23 Mai Big Data, IA et Santé mentale : retour d’expérience et perspectives
Paris Healthcare Week 2019, jeudi 23 mai, une conférence animée par Geoffrey POST, Praticien hospitalier au CH de Rouffach & Consultant médical chez GIP Symaris
La santé mentale en France
- 1 personne sur 5 chaque année est touchée par une maladie en France
- 1 sur 3 sur la vie entière
- C’est le 1er poste de dépense de la CNAM
Les faiblesses françaises sur le sujet
- Un recours tardif à l’offre de soin (méconnaissance, stigmatisation, saturation du système de soin)
- Un retard de diagnostic, pour certains troubles, par exemple la bipolarité il faut plus de 10 ans pour obtenir un diagnostic
- La communauté médicale française ne s’appuie pas assez sur les recommandations internationales
- Seulement 1 à 4% du budget de la recherche alloué à la santé mentale
- Pas d’intégration à l’hôpital général, notamment pour les soins somatiques
La genèse du projet
La technologie du projet se base sur l’intelligence artificielle ainsi que le machine learning.
L’idée est de prévenir plutôt que guérir. Il ne s’agit pas remplacer le praticien mais plutôt de l’aider dans ses choix.
Ce projet ferait ainsi entrer la médecine dans l’ère 6P : personnalisée, préventive, de précision, participative, prédictive, orientée vers le patient
En santé mentale, les patients souffrant de pathologies lourdes décèdent prématurément, et souvent, pas de leur maladie mentale mais de pathologies cardiovasculaires. Notamment, il y a une prise de poids associée à la prise de traitement qui a un impact sur le risque cardio-vasculaire et sur la qualité de vie du patient.
Comme il est plus facile de prévenir la prise de poids que de la traiter c’est tout l’objet du projet : pourvoir prédire une prise de poids en fonction d’une pathologie mentale et du traitement associé.
Les attentes du projet
Créer un outil d’assistance décisionnelle pour le praticien et améliorer la prise en charge du patient en adaptant la prise de soin, en valorisant le contenu du DPI, le tout dans une démarche médicale prédictive.
La méthodologie
- Revue de la littérature
- Réflexion sur des alternatives moins couteuse
- Analyse de la faisabilité
- Choix des sujets pour l’étude
- Choix des variables à suivre
- Déclaration de l’étude à la CNIL dans le respect du RGPD
- Phase de data cleaning : vérifier la qualité des données récoltées, éliminer les données aberrantes
- Pondération des valeurs entre elles : qu’est ce qui dans le DPI est prédictif d’une prise de poids ?
- Publication des résultats
Les limites du projet
L’algorithme permet d’aboutir à des corrélations mais pas des causalités, ils font donc être particulièrement vigilent sur les conclusions à tirer.
Un projet prévu sur 3 ans
- Validation de l’algorithme
- Définition de la méthode de réponse adaptée au niveau de risque
- Confirmation que la prédiction permet bien de prévenir le risque
- Extension de la démarche à l’échelon nation
- Poursuite et mise en place d’une filière BIG DATA en psychiatrie basée sur le REX de ce projet