Michael Q., Lujia Chen, Gregory F. Cooper, Jonathan D. Young, et Xinghua Lu. 2018. « Precision Oncology beyond Targeted Therapy: Combining Omics Data with Machine Learning Matches the Majority of Cancer Cells to Effective Therapeutics ». Molecular Cancer Research 16 (2): 269-78.
https://doi.org/10.1158/1541-7786.MCR-17-0378.
Dodig-Crnkovic Gordana. 2016. « Information, Computation, Cognition. Agency-Based Hierarchies of Levels ». Dans Fundamental Issues of Artificial Intelligence, Springer, 141-61. V.C. Müller. Emanuel, Ezekiel J., et Robert M. Wachter. 2019. « Artificial Intelligence in Health Care: Will the Value
Match the Hype? » JAMA, mai. https://doi.org/10.1001/jama.2019.4914.
Esteva, Andre, Brett Kuprel, Roberto A. Novoa, Justin Ko, Susan M. Swetter, Helen M. Blau, et Sebastian Thrun. 2017. « Dermatologist-Level Classification of Skin Cancer with Deep Neural Networks ». Nature 542 (7639): 115-18. https://doi.org/10.1038/nature21056.
Fakoor, Rasool, Faisal Ladhak, Azade Nazi, et Manfred Huber. 2013. « Using deep learning to enhance cancer diagnosis and classificiation ».
Flasiński, Mariusz. 2016. « Application areas of AI systems ». Dans Introduction to artificial
intelligence, 223-35. Springer.
Fox, Stephen, et Tuan Do. 2013. « Getting real about Big Data: applying critical realism to analyse Big Data hype ». International Journal of Managing Projects in Business 6 (4): 739-60.
Fürnkranz, Johannes. 2005. « Web Mining ». Dans Data Mining and Knowledge Discovery Handbook, édité par Oded Maimon et Lior Rokach, 899-920. Boston, MA: Springer US.
https://doi.org/10.1007/0-387-25465-X_42.
Ganascia, Jean-Gabriel. 2018. « Éthique, intelligence artificielle et santé ». Dans Traité de bioéthique, 527–540. ERES.
Gandomi, Amir, et Murtaza Haider. 2015. « Beyond the hype: Big data concepts, methods, and analytics ». International Journal of Information Management 35 (2): 137-44.
https://doi.org/10.1016/j.ijinfomgt.2014.10.007.
Gibert, Martin. 2019. « Faut-il avoir peur de la peur de l’IA ? » La Quatrième Blessure (blog). 11 janvier 2019. https://medium.com/@martin.gibert/faut-il-avoir-peur-de-la-peur-de-lia-1687abc35342. Guerriero, Ludovica, Giuseppe Quero, Michele Diana, Luc Soler, Vincent Agnus, Jacques Marescaux,
et Francesco Corcione. 2018. « Virtual Reality Exploration and Planning for Precision Colorectal Surgery »: Diseases of the Colon & Rectum 61 (6): 719-23.
https://doi.org/10.1097/DCR.0000000000001077.
Gulshan, Varun, Lily Peng, Marc Coram, Martin C. Stumpe, Derek Wu, Arunachalam Narayanaswamy, Subhashini Venugopalan, et al. 2016. « Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs ». JAMA 316 (22): 2402-10. https://doi.org/10.1001/jama.2016.17216.
Hamet, Pavel, et Johanne Tremblay. 2017. « Artificial intelligence in medicine ». Metabolism, Insights Into the Future of Medicine: Technologies, Concepts, and Integration, 69 (Supplement): S36-40.
https://doi.org/10.1016/j.metabol.2017.01.011.
Harnad, Stevan. 2005. « Cognition is categorization ». Dans Handbook of Categorization, édité par Henri Cohen et Claire Lefebvre. Elsevier. http://cogprints.org/3027/.
Howard, Alex. 2014. « Disruptive Technologies Pose Difficult Ethical Questions for Society ». TechRepublic. 22 avril 2014. https://www.techrepublic.com/article/disruptive-technologies-pose- difficult-ethical-questions-for-society/.
Isitor, Emmanuel, et Clare Stanier. 2016. « Defining Big Data ». Dans American University, Bulgaria.
Jameson, J. Larry, et Dan L. Longo. 2015. « Precision Medicine--Personalized, Problematic, and Promising ». The New England Journal of Medicine 372 (23): 2229-34.
https://doi.org/10.1056/NEJMsb1503104.
Jiang, Fei, Yong Jiang, Hui Zhi, Yi Dong, Hao Li, Sufeng Ma, Yilong Wang, Qiang Dong, Haipeng Shen, et Yongjun Wang. 2017. « Artificial intelligence in healthcare: past, present and future ».
Stroke and Vascular Neurology. https://doi.org/10.1136/svn-2017-000101.
