🎤 Interview - Vers une médecine plus intelligente grâce à l’IA (Matthieu Deboeuf-Rouchon, Capgemini Engineering)

Matthieu Deboeuf-Rouchon: [0:01] On sait qu'aujourd'hui, si on veut accélérer, il faut de la donnée. Les données de santé sont des données critiques, sur lesquelles il y a des vrais enjeux de souveraineté par ailleurs, qui nécessitent effectivement qu'il y ait, à un moment ou à un autre, des données en plus grand nombre, plus qualifiées, collectées de manière automatisée, Matthieu Deboeuf-Rouchon: [0:18] ce qui est extrêmement intéressant. Si on veut, à terme, décentraliser 100% des essais cliniques, le fait d'aller cumuler différentes technologies boostée par l'intelligence artificielle au service des essais cliniques, c'est d'essayer vraiment d'aller décentraliser 100% de ces essais et d'avoir une virtualisation de l'ensemble du protocole. Monde Numérique : [0:47] Bonjour Matthieu Deboeuf-Rouchon. Matthieu Deboeuf-Rouchon: [0:49] Bonjour Jérôme Colombain. Monde Numérique : [0:50] Responsable de l'innovation pour la France chez Capgemini Engineering. Ravi de vous accueillir à nouveau dans le monde numérique pour ce rendez-vous mensuel en partenariat avec Capgemini. Alors, on s'intéresse ce mois-ci à l'apport de l'IA dans le domaine de la santé et de la médecine. On sait qu'il y a énormément de choses qui se préparent. Est-ce qu'on peut dire, Mathieu, qu'on est à l'aube d'une révolution dans ce domaine ? Matthieu Deboeuf-Rouchon: [1:12] Alors, on est déjà dans cette révolution. Ce qui est intéressant, c'est qu'on vit exactement la même chose que ce qu'on a pu vivre, fut un temps dans les années 90-2000, l'arrivée Doctissimo, où on posait ces questions. Et puis, là, aujourd'hui, on est dans l'air du génératif, donc on pose ces questions à GPT, Perplexity, enfin toutes ces IA qui sont aujourd'hui à la disposition du commun des mortels, qui sont d'ailleurs plus précises, encore plus alimentées de données que ça ne pouvait l'être avant, ce qu'on cherchait avant, on n'avait peu de réponses, il fallait lire et synthétiser, aujourd'hui on a une réponse qui est relativement circonstanciée. Monde Numérique : [1:47] Avec des résultats spectaculaires, pardon, mais il y a même des sondages qui ont été faits montrant qu'il avait un taux de réussite et d'efficacité sur les diagnostics qui étaient dans certains cas, meilleur qu'avec des vrais médecins ? Matthieu Deboeuf-Rouchon: [2:00] À l'évidence, ça couvre l'ensemble des pathologies qui sont déjà très alimentées au regard de la bibliographie scientifique et qui font que naturellement, quand on pose des symptômes dans le GPT, on a naturellement un résultat qui est généralement assez fiable, par ailleurs. Et en tout cas, c'en est absolument étonnant. Alors, il ne faut pas non plus se prendre pour un médecin ou un savant fou, il faut toujours confronter tout ça à quelqu'un du métier, mais c'est vrai que Et ces bluffants de résultats liés dans la santé aujourd'hui, que ce soit sur le diagnostic ou autre, sont présents partout, de l'Apple Watch jusqu'à des scanners Siemens ou autres pour lesquels on intègre beaucoup de briques technologiques par ailleurs. Monde Numérique : [2:41] Alors, il y a ce qu'on voit, ce qu'on peut utiliser à titre personnel, mais il y a aussi toute une face cachée, on va dire. L'IA permet d'améliorer des tas de processus, évidemment, beaucoup moins visibles dans tout ce qui fait la santé d'aujourd'hui. Matthieu Deboeuf-Rouchon: [2:55] Bien sûr, il y a ce que l'on voit en tant que détection de symptômes, et tu l'as souligné, sur l'aide au diagnostic, qui est quelque chose pour le grand public, mais aussi, bien sûr, pour les professionnels de santé qui sont assistés aujourd'hui par l'intelligence artificielle. C'est aussi la capacité, grâce à l'IA, d'avoir une médecine plus personnalisée, j'entends par là, de mieux traiter la prise médicamenteuse au quotidien. C'est aussi et surtout la découverte, la conception de nouvelles formulations de médicaments qui vont nous permettre de générer de nouvelles molécules, de mieux trouver ou prédire ce qui serait plus intéressant pour une cohorte de patients. C'est l'optimisation des essais cliniques, naturellement, puisqu'on va être mesure. On