Modélisation graphique multi-niveaux de données de santé pour le développement de modèles de risque de mortalité

L’espoir de révolutionner la façon dont nous améliorons la santé et traitons les maladies, dans le but de « dispenser le bon traitement au bon moment, à chaque fois, à la bonne personne » – un concept connu sous le nom de « médecine de précision » – a été adopté par de nombreux politiciens et scientifiques depuis plusieurs années. Pour une meilleure médecine de précision, les médecins doivent désormais prendre des décisions de traitement de plus en plus complexes avec un nombre irréaliste de variables. C’est pourquoi les développements en intelligence artificielle (IA) créeront une révolution de la science des données en médecine. En particulier, les réseaux de neurones graphiques (RNGs) ont démontré un immense potentiel dans l’apprentissage de représentations des données en combinant l’inférence relationnelle de modèles graphiques avec la puissance de l’apprentissage profond. Cependant, étant donné que la puissance de l’apprentissage profond est fortement associée à la taille des bases de données et que les données médicales ne peuvent pas être facilement partagées entre les établissements médicaux pour des raisons de confidentialité des patients, le développement de RNGs puissants pour la prédiction des maladies en médecine est un défi majeur.

L’objectif principal de ce projet de recherche est de développer un cadre méthodologique permettant la modélisation intégrative de données hétérogènes dans un cadre d’apprentissage fédéré, ce qui constituera une étape importante pour les progrès de l’IA en médecine. Pour cela, nous aborderons un problème clinique spécifique en développant des modèles de prédiction de la mortalité à partir des données de temps d’admission à l’hôpital. La justification étant que les médecins, lorsqu’ils sont explicitement alertés du mauvais pronostic d’un patient qu’ils soignent, amorceront une discussion sur les objectifs des soins si elle ne s’est pas déjà produite. En effet, il a été démontré que les conversations de fin de vie et la prise de décision partagée entre le personnel clinique et les patients hospitalisés peuvent améliorer la qualité des soins de fin de vie.

Un premier objectif du projet est de développer les structures graphiques permettant de combiner des données hétérogènes en médecine dans le but de prédire la mortalité via les RNGs. Un deuxième objectif sera d’adapter notre cadre de modélisation de RNGs à l’aide d’analyses temporelles afin de prendre en compte l’évolution des soins et de l’organisation clinique au fil du temps dans nos modèles. Enfin, en guise de preuve de concept, un dernier objectif est d’intégrer tous les développements des objectifs précédents dans un cadre d’apprentissage fédéré préservant la confidentialité des patients. Dans ce cadre d’apprentissage fédéré, des RNGs peuvent être développés à partir des bases de données de plusieurs établissements de santé en évitant le transfert de données.

En faisant progresser et en combinant les connaissances dans les domaines des RNGs et de l’apprentissage fédéré, ce programme de recherche propose de changer la manière dont la recherche en médecine de précision est menée par la communauté scientifique. Ultimement, cela permettra une implantation plus rapide des techniques d’IA vers la pratique clinique.