Kattan, M. W. 2001. « Expert Systems in Medicine ». Dans International Encyclopedia of the Social &
Behavioral Sciences, édité par Neil J. Smelser et Paul B. Baltes, 5135-39. Oxford: Pergamon.
https://doi.org/10.1016/B0-08-043076-7/00556-8.
Kenagy, John W., et Clayton M. Christensen. 2002. « Disruptive Innovation: A New Diagnosis for Health Care’s "Financial Flu" » Healthcare Financial Management. 1 mai 2002.
https://link.galegroup.com/apps/doc/A86064162/AONE?sid=lms.
Kitchin, Rob. 2014. « Big Data, New Epistemologies and Paradigm Shifts ». Big Data & Society 1 (1): 2053951714528481. https://doi.org/10.1177/2053951714528481.
Kolko, Jon. 2012. « The Ethics of Disruptive Innovation in Wicked Problems – Austin Center for Design ». avril 2012. https://www.ac4d.com/2012/04/the-ethics-of-disruptive-innovation-in- wicked-problems/.
Kononenko, Igor. 2001. « Machine learning for medical diagnosis: history, state of the art and perspective ». Artificial Intelligence in Medicine 23 (1): 89-109. https://doi.org/10.1016/S0933- 3657(01)00077-X.
Lahlou, Saadi. 2015. « Un monde numérique : le renversement du miroir ». Dans Vol. 53. Variances. Lavrač, Nada, et Blaž Zupan. 2010. « Data Mining in Medicine ». Dans Data Mining and Knowledge
Discovery Handbook, édité par Oded Maimon et Lior Rokach, 1111-36. Boston, MA: Springer US.
https://doi.org/10.1007/978-0-387-09823-4_58.
LeCun, Yann, Yoshua Bengio, et Geoffrey Hinton. 2015. « Deep Learning ». Nature 521 (7553): 436-44. https://doi.org/10.1038/nature14539.
Lee, Howard. 2014. « Paging Dr. Watson: IBM’s Watson Supercomputer Now Being Used in Healthcare ». Journal of AHIMA 85 (5): 44-47.
Lipworth, Wendy, Paul H. Mason, Ian Kerridge, et John P. A. Ioannidis. 2017. « Ethics and Epistemology in Big Data Research ». Journal of Bioethical Inquiry 14 (4): 489-500.
https://doi.org/10.1007/s11673-017-9771-3.
Liu, S., S. Liu, W. Cai, S. Pujol, R. Kikinis, et D. Feng. 2014. « Early diagnosis of Alzheimer’s disease with deep learning ». Dans 2014 IEEE 11th International Symposium on Biomedical Imaging
(ISBI), 1015-18. https://doi.org/10.1109/ISBI.2014.6868045.
Lovejoy, Christopher A., Varun Buch, et Mahiben Maruthappu. 2019. « Technology and Mental Health: The Role of Artificial Intelligence ». European Psychiatry 55 (janvier): 1-3.
https://doi.org/10.1016/j.eurpsy.2018.08.004.
Luo, Jake, Min Wu, Deepika Gopukumar, et Yiqing Zhao. 2016. « Big Data Application in Biomedical Research and Health Care: A Literature Review ». Biomedical Informatics Insights 8 (janvier): BII.S31559. https://doi.org/10.4137/BII.S31559.
Maimon, Oded, et Lior Rokach. 2010. « Introduction to Knowledge Discovery and Data Mining ». Dans
Data Mining and Knowledge Discovery Handbook, édité par Oded Maimon et Lior Rokach, 1-15.
Boston, MA: Springer US. https://doi.org/10.1007/978-0-387-09823-4_1.
Manrai, Arjun K., Chirag J. Patel, et John P. A. Ioannidis. 2018. « In the Era of Precision Medicine and Big Data, Who Is Normal? » JAMA 319 (19): 1981-82. https://doi.org/10.1001/jama.2018.2009. Máttyus, Gellért, et Raquel Urtasun. 2018. « Matching Adversarial Networks ». Dans Proceedings of
the IEEE Conference on Computer Vision and Pattern Recognition, 8024–8032.
Merkow, Jameson, Robert Lufkin, Kim Nguyen, Stefano Soatto, Zhuowen Tu, et Andrea Vedaldi. 2017. « DeepRadiologyNet: Radiologist Level Pathology Detection in CT Head Images ».
arXiv:1711.09313 [cs], novembre. http://arxiv.org/abs/1711.09313.
Meunier, Jean-Guy. 2017. « Humanités numériques et modélisation scientifique ». Questions de
communication, no 31 (septembre): 19-48.
Miotto, Riccardo, Fei Wang, Shuang Wang, Xiaoqian Jiang, et Joel T. Dudley. 2018. « Deep Learning for Healthcare: Review, Opportunities and Challenges ». Briefings in Bioinformatics 19 (6): 1236-46. https://doi.org/10.1093/bib/bbx044.
