Nous ne nous intéressons pas seulement à la question : « Que va-t-il se passer ? », mais surtout : « Que se passe-t-il si nous choisissons exactement telle thérapie plutôt qu’une autre ?
Maik Kschischo
L’idée ressemble à de la science-fiction : un modèle reçoit toutes les informations disponibles sur un patient, par exemple les valeurs de laboratoire, l’âge, le poids ou l’évolution antérieure de la maladie, puis calcule l’effet probable de différents traitements. Comment le volume tumoral évolue-t-il à une dose plus élevée ? À quels effets secondaires peut-on s’attendre ? Comment évoluent les valeurs de laboratoire ou le poids corporel ? Le modèle peut créer un pronostic pour diverses options thérapeutiques. Cela donne aux médecins une base supplémentaire pour la prise de décision. Au lieu de s’appuyer uniquement sur les expériences de cas comparables, ils peuvent comparer virtuellement différentes options de traitement avant de décider d’une thérapie.
Le cœur scientifique de la recherche réside dans un domaine appelé « apprentissage automatique causal ». Alors que l’IA classique se concentre principalement sur la reconnaissance de modèles et la réalisation de prédictions, cette approche tente de connaître les effets réels d’une action spécifique. « Nous ne nous intéressons pas seulement à la question : ‘Que va-t-il se passer ?’, mais surtout : ‘Que se passe-t-il si nous choisissons exactement telle thérapie au lieu d’une autre ?' », explique Kschischo en décrivant l’approche de recherche.
Un défi particulier ici est ce que l’on appelle la confusion dépendant du temps : les décisions médicales concernant la dose et le traitement sont influencées par l’état de santé actuel du patient, par exemple par les valeurs actuelles du laboratoire ou les résultats de l’imagerie. Cela fausse les évaluations statistiques. Un modèle qui apprend uniquement des schémas pourrait associer à tort une dose élevée à de mauvais résultats, simplement parce qu’il est souvent utilisé chez des patients déjà gravement malades. Pour corriger cet effet, DoseAI apprend un état pathologique qui prend en compte les traitements passés mais n’anticipe pas les décisions thérapeutiques futures.
