L’intelligence artificielle progresse dans sa capacité à anticiper les problèmes de santé, mais son véritable potentiel réside dans sa capacité à améliorer les interventions médicales en tenant compte des facteurs sociaux qui influencent la santé des patients. Des initiatives prometteuses, comme celles menées par les Centres pour le contrôle et la prévention des maladies (CDC), visent à intégrer ces données dans la pratique clinique.
Les algorithmes d’apprentissage automatique sont de plus en plus performants pour détecter des maladies comme la rétinopathie diabétique, prédire les risques de septicémie et évaluer la gravité de l’état de patients en soins intensifs. Cependant, comme le soulignait Warren Buffet, il ne suffit pas de prévoir la pluie, il faut construire des abris. L’IA, aussi sophistiquée soit-elle, ne sera utile que si elle permet d’améliorer concrètement la prise en charge des patients.
Pour une prise en charge optimale, les médecins ne se contentent plus d’identifier les symptômes et les biomarqueurs – un taux de cholestérol élevé, un taux d’HbA1c anormal, une masse mammaire suspecte –. Ils doivent comprendre le contexte de vie des patients, les déterminants sociaux de la santé (DSS), et utiliser ces informations pour personnaliser les traitements.
Simukai Chigudu, de l’Université d’Oxford, explique que nous ne pouvons pas « séparer la santé et la maladie des contextes sociaux dans lesquels elles se produisent ». Cette prise de conscience croissante pousse les professionnels de santé à s’intéresser aux facteurs sociaux qui influencent l’état de leurs patients.
Les CDC mettent à disposition de nombreuses données pour intégrer les DSS dans les initiatives de santé publique et la pratique médicale. L’agence souligne toutefois que le défi majeur réside dans la transformation de ces données en actions concrètes. Plusieurs programmes visent à sensibiliser les cliniciens aux questions sociales clés, telles que le statut socio-économique, le niveau d’éducation et l’historique professionnel.
Une initiative spécifique se concentre sur le rôle du travail dans la santé. Son objectif est de faciliter l’intégration d’informations structurées sur l’emploi dans les dossiers médicaux électroniques. Prenons l’exemple d’un patient souffrant d’hypertension réfractaire aux traitements habituels. La connaissance de ses 10 années d’expérience en tant que peintre en bâtiment pourrait orienter le diagnostic vers une intoxication au plomb, une cause possible d’hypertension.
De même, une infirmière praticienne confrontée à une augmentation inexpliquée du taux d’HbA1c d’une patiente diabétique de type 2 pourrait, grâce à l’intégration des DSS, découvrir que cette patiente travaille de nuit. Le travail posté peut en effet perturber le contrôle glycémique, et le système pourrait alors proposer des recommandations spécifiques pour la gestion du diabète chez les travailleurs postés.
Les CDC travaillent également sur un modèle de données standardisé pour les informations relatives au travail, ainsi que sur des normes nationales en matière de vocabulaire et d’interopérabilité des systèmes informatiques de santé.
À la Mayo Clinic, des recherches sont menées sur l’impact des DSS sur la santé. Le Dr Young Juhn, directeur du programme d’IA et du laboratoire de science des populations de précision, étudie depuis 2006 les effets du statut socio-économique sur la santé, avec le soutien des National Institutes of Health (NIH).
Il a développé et validé un indice socio-économique basé sur le logement, appelé indice HOUSES, qui permet de mesurer le statut socio-économique des patients de manière objective. Cet indice, basé sur des données immobilières publiques (nombre de pièces, nombre de salles de bains, superficie, valeur estimée), est utilisé dans la recherche épidémiologique pour comprendre les disparités en matière de santé.
L’indice HOUSES permet de cibler les patients les plus vulnérables et de démontrer la valeur ajoutée de l’intégration des DSS. Une étude de Stevens et al. a montré que les patients ayant un score HOUSES élevé présentaient un risque de rejet de greffe rénale inférieur de 53 % à ceux ayant le score le plus bas.
Le Dr Juhn et ses collègues ont constaté que l’indice HOUSES permet de prédire 44 résultats de santé et facteurs de risque comportementaux différents chez les adultes et les enfants.
Il est toutefois important de rester réaliste. Même un algorithme intégrant tous les DSS imaginables ne suffira pas à éliminer les inégalités en matière de santé. Les patients et les prestataires peuvent choisir d’ignorer les recommandations de l’algorithme s’ils les jugent trop coûteuses ou injustifiées, ou si le patient a des difficultés à accéder aux examens recommandés.
Néanmoins, les algorithmes enrichis par les DSS ont le potentiel d’améliorer la prise en charge des patients. Les connaissances acquises par les médecins et les infirmières grâce à l’analyse des paramètres cliniques sont précieuses, mais elles ne suffisent plus. Le tableau clinique doit être complété par une prise en compte des facteurs sociaux qui influencent l’accès aux soins et les résultats à long terme.
Références
- Chigudu S. Livre : Un guide ironique sur le colonialisme dans le domaine de la santé mondiale. The Lancet. 2021 ; 397 : 1874-1975.
- Stevens M, Beebe TJ, Wi Chung-II et al. L’indice HOUSES en tant que mesure socio-économique innovante prédit l’échec du greffon chez les receveurs de greffe de rein. Transplantation 2020 ; 104 : 2383-2392.
Pour aller plus loin