en a parlé sur le sujet des jumeaux numériques dernièrement, d'utiliser aussi l'IA pour mieux prédire, documenter, automatiser tout ce qui va pouvoir se passer dans l'analyse d'une réaction ou prédire mieux ce qui va pouvoir se passer sur un patient potentiellement. Bref, c'est tout ça, c'est les assistants aussi conversationnels, alors qu'ils soient par un chat, qu'ils soient également vocaux. Je pense à une startup qui s'appelle Vocats, qui traite par ailleurs très bien ces sujets, où on est appelé par une intelligence artificielle pour décrire potentiellement, alors eux, c'est dans le cadre de l'assurance, dans le cadre des RH, mais dans le cadre de la santé, c'est la même chose. Matthieu Deboeuf-Rouchon: [4:14] Décrire des symptômes, pouvoir avoir une analyse de ce qui est dit, mais aussi, et c'est ça qui est intéressant, du non-verbal, c'est-à-dire l'intonation, l'agressivité, la respiration, qui seraient des éléments qu'on ne pourrait pas détecter par un appel classique. Et puis, c'est surtout la décision clinique optimisée parce qu'on est en mesure d'avoir plus de données, d'avoir une IA qui nous assiste et de prendre des décisions qui soient plus fines et plus propres à certaines pathologies. L'IA, c'est tout ça. Ça couvre, comme dans la vie de tous les jours pour tout le monde, dans la médecine, tous les grands sujets qui amènent à trouver la meilleure prescription, pour optimiser le bien-être des patients. Monde Numérique : [4:50] En ce qui concerne les essais cliniques, c'est-à-dire le test de traitement avant qu'il soit mis sur le marché, c'est ça quand on parle ? Quels sont les bénéfices qu'on crée ? Matthieu Deboeuf-Rouchon: [5:01] Alors, naturellement, dans ce qu'on va couvrir quand on va parler de test clinique, il faut bien rappeler qu'on est sur quelques dizaines d'individus jusqu'à plusieurs milliers. C'est un processus qui est extrêmement long, qui est très intéressant, qui nécessitent de documenter, et c'est là que l'intelligence artificielle va vraiment avoir un point très important pour mieux concevoir notamment le protocole, pour mieux travailler la partie réglementaire, et puis aussi surtout pour mieux recruter les cohortes de patients. Alors quand on doit recruter des patients qui vont tester la formulation, on va devoir naturellement identifier les zones géographiques, tester sur certaines personnes atteintes de certaines pathologies, identifier plus d'hommes que de femmes, etc. Donc il y a tas de critères qui sont intéressants. L'IA permet d'optimiser ce processus et puis elle permet de documenter beaucoup plus facilement et ça, Matthieu Deboeuf-Rouchon: [5:53] c'est quelque chose qui est intéressant. Et au-delà de la documentation, l'impact véritable de l'IA aussi, c'est d'optimiser ce qu'on appelle le taux d'observance et d'être en mesure, finalement, grâce à l'intelligence artificielle, de mieux observer tout ce qui se passe et d'être en mesure de mieux comprendre sur plus de 80% ou 50% ou 70%, après on met la variation où on en a besoin, l'ensemble des symptômes bien identifiés, bien documentés pour optimiser tout ce processus grâce à l'IA et que ça aille naturellement plus vite. Monde Numérique : [6:26] Plus vite dans quelle proportion ? Matthieu Deboeuf-Rouchon: [6:28] Un des sujets, alors tout est question de variation, on sait qu'il faut plusieurs années pour lancer un nouveau médicament, les contraintes réglementaires sont très fortes, La documentation est un des sujets et un des enjeux extrêmement forts. Mais par exemple, quand on est en mesure de prendre de l'intelligence artificielle, d'utiliser de l'IA, et on va prendre un exemple avec Pfizer notamment pendant le Covid, qui grâce à des modèles prédictifs a été en mesure d'enrôler près de 50 000 volontaires en six mois sur 750 sites qui ont été connectés. Et donc, ça permet vraiment de travailler à l'optimisation du recrutement et puis à densifier nettement plus la capacité d'utiliser ces nouveaux patients augmentés pilotés par l'IA pour observer sur les sujets qui sont ceux de la réaction à une formulation et aux potentiels effets secondaires qu'on aurait à subir. Monde Numérique : [7:29] Je crois qu'il y a pas mal de projets qui sont menés, notamment