Laissez-moi vous expliquer brièvement comment nous essayons de construire des algorithmes d'apprentissage à usage général. Tout commence par un agent, et vous pouvez considérer un agent comme un système de contrôle pour un bras robotisé, une voiture autonome ou un moteur de recommandation. Cet agent a un objectif qu'il tente d'optimiser. Nous codons cet objectif manuellement. C'est la seule chose que nous donnons à l'agent. Nous disons : "Voici les éléments que tu devrais trouver gratifiants dans un certain environnement." L'environnement peut également être très général. Il peut s'agir d'un simulateur pour entraîner une voiture autonome, ou de YouTube, où vous essayez réellement de recommander des vidéos que les gens trouvent divertissantes et attrayantes. L'agent est capable d'entreprendre une série d'actions dans un environnement, il est donc capable d'interagir de manière expérimentale, indépendante et autonome dans cet environnement. Cet environnement renvoie ensuite un ensemble d'observations sur la façon dont l'état a changé dans cet environnement à la suite de l'interaction de l'agent avec celui-ci. Et bien sûr, l'environnement renvoie une récompense, dont l'agent peut tirer des enseignements. Il s'agit donc d'un véritable apprentissage par le biais du feedback ou du processus d'apprentissage par renforcement.

Ce qui est remarquable avec la santé, c'est qu'il existe une marge de progression incroyable si nous réussissons à déployer des systèmes technologiques modernes et de pointe. Il n'y a vraiment aucun autre secteur au monde, à ma connaissance, qui soit aussi loin de la pointe de la technologie. Et si nous réussissons, cela représentera une opportunité massive pour nous d'avoir un impact bénéfique. Comme beaucoup l'ont déjà souligné, c'est un cimetière d'efforts technologiques ratés au cours des 20 dernières années. Dans ce contexte, je pense que nous avons dû réfléchir à ce que nous allions apporter de très différent.

De toute évidence, nous disposons de l'apprentissage automatique et de l'intelligence artificielle, mais je pense qu'une grande partie de cela concerne l'approche que nous adoptons pour développer des logiciels et la manière dont nous plaçons les patients et les cliniciens au premier plan. Ainsi, l'approche que nous adoptons consiste à tout formuler en commençant par l'observation de ce qu'un utilisateur fait au quotidien. Nous passons beaucoup de temps à nous immerger dans les services et auprès des infirmières dans les salles de repos, en essayant d'observer ce qu'elles font, de définir leur défi, de recueillir autant d'informations que possible, puis de commencer immédiatement à construire quelque chose. Dès que possible, nous voulons montrer à quoi pourrait ressembler une conception approximative. Voici quelques maquettes fonctionnelles. Ensuite, nous développons cela un peu plus, nous le testons, puis, au fur et à mesure que nous commençons à élaborer une solution, nous essayons de mesurer, de construire et d'apprendre, puis nous recommençons simplement. Nous essayons de le faire dans des cycles itératifs très rapides. Ainsi, dans les trois semaines environ suivant notre rencontre avec nos premières infirmières et la signature de nos accords avec le Royal Free en septembre et octobre, nous avions un prototype fonctionnel, évidemment non connecté à des données, mais les infirmières et les médecins pouvaient réellement le pointer du doigt et dire : "Ce bouton est au mauvais endroit, cette couleur est difficile à lire, cette hiérarchie de menus est dans le mauvais ordre." Nous pouvons donc obtenir instantanément des retours et fournir pratiquement ce que les infirmières et les médecins nous disent vouloir voir. Et c'est notre mantra, ABC : Always Be Clinician-led (Toujours être dirigé par les cliniciens). Chaque projet sur lequel nous travaillerons et les projets sur lesquels nous avons travaillé jusqu'à présent nous ont été apportés par une infirmière ou un médecin qui a une idée, un aperçu de la façon dont ils peuvent changer le comportement et leur fonctionnement quotidien et de la façon dont une solution technologique pourrait réellement fonctionner. Alors, comment les soins aux patients pourraient-ils être mieux soutenus par la technologie ?

Je pense qu'il y a manifestement une énorme opportunité d'amélioration. Un patient sur dix subit une forme de préjudice à l'hôpital, et la moitié d'entre eux sont des préjudices totalement évitables. Dans 50 % de ces cas, la détection de la détérioration de l'état du patient en question a été retardée. Il s'agit en fait d'un problème de communication et de coordination. Et je pense qu'est en grande partie dû à ces limitations actuelles. La plupart des données réellement précieuses se trouvent sur papier et sur des graphiques et ne sont pas consignées, suivies ou enregistrées. Il n'y a pas de journal auditable que vous puissiez vérifier concernant les messages envoyés sur les bips ou les rappels qui ont été envoyés. Je pense donc qu'il y a deux défis majeurs en matière de sécurité des patients qui ont encadré tout ce que nous faisons chez DeepMind Health. Le premier est le suivant : comment pouvons-nous mieux identifier les patients qui risquent de se détériorer, en grande partie en temps réel ? Et le second est : une fois que nous avons identifié les patients à risque, comment intervenons-nous réellement ? Nous ne voulons pas que cela finisse par être un simple rapport conseillant une réorganisation des installations dans un service. Nous voulons en fait déployer une technologie en temps réel qui permette aux cliniciens de mieux gérer l'escalade et l'intervention. Ainsi, pour notre défi numéro un sur la sécurité des patients, comment mieux détecter ?