Mirnezami, Reza, Jeremy Nicholson, et Ara Darzi. 2012. « Preparing for Precision Medicine ». New
England Journal of Medicine 366 (6): 489-91. https://doi.org/10.1056/NEJMp1114866.
Mittelstadt, Brent Daniel, et Luciano Floridi. 2016. « The Ethics of Big Data: Current and Foreseeable Issues in Biomedical Contexts ». Science and Engineering Ethics 22 (2): 303-41.
https://doi.org/10.1007/s11948-015-9652-2.
Moore, Robert J. 2011. « Eric Schmidt’s “5 Exabytes” Quote Is a Load of Crap ». The Data Point. 2011.
https://blog.rjmetrics.com/2011/02/07/eric-schmidts-5-exabytes-quote-is-a-load-of-crap/.
Müller, Vincent C., et Nick Bostrom. 2016. « Future progress in artificial intelligence : a survey of expert opinion ». Dans Fundamental issues of artificial intelligence, Springer International Publishing Switzerland, 555-68. V.C. Müller.
OMS. 2012. « National eHealth Strategy Toolkit ». World Health Organization.
———. 2016. « Atlas of eHealth country profiles : the use of eHealth in support of universal health
coverage ». Global Observatory for eHealth.
https://www.who.int/goe/publications/atlas_2015/en/.
Paillé, Pierre. 1994. « L’analyse par théorisation ancrée ». Cahiers de recherche sociologique, no 23: 147-81. https://doi.org/10.7202/1002253ar.
Panch, Trishan, Heather Mattie, et Leo Anthony Celi. 2019. « The “Inconvenient Truth” about AI in Healthcare ». Npj Digital Medicine 2 (1): 1‑3. https://doi.org/10.1038/s41746-019-0155-4.
Patel, Vimla L., Edward H. Shortliffe, Mario Stefanelli, Peter Szolovits, Michael R. Berthold, Riccardo Bellazzi, et Ameen Abu-Hanna. 2009. « The coming of age of artificial intelligence in medicine ».
Artificial Intelligence in Medicine, Artificial Intelligence in Medicine AIME’ 07, 46 (1): 5-17.
https://doi.org/10.1016/j.artmed.2008.07.017.
Paul, Michael J., Abeed Sarker, John S. Brownstein, Azadeh Nikfarjam, Matthew Scotch, Karen L. Smith, et Graciela Gonzalez. 2016. « Social media mining for public health monitoring and
surveillance ». Dans Biocomputing 2016: Proceedings of the Pacific Symposium, 468–479. World Scientific.
Pavie, Xavier, et Julie Egal. 2014. « Innovation and Responsibility: A Managerial Approach to the Integration of Responsibility in a Disruptive Innovation Model ». Dans Responsible Innovation 1:
Innovative Solutions for Global Issues, édité par Jeroen van den Hoven, Neelke Doorn, Tsjalling
Swierstra, Bert-Jaap Koops, et Henny Romijn, 53‑66. Dordrecht: Springer Netherlands.
https://doi.org/10.1007/978-94-017-8956-1_4.
Peck, Richard W. 2018. « Precision Medicine Is Not Just Genomics: The Right Dose for Every Patient ».
Annual Review of Pharmacology and Toxicology 58 (1): 105-22. https://doi.org/10.1146/annurev- pharmtox-010617-052446.
Peek, Niels, Carlo Combi, Roque Marin, et Riccardo Bellazzi. 2015. « Thirty years of artificial intelligence in medicine (AIME) conferences: A review of research themes ». Artificial
Intelligence in Medicine, Artificial Intelligence in Medicine AIME 2013, 65 (1): 61-73.
https://doi.org/10.1016/j.artmed.2015.07.003.
Quero, Giuseppe, Alfonso Lapergola, Luc Soler, Mouhamad Shabaz, Alexandre Hostettler, Toby Collins, Jacques Marescaux, Didier Mutter, Michele Diana, et Patrick Pessaux. 2019. « Virtual and Augmented Reality in Oncologic Liver Surgery ». Surgical Oncology Clinics 28 (1): 31-44.
https://doi.org/10.1016/j.soc.2018.08.002.
Rial-Sebbag, Emmanuelle. 2017. « Chapitre 4. La gouvernance des Big data utilisées en santé, un enjeu national et international ». Journal international de bioethique et d’ethique des sciences Vol. 28 (3): 39-50.
Ritchie, Marylyn D. 2012. « The success of pharmacogenomics in moving genetic association studies from bench to bedside: study design and implementation of precision medicine in the post-GWAS era ». Human Genetics 131 (10): 1615-26. https://doi.org/10.1007/s00439-012-1221-z.