en France. Vous, vous avez participé à des choses, notamment dans la région de Lyon, sur l'endométriose, c'est ça ? Matthieu Deboeuf-Rouchon: [7:41] Oui, effectivement. C'est un des projets de recherche qu'on a. Il faut savoir qu'on en a 65 projets de recherche actifs aujourd'hui, dont certains dédiés à la santé. Et dans ce projet qui s'appelle DIMÉDIA, il y a effectivement une brique technologique qui s'appelle Endoscore, qui a donné naissance à Endopas et qui est un outil qui permet aux médecins de mieux identifier l'ensemble des sujets liés à l'endométriose, puisqu'on sait que c'est des maux de ventre, notamment, mais pas que, et qu'on pourrait très vite les confondre avec d'autres pathologies. Et cette brique technologique permet de mieux identifier ce qui est relatif à l'endométriose, aussi l'état mental des patientes en question, et de mieux prévenir potentiellement les différents soins qu'il y aurait opérés et traitements que l'on pourrait apporter aux patients pour qu'il y ait un confort de vie un peu plus facile. Et c'est vrai qu'aujourd'hui, l'endométriose, en tout cas aujourd'hui, il y a quelques années, c'est un sujet sur lequel il y a assez peu de formation, assez peu de sensibilisation du corps médical. Matthieu Deboeuf-Rouchon: [8:48] Il y a quelques experts qui sont vraiment spécialisés sur le sujet. Et là, on voit que l'IA permet également à des sachants non formés d'être assistés pour mieux identifier très vite cette pathologie par rapport à d'autres avec lesquelles on pourrait la confondre. Monde Numérique : [9:03] Concrètement, c'est quoi ? C'est-à-dire que c'est des médecins qui font passer des examens cliniques et en même temps qui tapotent sur leur ordinateur ? Matthieu Deboeuf-Rouchon: [9:09] C'est exactement ça, de manière très caricaturale. L'IA dans la santé en général, c'est des documents qu'on va recevoir, des images qui vont être analysées. Matthieu Deboeuf-Rouchon: [9:18] C'est vrai qu'analyser le tissu musculaire, qui ne devrait pas être un endroit bien spécifique, on pourrait le confondre, c'est extrêmement fin. L'intelligence artificielle sur un périmètre donné est très intéressante, justement pour aller identifier très vite certains tissus mous qui n'auraient pas à être présents sur une image. Je pense aussi, par exemple, à une autre société qui s'appelle Mille Vues sur le sujet, qui traite notamment du rapport automatisé et médical sur l'utilisant l'intelligence artificielle. Donc, on reçoit une photo, elle est analysée par l'IA, il y a un rapport médical circonstancié qui apparaît avec des verrous technologiques qu'il fallait craquer. Et c'est là que l'IA a encore besoin d'être formée, c'est que l'intelligence artificielle sur deux points de vue différents d'un même os ou d'un même corps mou pour identifier deux typologies différentes de fractures potentiellement alors que c'est la même fracture prise sous deux angles différents ou de fissures ou de tissus liés à l'endométriose par exemple. Donc on voit que l'intelligence artificielle là-dedans apporte un gain extrêmement fort pour mieux cibler et très vite identifier les zones à risque ou les zones sur lesquelles il y a une attention plus forte à avoir par le sachant. Et puis, bien sûr, ce sont aussi des formulaires qui vont permettre d'analyser par l'intelligence artificielle ensuite ce qui a été recueilli par les patients, notamment sur leur état mental en ce qui concerne l'endométriose pour un des sujets qui est endopasse et endoscore. Monde Numérique : [10:44] Matthieu Deboeuf-Rouchon, est-ce que l'avènement du quantique pourrait encore accélérer les choses ? Matthieu Deboeuf-Rouchon: [10:53] Le quantique, à l'évidence, c'est une zone grise dans laquelle il y a énormément de recherches, autant sur la partie purement software, algorithmique, que la partie purement physique. Matthieu Deboeuf-Rouchon: [11:05] C'est un sujet sur lequel aujourd'hui, bien sûr, beaucoup d'acteurs travaillent. Je pense que nous, notamment, on travaille beaucoup sur ces sujets avec IBM. On voit qu'en fait, par rapport au Quantum Lab, l'idée est encore quand même de construire des démonstrateurs. On est sur une zone où il y a encore beaucoup de champs à explorer. On évalue l'impact