Actualité L’Intelligence Artificielle est-elle la clé du dé-confinement ?

Pour approfondir le sujet

Le corpus d’articles arXiv est désormais disponible sur Kaggle

Le corpus d'articles arXiv permet depuis plus de 30 ans à la communauté de chercheurs et au public d'avoir accès aux articles scientifiques dans...

Scikit-learn, SOFA, Coq, Pharo : Inria lance son Academy de formation continue dédiée aux logiciels libres

Inria a présenté fin juillet son nouveau dispositif de formation continue. Centré sur les logiciels libres cette structure permettra l’accès aux grands noms des...

Partenariat Life & Soft et CEA en bio-informatique, génomique, intelligence artificielle et technologies d’imagerie de pointe

Ce 4 août, Life & Soft et le CEA ont présenté officiellement leur accord de collaboration. Signé en avril 2020 pour une durée de...

Machine learning : L’Université d’Oxford et Atos installeront le plus grand super calculateur du Royaume-Uni

Atos et l'Université d'Oxford ont signé un contrat de quatre ans et d'une valeur de 5 millions de livres sterling pour un nouveau supercalculateur de...

L’Intelligence Artificielle est-elle la clé du dé-confinement ?

[su_table responsive=”yes”]

laurentcervoniLaurent Cervoni, Directeur IA Talan, Docteur en sciences appliquées dr_roudesliDocteur Mehdi Roudesli,
Médecin-Directeur Institut Régional de Médecine du Sport et de la Santé

[/su_table]

Dès le 31 décembre 2019, un programme d’Intelligence Artificielle de BlueDot, entreprise spécialisée dans le traitement de données, alertait les autorités de santé d’un risque sanitaire lié à une épidémie.

L’application avait ainsi près de dix jours d’avance sur l’OMS. L’algorithme utilisé est en mesure d’analyser des bulletins d’informations sanitaires ou des forums pour y repérer les signaux faibles. Sur la base de son expertise (sur d’autres maladies dont Zika), le moteur a établi le point de départ de la contagion et une prédiction des villes qui seraient ensuite atteintes.

Une estimation de la propagation mondiale avait aussi été calculée par l’Université de Southampton dès le 15 janvier.

Ainsi, l’Intelligence Artificielle, sans remplacer les décisions de l’être humain, s’avérait être un efficace outil d’aide à la décision. L’indice de confiance n’étant pas connu, les Centers for Disease Control and Prevention et l’OMS n’avaient pas eu confiance dans ce modèle prédictif…

Complexité de la modélisation

A présent, le monde vit sous confinement et l’IA peut contribuer à préparer la sortie annoncée autour de la mi-mai.

En effet, s’il est « facile » de décider de confiner quelques milliards d’individus, il est infiniment plus complexe de déterminer comment autoriser un retour à la normale en toute sécurité. Il est vraisemblable qu’une programmation sur plusieurs semaines ou mois devra être élaborée à partir du 11 mai.

Dans le mode de propagation, il reste de nombreuses zones d’ombre ou de paramètres à prendre en compte :

  • durée effective de la contagiosité du virus dans l’air ou sur des surfaces inertes,
  • durée d’immunisation d’un patient guéri
  • proportion exacte des patients asymptomatiques et leur impact dans la diffusion du virus
  • durée exacte de la contagion d’un malade.

Par ailleurs, l’impossibilité de tester tous les habitants d’un pays introduit une part d’incertitude dans les modèles.

Autorise-t-on à sortir uniquement les patients guéris (tout en intégrant l’élément d’immunisation précédent) ? Qui doit-être testé et avec quel test ?

Les tests PCR sont considérés comme les plus efficaces actuellement. Ils permettent de confirmer qu’un malade est effectivement atteint du coronavirus. Les tests sérologiques permettent, quant à eux, de savoir si le patient a bien souffert d’une infection par SARS-COV2 et s’il en est guéri.

Avec ces informations incomplètes et évoluant dans le temps, il faut donner aux pouvoirs publics des éléments permettant de déterminer si le déconfinement doit se faire par typologie de cas (guéri, non atteint), par tranche d’âge (le risque de décès semblant varier selon l’âge), par zone géographique et en intégrant des schémas de déplacements.

Est-il, par exemple, possible d’être « déconfiné » en Normandie et d’aller travailler à Paris ?