Satava, Richard M. 2003. « Biomedical, Ethical, and Moral Issues Being Forced by Advanced Medical Technologies ». Proceedings of the American Philosophical Society 147 (3): 246-58.
Shafqat, Sarah, Saira Kishwer, Raihan Ur Rasool, Junaid Qadir, Tehmina Amjad, et Hafiz Farooq Ahmad. 2018. « Big Data Analytics Enhanced Healthcare Systems: A Review ». The Journal of
Supercomputing, février. https://doi.org/10.1007/s11227-017-2222-4.
Shakhovska, Khrystyna. 2017. « Making answer algorithm for chat-bot ». Dans Litteris et Artibus:
матеріали, 394–395. Видавництво Львівської політехніки.
Shameer, Khader, Kipp W. Johnson, Benjamin S. Glicksberg, Joel T. Dudley, et Partho P. Sengupta. 2018. « Machine Learning in Cardiovascular Medicine: Are We There Yet? » Heart 104 (14): 1156-64. https://doi.org/10.1136/heartjnl-2017-311198.
Sharon, Tamar. 2016. « The Googlization of Health Research: From Disruptive Innovation to Disruptive Ethics ». Personalized Medicine 13 (6): 563-74. https://doi.org/10.2217/pme-2016-0057.
Shmilovici, Armin. 2010. « Support Vector Machines ». Dans Data Mining and Knowledge Discovery
Handbook, édité par Oded Maimon et Lior Rokach, 231-47. Boston, MA: Springer US.
https://doi.org/10.1007/978-0-387-09823-4_12.
Thompson, Reid F., Gilmer Valdes, Clifton D. Fuller, Colin M. Carpenter, Olivier Morin, Sanjay Aneja, William D. Lindsay, et al. 2018. « Artificial Intelligence in Radiation Oncology: A Specialty-Wide Disruptive Transformation? » Radiotherapy and Oncology: Journal of the European Society for
Therapeutic Radiology and Oncology 129 (3): 421-26.
https://doi.org/10.1016/j.radonc.2018.05.030.
Torkamani, Ali, Kristian G. Andersen, Steven R. Steinhubl, et Eric J. Topol. 2017. « High-Definition Medicine ». Cell 170 (5): 828-43. https://doi.org/10.1016/j.cell.2017.08.007.
Villani, Cédric. 2018. « Donner un sens à l’intelligence artificielle. Pour une stratégie nationale et européenne. »
https://www.aiforhumanity.fr/pdfs/9782111457089_Rapport_Villani_accessible.pdf.
Wadhwa, Vivek. 2014. « Laws and Ethics Can’t Keep Pace with Technology ». MIT Technology Review. 2014. https://www.technologyreview.com/s/526401/laws-and-ethics-cant-keep-pace- with-technology/.
Webster, Dan E., Christine Suver, Megan Doerr, Erin Mounts, Lisa Domenico, Tracy Petrie, Sancy A. Leachman, Andrew D. Trister, et Brian M. Bot. 2017. « The Mole Mapper Study, Mobile Phone
Skin Imaging and Melanoma Risk Data Collected Using ResearchKit ». Scientific Data 4 (février): 170005. https://doi.org/10.1038/sdata.2017.5.
Yi, Xin, Ekta Walia, et Paul Babyn. 2018. « Generative Adversarial Network in Medical Imaging: A Review ». arXiv:1809.07294 [cs], septembre. http://arxiv.org/abs/1809.07294.
Zhang, G. Peter. 2010. « Neural Networks For Data Mining ». Dans Data Mining and Knowledge
Discovery Handbook, édité par Oded Maimon et Lior Rokach, 419-44. Boston, MA: Springer US.
Chapitre 3 – Limites et enjeux éthiques de l’utilisation des
systèmes d’intelligence artificielle en santé
L’analyse de données massives par le biais de systèmes d’intelligence artificielle (IA) permet ainsi de nombreuses applications prometteuses pour le système de santé. Ces technologies pourraient bien transformer la prévention, le diagnostic ou les soins, en favorisant l’efficacité et la précision des traitements, en rentabilisant les coûts ou en offrant de nouvelles perspectives de suivi pour les patients. Cependant, l’avènement des systèmes d’IA en santé n’est pas sans défi. Leur utilisation se heurte d’abord à trois principaux enjeux inhérents à la nature de leur fonctionnement : 1) des limites interprétatives et informationnelles ; 2) la nécessité de partage et 3) l’opacité des réseaux de neurones. Ces enjeux techniques sont susceptibles de conduire à différentes préoccupations éthiques relatives à la protection de la vie privée et de la confidentialité, au respect du consentement libre et éclairé ou de la justice sociale, à la déshumanisation des soins et du patient et à la protection de la sécurité. Ces différents défis sont à considérer pour assurer le développement d’une innovation numérique responsable en santé, soit d’en maximiser les bénéfices tout en limitant les risques.