4 L’évaluation des marqueurs prédictifs
5 La personnalisation sur le risque de base
6.2.1 Modélisation de l’effet (treatment effect modelling )
6.2.2 Modèles basés sur le risque de base (Risk-based methods)
6.4 Utilisation de l’intelligence artificielle
6.4.1 Prédiction du pronostic sous traitement
6.4.2 Prédiction du bénéfice, modélisation de l’hétérogénéité des effets traitements
7 L’évaluation de l’utilité clinique par les essais de stratégie
Le domaine de la personnalisation des traitements n’échappe pas à l’enthousiasme, parfois excessif [111] , soulevé par l’intelligence artificielle (IA) avec le machine learning ou le deep learning . Il existe d’ores et déjà de multiples propositions d’outils de prédiction du bénéfice des traitements pour l’aide à la décision thérapeutique [112 , 113] [114] . D’autres approches dites innovantes sont proposées, comme l’utilisation des jumeaux numériques (digital twins ). En dehors d’effet d’annonce [115 , 116] , aucune publication d’application concrète n’est pour l’instant disponible (en juillet 2023).
L’intelligence artificielle, et le machine learning ou le deep learning en particulier, est une voie alternative à la modélisation biostatistique habituelle pour construire des outils prédictifs. Par rapport aux méthodes habituelles (régression logistique par exemple), les méthodes d’IA pourraient être plus flexibles en termes de complexité des modèles sous-jacents et offrent aussi la possibilité d’exploiter de l’imagerie à but prédictif. Il s’agit de techniques différentes de modélisation et d’utilisation des modèles construits pour prédire, mais au-delà de ces aspects techniques l’IA n’apporte rien de plus que les approches classiques au niveau conceptuel dans cette problématique de la prédiction des bénéfices des traitements. Elle présente cependant quelques avantages comme la possibilité d’exploiter l’imagerie, la possibilité de modéliser des espaces de haute dimension (très nombreuses variables) et de régularisation (prévention de la surdétermination, de l’optimisme des modèles par overfitting).
Les outils ainsi produits sont parfois librement disponibles en ligne (comme https://www.cards-lab.org/insight ). Se pose alors la question de la fiabilité de ces prédictions, compte tenu du risque de perte de chance induit par une suggestion inopportune d’un traitement non optimal pour le patient (cf. section 1.2). La validation de leur utilité médicale (cf. section 6.4.3) devrait être un pré requis indispensable à l’utilisation de ces outils compte tenu des risques et enjeux médicaux sous-jacents.