Enfin, les projections doivent intégrer la dimension internationale. La relance des transports exige, en effet, que des approches coordonnées soient envisagées dans tous les pays. Or, chaque pays n’est pas touché de la même façon et les pratiques diffèrent en matière de tests, de confinement et de traitements.

Faiblesse des bases de données

A l’heure actuelle, il existe sur le territoire national différentes bases de données concernant le COVID-19 alors que nous savons assez peu de choses sur l’incidence épidémiologique réelle.

Actuellement les données épidémiologiques les plus étudiées concernent :

  • le taux de patients hospitalisés pour motif de COVID-19 ( PCR positive)
  • le ratio de positivité des taux de PCR réalisées sur certains lieux biens identifiés.
  • le nombre de décès liés au COVID-19

Pour autant il s’agit d’une pathologie pour laquelle près de 80% des citoyens touchés n’ont pas recours aux hôpitaux et ne bénéficient, pour le moment, pas de tests pour confirmer le diagnostic.

En l’absence de certitudes quant aux pourcentages de cas qui nécessiteront d’avoir recours aux services hospitaliers les données les plus intéressantes seraient issues des registres remplis en médecine de ville.

Or, à l’heure actuelle, rare sont les bases de données communes pour le recensement des cas probables ou suspects de COVID-19.

Parmi celles-ci, on retrouve le réseau Sentinelles, composé de 1400 médecins environ (2.1% des généralistes et 4.3% des pédiatres), répartis sur le territoire, qui pour faire face aux besoins du moment, recense les infections respiratoires aigües, tout ou partie en lien avec l’épidémie de COVID-19.  Il n’est donc ni exhaustif, ni adapté au suivi des patients COVID-19.

D’un point de vue du recueil de données directement auprès de la population, la France dispose du registre GrippeNet, transformé en réseau COVIDnet pour faire face aux besoins du moment.

Cependant, il n’est actuellement composé que de 7200 réponses volontaires au questionnaire.

L’IA en renfort

Les paramètres de gestion de la situation liés au Coronavirus sont particulièrement nombreux avec des parts d’incertitudes sur certains facteurs, des données inconnues et d’autres corrélées à des éléments non maîtrisés par un pays donné.

Il est en conséquence extrêmement complexe d’imaginer un modèle de sortie de confinement sécurisant et sur lequel les pouvoirs publics pourraient s’appuyer.

En revanche, l’Intelligence Artificielle et le numérique peuvent apporter des réponses efficaces.

Les informations dont un tel système d’IA aura besoin sont évidemment toutes celles dont les ARS disposent sur les dates d’entrée des malades, leur évolution, les données des tests PCR pratiqués et les guérisons.

Les tests sérologiques permettront de disposer aussi d’une cartographie des patients guéris et leur répartition sur le territoire.

Toutefois, la contribution volontaire des citoyens sera aussi indispensable. En effet, la plupart des applications mobiles proposées sont à visée de diagnostic afin de diriger le patient ou non vers un médecin. Ou bien à visée de télésurveillance des patients ayant consulté préalablement un praticien. Mais elles ne recensent pas la situation du patient.

L’application « Stop-Covid » envisagée par le gouvernement n’apporterait qu’une réponse partielle. D’après les informations actuelles, elle serait basée sur la connaissance réelle du porteur de l’application de son état et du risque local de contamination qu’il ferait courir. Mais cela n’intègre qu’une petite proportion de citoyens et ne permet pas d’établir une cartographie ou une planification d’ensemble. Les données de StopCovid, entre autres, viendraient donc alimenter une plateforme d’IA.

L’outil idéal consisterait à coupler une application à visée de diagnostic à une application à visée d’auto-recensement.

Le diagnostic probabiliste sera alors affiné (et confirmé ou précisé) progressivement par l’évolution de l’état de santé du malade et par l’adjonction des résultats d’examens complémentaires (PCR, sérologie, scanner thoracique >72H, …).

Cette première étape permettrait de disposer d’une base de données conséquente sur l’évolution des symptômes.

L’auto recensement permettra de disposer d’une cartographie volontaire (et anonyme) des citoyens. Même partiel, cet outil nourrira un modèle prédictif d’Intelligence artificielle. Les derniers sondages montrent d’ailleurs que les citoyens sont prêts à accepter ce type d’outil s’ils sont au service de la santé des populations.

