Big data en santé : oser le doute

A contre-courant de l’excitation ambiante qui attribue au big data « les promesses les plus ébouriffantes les unes que les autres », il veut pousser la réflexion sur des bases tangibles. Une démarche qui l’a conduit à lancer, l’automne dernier, le Healthcare Data Institute, think tank qui rassemble les acteurs les plus divers (le CEA, le cabinet Desmarais Avocats, IMS Health, McKinsey, Vitalia) pour « réfléchir un cran plus loin ».

Quelques exemples dans le monde hospitalier

Thierry Zylberberg passe en revue les trois domaines où l’on attend les performances du big data : le soin, la recherche et l’économie. Il explique que ses équipes ont réalisé une revue de la littérature pour se rendre compte que l’on ne trouve pas autant de résultats qu’on pouvait l’imaginer (sous-entendu, comparés au buzz actuel !). Il nous en donne quelques exemples dans le monde hospitalier. Au Texas, le Seton Healthcare Family a mis en place un algorithme d’analyse prédictive afin de limiter les risques de ré hospitalisation des patients. Le groupe d’hôpitaux privés fait état « d’une diminution des risques, des coûts et même des taux de mortalité, mais ne fournit pas les chiffres exacts », regrette le patron d’Orange Healthcare. Il cite aussi l’exemple du groupe hospitalier Aurora Healthcare, basé dans le Wisconsin, qui a lancé un outil de big data en 2012 afin d’identifier les effets secondaires des traitements. Il en résulterait un taux de ré admission en baisse de 10%, une économie de 6 millions de dollars avec des coûts de traitement réduits de 42%. En France, il mentionne le partenariat de l’AP-HP avec Quinten et le laboratoire Roche, noué fin 2014 avec l’intention de comprendre les disparités au sein d’une même maladie (2). « Le résultat est intéressant, mais pas à la hauteur de ce que l’on attendait », commente Thierry Zylberberg.

Il ne jette pas pour autant le big data avec l’eau du buzz ;) mais souhaite ouvrir la discussion sur des bases scientifiques plus solides. Il rappelle notamment que « corrélation n’est pas causalité », « qu’une probabilité a un sens sur une population entière mais pas sur une personne », qu’il ne faut pas négliger l’impact de l’environnement et l’épigénétique. Il souligne que le pouvoir prédictif peut être complétement transformé selon la façon dont l’individu va réagir à une information (la boucle de rétro action). Enfin, il s’interroge : « après tout, le corps humain est peut être un système chaotique et ce sera très difficile de faire des modèles prédictifs… ».

(1)  Le 11 mars dernier. Le Café nile est une rencontre hebdomadaire organisée par l’agence conseil en affaires publiques nile consulting, http://www.nile-consulting.eu/

(2)  Partenariat annoncé ici 

Lire aussi – ou relire : DSIH Magazine, octobre 2014, Big data, pourquoi [pas] à l’hôpital, par Philippe Ameline.