notamment que pourrait avoir le quantique sur tout ce qui va être sécurisation des données, sur tout ce qui va être le design des essais. C'est un marché sur la découverte de nouvelles formulations qui est absolument exceptionnelle par cette capacité de calcul. Et on sait notamment que sur le marché, ne serait-ce que du quantum associé à la découverte de nouvelles formulations, on est sur des niveaux de plusieurs milliards de dollars d'ici à 2030. Je crois que c'est Globe News Wire qui donnait cette statistique. Donc, on est sur un marché qui est extrêmement naissant, qui offre un champ des possibles qui n'est pas sous-évalué, en tout cas non perçue par le grand public et qui pourtant va apporter une révolution extrêmement intéressante dans les années qui viennent. Monde Numérique : [12:17] En fait, ce sera la même chose, mais plus, plus. C'est plus de puissance de calcul, etc. Matthieu Deboeuf-Rouchon: [12:23] Plus de puissance de calcul et surtout la capacité d'aller sur des résultats qui étaient aujourd'hui improbables, voire impossibles à atteindre. Dans la mesure où, quand on est sur un ordinateur quantique aujourd'hui, pour simuler les molécules, pour prédire des réponses, pour aller sur tout ce qui va être l'optimisation des protocoles, ce sont des sujets sur lesquels on n'avait quasiment pas de possibilités. Alors, on parle aujourd'hui de la GNI pour découvrir de nouvelles formulations, mais la GNI couplée au quantique amène très certainement à terme, et c'est ça qui sera intéressant. Matthieu Deboeuf-Rouchon: [12:57] L'émanation d'une médecine 100% personnalisée où chaque molécule pourrait être potentiellement pré-certifiée et 100% personnalisée au patient. Donc c'est un champ, sans aller dans le black mirror, qui est presque exceptionnel, même si aujourd'hui, il faut être très clair, l'adoption du quantum computing sur des sujets de crypto, sur des sujets de capteurs quantiques, sont des sujets qui sont encore à l'état de démonstration, ne pas anticiper le cycle du hype. On est quand même dans une courbe où on sait qu'on ne sait pas et les plus grands acteurs du marché stabilisent déjà quelques sujets. Alors, il y en a un qui nous anime particulièrement, qui est quand même la collaboration qu'on a avec la société Pascal qui fait des calculateurs neutralatomes. Donc, on a vraiment des sujets qui sont sur la sécurité quantique, les données cliniques et qui sont des sujets qui vont nous permettre vraiment d'aller travailler. Matthieu Deboeuf-Rouchon: [13:58] Les découvertes de nouvelles formulations, l'optimisation des sujets cliniques, avec une réduction qu'on aimerait atteindre à terme, et c'est aussi le marché qui le demande, de 30% du cycle du lit d'optimisation, c'est-à-dire cette capacité vraiment d'aller réduire de 30% le temps entre le moment où on découvre, on pense, on teste, il y a tous les essais cliniques qui se font, et la sortie sur le marché. Ce serait exceptionnel pour beaucoup de pathologies et beaucoup de patients Matthieu Deboeuf-Rouchon: [14:25] qui sont en attente par ailleurs de certains traitements. Monde Numérique : [14:28] Matthieu, quand on parle d'IA générative, d'intelligence artificielle d'une manière générale, on parle de données. Est-ce qu'on a suffisamment de données ? Est-ce que vous avez accès à notamment les données de santé qui, on sait, sont protégées, qui sont très précieuses et qui sont très protégées, notamment en Europe ? Du coup, est-ce que ça ne bloque pas l'entraînement des modèles et l'évolution des technologies ? Matthieu Deboeuf-Rouchon: [14:54] C'est tout le sujet. On sait qu'aujourd'hui, si on veut accélérer, il faut de la donnée. Les données de santé sont des données critiques sur lesquelles il y a des vrais enjeux de souveraineté par ailleurs, ce qui fait écho à tous les projets de Claude Souverain qu'on peut mener avec Orange par ailleurs, mais qui nécessitent effectivement qu'il y ait un moment ou un autre des données, en plus grand nombre, plus qualifiés, collectés de manière automatisée. Et ça, c'est quelque chose qui est extrêmement intéressant. Si on veut, à terme, décentraliser 100% des essais cliniques, c'est une des projections qu'il y a par ailleurs à 2030, qui est celle de