En outre, une telle application permet à chacun de savoir si une zone est « à risque fort » ou non. Telle que l’on peut le retrouver pour la cartographie du paludisme qui permet d’adapter le traitement médicamenteux préventif (prophylaxie).

Enrichie par ces éléments, une application d’Intelligence Artificielle serait en mesure d’élaborer plusieurs scenarii dynamiques et pouvant évoluer en fonction de l’acquisition des connaissances.

Il serait par exemple déconseillé, voire interdit, à un sujet n’ayant pas contracté COVID-19 (sérologie négative) de se rendre dans une zone où l’épidémie est encore très présente.  A contrario, il n’y a pas de raison (sous réserve de la durée de l’immunisation) de déconseiller à un patient guéri (sérologie positive) de s’y rendre, de surcroit pour travailler.

Les technologies éligibles sont très nombreuses : par exemple, machine learning, modèle bayesiens, propagation de contraintes ainsi que Graphe Database afin de disposer d’un modèle faisant ressortir les interconnexions, la gestion des flux, les zones à risques, les clusters éventuels, …

La complexité de l’outil à construire, n’est pas tant dans le volume des données que dans les variables qui influent sur le résultat et leur plage de confiance. Les valeurs d’entrée s’appuient sur l’ensemble des facteurs précédemment évoqués afin de générer, d’une part un séquencement de la sortie du confinement (par ville ou par région), puis les conséquences du déplacement de profils individuels (contaminé, guéri, etc…) d’une zone à une autre).

L’intérêt est ainsi de pouvoir disposer d’un outil en temps réel qui peut s’adapter aux différents facteurs fournis.

La fiabilité du modèle réside donc bien principalement sur l’auto-recensement.

L’intégration d’informations ou d’actions complémentaires comme le port du masque pour tous (proposé par l’académie de médecine) peut aussi faire évoluer le modèle et mettre en évidence des stratégies différentes de sortie du confinement.

Ainsi, en faisant varier des hypothèses ou des variations des stocks (masques, PCR, sérologie), l’algorithme d’IA permettra de mesurer les risques des différents scénarii et pourra justifier les conséquences de telle ou telle décision (explicabilité).

Plusieurs médecins ont exprimé récemment leur confiance dans une approche exploitant l’Intelligence Artificielle. Nous disposons d’autre part en France d’un savoir-faire reconnu et de nombreuses entreprises capables de rapidement répondre à cette urgence. Le développement d’une telle solution paraît donc indispensable et nécessaire, d’autant que l’épidémie pourrait revenir (effets rebond), si le taux d’immunisation n’est pas atteint ou si l’immunisation n’est pas complète et que les vaccins tardent.

Sans s’appuyer sur de tels outils, il ne sera pas possible de produire un modèle prédictif explicable pour sortir rapidement du confinement. L’enjeu est donc autant sanitaire qu’économique.

Mais la décision reste politique pour le choix d’une application qui s’adresse à l’ensemble de la population.

(Illustration source Pixabay)

Contributeur expert

Laurent Cervoni

Ingénieur de l’École Supérieure d’Ingénieurs en Électronique et Électrotechnique (E

Partager l'article

Le corpus d’articles arXiv est désormais disponible sur Kaggle

Le corpus d'articles arXiv permet depuis plus de 30 ans à la communauté de chercheurs et au public d'avoir accès aux articles scientifiques dans...

Scikit-learn, SOFA, Coq, Pharo : Inria lance son Academy de formation continue dédiée aux logiciels libres

Inria a présenté fin juillet son nouveau dispositif de formation continue. Centré sur les logiciels libres cette structure permettra l’accès aux grands noms des...

Partenariat Life & Soft et CEA en bio-informatique, génomique, intelligence artificielle et technologies d’imagerie de pointe

Ce 4 août, Life & Soft et le CEA ont présenté officiellement leur accord de collaboration. Signé en avril 2020 pour une durée de...

Machine learning : L’Université d’Oxford et Atos installeront le plus grand super calculateur du Royaume-Uni

Atos et l'Université d'Oxford ont signé un contrat de quatre ans et d'une valeur de 5 millions de livres sterling pour un nouveau supercalculateur de...