PPML-Health: une infrastructure d’apprentissage automatique préservant la vie privée pour la recherche en santé

Situation initiale

La plateforme logicielle Patient Network Explorer (PNEx) de la société informatique de données Clinerion offre un accès en temps réel aux dossiers médicaux de plus de 400 millions de patient-e-s dans le monde. Ces données sont actuellement utilisées principalement pour planifier et optimiser des études cliniques, et pour recruter des patient-e-s pour ces études. Mais cela n’épuise pas le potentiel de la plateforme PNEx: l’apprentissage automatique permet d’utiliser les données pour réaliser des analyses plus approfondies, voire des pronostics. Cependant, les solutions existantes d’apprentissage automatique basées sur le cloud ne se prêtent pas à une utilisation dans le secteur de la santé, en raison des exigences élevées en matière de protection des données des patient-e-s.

Procédure

Ce constat est à l’origine de la mise en œuvre d’une nouvelle approche dans le cadre du projet PPML-Health avec ce que l’on appelle l’apprentissage fédéré. Celui-ci favorise un type d’apprentissage automatique dans lequel les données sensibles demeurent confinées à l’environnement protégé de l’hôpital. En effet, l’apprentissage fédéré permet d’entrainer les modèles simultanément sur plusieurs appareils sans avoir à échanger des données sensibles. Seuls les paramètres de modèle sont partagés à intervalles réguliers avec un serveur central qui, sur cette base, alimente les modèles avec de nouveaux paramètres. Les algorithmes dits «Federated Averaging» et «Federated Proximity» sont utilisés à cet effet.

La Haute école spécialisée bernoise, l’Université de Zurich et Clinerion ont participé à ce projet soutenu par Innosuisse. La Haute école spécialisée bernoise était responsable du développement des interfaces utilisateurs et de la mise en place des pipelines d’apprentissage machine. L’Université de Zurich avait la responsabilité du développement des algorithmes pour l’apprentissage fédéré. Clinerion chapeautait la mise en œuvre sur leurs systèmes informatiques.

Résultats

Le résultat de ce projet consiste dans la «Federated Machine Learning Platform», dont Clinerion a annoncé officiellement le lancement en novembre 2022. Grâce à cette extension de la plateforme PNEx, il est possible de développer des modèles qui permettent, par exemple, de prédire de manière personnalisée les résultats d’un traitement ou de déceler des clusters de symptômes. D’une part, elle contribue à améliorer l’évaluation par les médecins et les compagnies d’assurance de l’efficacité et de l’adéquation d’un médicament proposé. D’autre part, elle aide les entreprises pharmaceutiques à trouver de nouveaux effets et domaines d’application pour les médicaments existants.

Les modèles développés et la «Federated Machine Learning Platform» ont été installés dans l’infrastructure informatique de Clinerion au sein de plusieurs hôpitaux dans le cadre du projet Innosuisse. L’installation dans les autres hôpitaux faisant partie du réseau PNEx se fera au cours des prochaines années.

Perspectives

Plusieurs client-e-s de la société d’informatique des données Clinerion ont déjà manifesté leur intérêt à travailler avec la plateforme afin de créer des modèles de prédiction des «parcours des patient-e-s» (patient journeys) et d’appréhender plus efficacement les facteurs déterminants à différentes étapes du traitement.

Les client-e-s de Clinerion s’intéressent également aux modèles destinés à aider les médecins à diagnostiquer les maladies rares en recommandant un dépistage chez les patient-e-s présentant une forte probabilité de développer une maladie.