Pouvons-nous créer un monde sans maladie ?

Est-il possible d’avoir un monde sans maladie ? La maladie est un mot que la plupart des gens (sinon tous) se sentent mal à l'aise lorsqu'ils ou quelqu'un qu'ils connaissent en souffrent. Heureusement, Max Welling, professeur d'apprentissage automatique à l'Université d'Amsterdam et membre de l'Institut canadien de recherches avancées, et son équipe d'entrepreneurs ont créé un système d'analyse de données pour le diagnostic des maladies des patients. Fait amusant : il dirige AMLAB (Amsterdam Machine Learning LAB) et codirige QUVA Lab (Qualcomm-UvA Lab). Nous verrons ici comment cet homme merveilleux et son équipe d'entrepreneurs (Cynthia Dwork, Geoffrey Hinton et Judea Pearl) ont réalisé des avancées incroyables pour débarrasser le monde de la maladie.

Les inquiétudes de Max Welling

Certains des faits soulignés par Welling lors de son discours TEDx attirent l'attention sur le fait qu'il arrive parfois qu'un médecin puisse manquer quelque chose lors du diagnostic d'un patient. Par exemple, il affirme que « la moitié des procédures médicales ne reposent sur aucune preuve scientifique sollicitée ». Ce diagnostic se fait principalement à travers leur propre pratique et les connaissances acquises à l'école, alors que Max dit qu'il devrait y avoir une certaine forme de pronostic analytique concernant d'autres maladies possibles. Il poursuit en expliquant que certains patients peuvent être mal diagnostiqués et se retrouver à nouveau à l'hôpital, précisant qu'ils ont 8 fois plus de risques de mourir. Le plus intrigant, c’est que c’est un problème qui a toujours existé. La raison est aussi simple que des erreurs sont inévitables et peuvent malheureusement coûter la vie à quelqu'un ou à plusieurs personnes. De plus, comme le dit Welling, 230 millions de procédures médicales coûtent chaque année un demi-billion de dollars. Comme toute industrie essayant de fournir un service pour aider les autres, cela coûte de l'argent ; en outre, cela signifie que les hôpitaux et ceux en charge du financement des centres médicaux doivent écouter les innovateurs qui tentent de faire avancer l’industrie dans une meilleure direction. Néanmoins, être économe est toujours bénéfique.

Préserver la confidentialité

Welling a déclaré que lui et son équipe avaient réalisé 3 percées. L'un d'entre eux est un ordinateur capable de préserver la vie privée au sein d'un hôpital ; en outre, les ordinateurs peuvent également analyser une multitude de données pour améliorer encore le diagnostic des patients qui sont très malades. Ce logiciel est nommé Apprenti automatique. Essentiellement, l’ordinateur envoie une requête à la base de données de l’hôpital, qui répond à la requête, puis l’apprenant automatique modifiera la réponse en « y ajoutant du bruit ». Pour plus de détails s'il vous plaît cliquez ici (Max Welling l'explique plus en détail entre les minutes 5h20 et 6h06). En d’autres termes, comme l’explique Max, l’ordinateur veut « s’améliorer » via le diagnostic et « construire un meilleur modèle de données ». Tout cela est grâce à Cynthia dwork, qui est un scientifique distingué de Microsoft Research. Elle se concentre sur la préservation de la vie privée sur la base d’un fondement mathématique. Pour en savoir plus sur elle et ce qu'elle a fait, cliquez ici . Bref, cette première percée démontre non seulement que Max veut être respectueux des informations personnelles des patients mais veut également fournir aux hôpitaux une base plus solide pour le diagnostic.

L'apprentissage en profondeur

La deuxième avancée a été mise en lumière par Geoffrey Hinton. Yann Lecun, Yoshua Bengio et Geoffrey ont expliqué que : « l’apprentissage profond découvre une structure complexe dans de grands ensembles de données en utilisant l’algorithme de rétropropagation pour indiquer comment une machine doit modifier ses paramètres internes qui sont utilisés pour calculer la représentation dans chaque couche à partir de la représentation dans la couche précédente. » En termes simples, cela aide une machine à mieux se comprendre elle-même à travers ses couches complexes via ses paramètres les plus profonds (pour plus de détails, veuillez lire le reste de la critique écrite par les trois messieurs).

Causalité vs corrélation

La troisième et dernière avancée est davantage une idée collaborative visant à différencier davantage la causalité de la corrélation. Max estime que les outils de Judea Pearl peuvent aider à distinguer ces deux concepts et s'organiser. Essentiellement, le rôle de Judea est d’aider à donner plus de structure aux données, ce qui peut être fait si les dossiers des patients sont transférés numériquement dans une base de données. Le travail de Pearl est assez complexe, donc si vous souhaitez mieux comprendre quels sont ses « outils » cliquez ici .

Le souhait de Max

Welling a résumé à la fin de son Discussion TEDX qu'il souhaite préserver la confidentialité grâce à l'apprenant automatique. Deuxièmement, impliquer les mineurs de données et les scientifiques afin d'améliorer encore le diagnostic afin d'économiser de l'argent et des vies. Enfin, il souhaite révolutionner les soins de santé en servant mieux les hôpitaux, les médecins et les patients grâce à une technologie qui peut aider à raccourcir les visites à l'hôpital et à utiliser l'argent plus efficacement. C'est une belle vision des soins de santé car non seulement il veut être respectueux de l'industrie médicale, mais il veut également contribuer à sauver des vies tout en pensant aux budgets des hôpitaux et des centres médicaux.