Nous avons examiné l'insuffisance rénale aiguë au cours des 12 derniers mois environ. C'est un problème remarquablement important. 25 % de toutes les admissions présentent une preuve d'insuffisance rénale aiguë (IRA), et il y a environ 40 000 décès en Angleterre dus à la seule IRA. On estime qu'environ 20 % d'entre eux sont évitables et que le coût pourrait s'élever à un milliard et demi de livres. Il y a quelques années, en 2014, le NHS England a émis une alerte de sécurité des patients pour exiger le déploiement de l'algorithme d'insuffisance rénale aiguë dans les hôpitaux. Une fois de plus, la première chose que nous avons faite a été d'essayer d'observer les utilisateurs dans leur environnement quotidien. Nous sommes donc allés au Royal Free et nous avons tracé le parcours. Quelle est l'expérience du point de vue du patient aujourd'hui ? Il s'avère que c'est en fait très compliqué. Le parcours d'un patient comporte de nombreuses étapes différentes. Et ce que nous avons remarqué, c'est qu'il existe toute une série d'étapes compliquées et potentiellement mortelles dans ce parcours où nous semblons manquer les éléments clés de la détérioration. Ce que nous voulions faire, c'était prendre du recul et voir comment nous pourrions intervenir plus tôt pour effectuer de meilleures évaluations des risques, une prévention et une surveillance plus en temps réel, puis, espérons-le, essayer de rediriger les patients à travers le parcours vers un rétablissement complet potentiel, puis une sortie de l'hôpital. Une fois que nous l'avons décomposé en ces étapes, nous disposons d'une visualisation partagée entre nous et les cliniciens sur l'endroit où se situent réellement toutes les opportunités d'intervention clés. En réponse à cela, nous avons développé Streams, notre plateforme d'alerte IRA pour les résultats des tests sanguins. C'est l'intervention très simple que nous avons construite jusqu'à présent, en restant vraiment concentrés sur une pathologie très spécifique utilisant les résultats des tests sanguins. Mais à l'avenir, je pense qu'il existe une réelle opportunité pour nous d'aller beaucoup plus loin et d'étendre cela à une plateforme de collaboration plus large centrée sur le patient. Cela nous donne essentiellement la possibilité de détecter en temps réel, au creux de notre main, les patients qui risquent de se détériorer. Mais ce n'est qu'une partie du défi.

La prochaine chose clé que nous devons être capables de faire est d'intensifier et de mieux intervenir. C'est l'endroit où la messagerie et les commentaires deviennent si importants. Prenons par exemple la radiographie que nous venons de regarder. Nous voyons ici qu'un interne est capable de faire un commentaire sur la radiographie, sur ce rapport, puis d'inclure un consultant en pneumologie pour obtenir un avis d'expert. Cet échange peut se faire de manière auditable, ce qui nous permet de vérifier rétrospectivement, si nécessaire, ce que le clinicien senior a réellement dit et quelle action a été entreprise par la suite. Parallèlement à cela, nous entreprenons également un programme de recherche pour voir si nos technologies d'apprentissage automatique et d'IA peuvent réellement aider pour certains aspects du diagnostic. Ce qui est remarquable, c'est que si vous souffrez de diabète, vous avez 25 fois plus de risques de subir une perte de vision. Mais ce qui est plus intéressant, c'est que les types les plus graves de perte de vision due à la rétinopathie diabétique peuvent en fait être évités grâce à une détection précoce. L'une des choses auxquelles nous avons réfléchi est la manière dont nous pourrions potentiellement aider à une meilleure classification en temps réel de ces examens de radiologie afin de permettre un triage plus judicieux des patients nécessitant des réponses plus immédiates. La réalité actuelle est que, dans la performance humaine, il y a un retard important dans les rapports, ce qui signifie que les résultats ne sont parfois disponibles en clinique qu'après des semaines. Il y a aussi un manque de cohérence entre les différents évaluateurs, et parfois les rapporteurs manquent certains des changements sensibles de la rétinopathie diabétique et de la DMLA. Avec l'apprentissage automatique, l'une des choses que nous espérons pouvoir faire est d'obtenir des résultats beaucoup plus rapides et instantanés, mais aussi des performances plus cohérentes et plus normalisées. Je pense que cela nous aidera également à comprendre comment ajuster certaines des variations normales que nous voyons, ce qui nous permettra d'augmenter notre spécificité. Il s'agit d'un travail très précoce, mais nous nous engageons à publier tous les résultats de nos travaux, y compris nos algorithmes, nos méthodologies et nos mises en œuvre techniques. Ainsi, nous l'espérons, lorsque nous serons prêts, vous en saurez plus sur les résultats de cette recherche vers la fin de cette année.