se dire aujourd'hui qu'avec les technologies de Edge et AI, et donc le fait d'aller cumuler différentes technologies boostées, par l'intelligence artificielle au service des essais cliniques, c'est d'essayer vraiment d'aller décentraliser 100% de ces essais et d'avoir une virtualisation de l'ensemble du protocole. Monde Numérique : [15:54] Décentraliser, c'est-à-dire ? Matthieu Deboeuf-Rouchon: [15:55] Décentraliser, c'est-à-dire qu'on serait peut-être même plus sur des êtres humains à part entière et peut-être leur recopie numérique, on en a parlé je crois à la fin de notre dernier épisode ensemble, et qui font que les données synthétiques sont également des données qui sont intéressantes, c'est-à-dire créer de la donnée pour mieux entraîner les modèles et faire en sorte à terme de pouvoir directement ouvrir la voie, ce qu'a déjà commencé la FDA aux États-Unis, à des guichets uniques pour les données européennes et donc avoir une simplification de l'accès aux données et de pouvoir avoir des échanges qui soient plus faciles. Mais je dirais que c'est un peu comme l'adage qui dit pas de bras, pas de chocolat, pas de données, pas d'IA et pas d'IA, notamment pas d'optimisation de tout ce processus. Donc on est dans un cercle qui est virtueux, qui est important aussi à préserver, ce sont des données qui sont sensibles, pour lesquelles il y a des infrastructures qui sont énormes. Et c'est vrai qu'aujourd'hui, on fait aussi avec la réglementation en vigueur qui est aussi un des garde-fous qui permet de s'assurer que l'ensemble des données que nous traitons soient utilisables, soient bien utilisées et soient fiables. Dans ces éléments-là, naturellement, on avance par la stratégie des petits pas même s'il y a des gros sujets qui sont en cours et notamment sur ces sujets de Claude Souverain avec lesquels Orange nous collaborons. Monde Numérique : [17:09] Oui, juste sur les données synthétiques, c'est ça qu'on a un peu de mal à réaliser. Comment est-ce que des données synthétiques, c'est-à-dire fabriquées, Monde Numérique : [17:16] non authentiques d'une certaine manière, peuvent réellement servir à entraîner des modèles d'IA ? Matthieu Deboeuf-Rouchon: [17:22] C'est là qu'il faut avoir effectivement ce garde-fou. Il y a la statistique de 2028 qui est sortie récemment, qui disait qu'au bout de… enfin d'ici 2028-2030, les intelligences artificielles donneront des résultats moins probants qu'aujourd'hui parce qu'elles auront été polluées par leurs propres données. Ça fait partie des sujets… s'alimentent. Monde Numérique : [17:38] Avec des choses qu'elles. Matthieu Deboeuf-Rouchon: [17:39] Ont fait elles-mêmes. Exactement. Donc, le sujet, c'est à un moment la dégradation du résultat et on voit très bien qu'il y a encore des hallucinations à traiter. Donc, il faut effectivement garder à l'esprit que les données synthétiques sont très intéressantes pour entraîner des modèles et il faut que ça se confonte à la réalité. Donc, ce sont des éléments sur lesquels il y a un champ encore scientifique à explorer qui est très intéressant, mais qui nécessite, et on l'a vu encore sur le CES de Las Vegas, il y avait une startup qui traitait des données synthétiques et on voyait que le temps de création d'un scénario classique, c'était de l'ordre de 6 à 8 mois pour recréer une accidentologie liée à une voiture. Leur use case, c'était les voitures. Il leur fallait 6 semaines pour le recréer en données synthétiques. Donc, on peut imaginer que pour certaines pathologies très spécifiques, le temps de collecte d'informations soit très long et que grâce aux données synthétiques basées sur les données collectées ces 10, 15, 20, 30 dernières années, on puisse recréer beaucoup plus rapidement le nombre de données et la pertinence des données qu'on aurait collectées sur 6-8 mois par une cohorte de patients en quelques semaines à peine. Et ça, ce sont des sujets qui sont intéressants, même s'il faut veiller aux hallucinations qui sont des principaux freins à l'utilisation de ces données pour former les modèles. Monde Numérique : [18:54] Merci Matthieu Deboeuf-Rouchon, responsable de l'innovation pour la France chez Capgemini Engineering. Matthieu Deboeuf-Rouchon: [18:59] Merci Jérôme.