Intégration éthique des résultats rapportés par les patients et des biomarqueurs numériques dans les modèles de santé AI : un cadre de consensus d’experts
Contexte : Avec les avantages attendus des modèles basés sur l’intelligence artificielle (IA), plusieurs préoccupations éthiques émergent. De la conception à l’implémentation et à l’évaluation subséquente, il est crucial de cartographier les préoccupations éthiques potentielles concernant l’utilisation des modèles d’IA en santé. Les résultats rapportés par les patients (PROs) et les biomarqueurs numériques (DBs) sont de plus en plus collectés pour améliorer les systèmes de santé centrés sur le patient. Cependant, en raison de la nature sensible de ces données, leur traitement dans les modèles d’IA peut soulever des préoccupations éthiques qui doivent être prises en compte. Bien que des cadres éthiques généraux pour l’IA existent, aucun consensus d’experts n’a spécifiquement abordé les défis éthiques uniques de l’intégration des PROs et des DBs dans les modèles de santé IA.
Objectif :
Cette étude vise à combler cette lacune en établissant un consensus d’experts sur les considérations éthiques, juridiques et sociales pour l’intégration des PROs et des DBs dans les modèles de santé alimentés par l’IA.
Méthodes :
Une étude de méthodes mixtes a été réalisée. La phase 1 a consisté en une revue narrative pour cartographier le paysage éthique et générer un ensemble initial de recommandations. La phase 2 a impliqué un sondage e-Delphi modifié en deux tours pour valider et affiner ces recommandations parmi un panel multidisciplinaire d’experts (n = 27). Le panel comprenait des experts en IA, bioéthique, recherche clinique et protection des données, principalement d’Europe du Sud.
Résultats :
Les résultats des deux composantes complémentaires de cette étude (revue narrative et étude e-Delphi modifiée) ont été organisés autour de cinq principes éthiques fondamentaux : autonomie, bienfaisance, non-malfaisance, justice, et transparence et responsabilité. L’étude e-Delphi modifiée a atteint un fort consensus (>=80%) sur 55 recommandations spécifiques à travers ces principes. Les recommandations clés incluent la mise en œuvre de modèles de consentement dynamique, l’établissement de protocoles de validation continue des modèles, la réalisation d’évaluations d’impact régulières, l’engagement de parties prenantes diverses pour atténuer les biais, et le maintien d’une supervision humaine dans les systèmes d’IA.
Conclusion :
Cette étude fournit le premier cadre éthique validé par des experts spécifiquement conçu pour l’intégration des PROs et des DBs dans les modèles de santé IA, comblant une lacune dans la littérature qui s’est principalement concentrée sur l’éthique générale de l’IA plutôt que sur les défis uniques posés par les données de santé générées par les patients.
Les modèles basés sur l’intelligence artificielle promettent d’améliorer la pratique de la santé publique et la prestation de soins. Les approches IA ont été utilisées pour prédire divers risques pour la santé et recommander une prise de décision éclairée, entraînant une santé plus efficace et de meilleure qualité. Néanmoins, l’adoption de modèles basés sur l’IA peut potentiellement susciter des défis éthiques, juridiques et sociaux significatifs pour les individus, les organisations et les sociétés. Si ces défis ne sont pas pris en compte, ils peuvent entraîner une méfiance ou un rejet de la mise en œuvre de l’IA en santé et des coûts d’opportunité importants. Par conséquent, une approche proactive vers une innovation responsable dans ce domaine est nécessaire.
Les mesures de résultats rapportés par les patients (PROs) se réfèrent à des instruments auto-rapportés conçus pour mesurer la santé, la qualité de vie, les expériences de santé et des constructions connexes qui proviennent directement des patients. Les PROs sont de plus en plus utilisés dans les services de santé pour améliorer les soins. En se concentrant sur les aspects de la santé qui importent aux patients, ils contribuent à des soins de santé plus centrés sur le patient. Au-delà des soins individuels, la collecte de PROs peut contribuer à suivre les résultats de santé et à les comparer aux meilleures pratiques pour l’amélioration de la qualité.
Les PROs peuvent être collectés dans divers environnements (par exemple, à domicile, au travail, ou à l’hôpital) et par divers moyens (par exemple, via papier, téléphone, formulaire web, dispositifs portables, ou application mobile). Parallèlement, les mesures des résultats sont souvent difficiles à collecter et nécessitent des ressources adéquates.
En général, les résultats cliniques sont enregistrés dans des notes, des textes libres non structurés, dans des formats non standardisés et variables. Les innovations en santé numérique offrent l’occasion de répondre à ce défi en améliorant la structure et l’accessibilité des données. Si elles sont correctement conçues et mises en œuvre, elles peuvent réduire la charge pour les professionnels de santé et les organisations. De plus, des dispositifs électroniques disponibles sur le marché, tels que des smartphones, des dispositifs portables et des technologies de l’Internet des objets (IoT), permettent de capturer et d’analyser des données de santé en temps réel, y compris les signes vitaux, l’activité physique, le stress ou la fatigue. Ces résultats sont connus sous le nom de biomarqueurs numériques, dont la collecte passive dépend moins de la participation active des patients et des prestataires. Cela permet une plus grande cohérence et fréquence de collecte, offrant une source supplémentaire de données centrées sur le patient.
La collecte continue et à distance de données cliniques grâce aux DBs peut améliorer la précision diagnostique, de surveillance et thérapeutique tout en contribuant à responsabiliser les individus dans la gestion de leur santé en leur fournissant un accès à des informations de santé personnalisées et en facilitant la détection précoce et la prévention des maladies.
Les PROs et les DBs collectent des données de santé générées par les patients, qui constituent des informations personnelles sensibles, dont le traitement (de la collecte de données à la conservation) doit être conçu de manière responsable pour garantir la protection des droits et libertés fondamentaux des individus.
Bien que les implications éthiques de l’IA en santé aient été largement étudiées, les défis spécifiques posés par l’intégration des données générées par les patients, notamment les PROs et les DBs, dans les modèles d’IA restent sous-explorés. Contrairement aux données cliniques générales, les PROs et les DBs présentent des considérations éthiques uniques. Aucune étude précédente n’a obtenu un consensus sur des cadres éthiques spécifiquement adaptés à ces types de données dans les applications de santé IA. Cette étude vise donc à résumer les considérations éthiques, juridiques et sociales pour l’intégration des PROs et des DBs dans les modèles basés sur l’IA pour la santé publique et les soins de santé, et à établir un consensus sur les recommandations pour leur intégration adéquate.
Ces considérations sont analysées à travers le prisme des principes éthiques d’autonomie, bienfaisance, non-malfaisance, et justice. En plus d’examiner le sujet à travers ce prisme, nous discutons également de la transparence et de la responsabilité comme principes pertinents pour l’adoption de l’IA en santé.
Le traitement à grande échelle des données de santé générées par les patients, en particulier les PROs et les DBs, par des algorithmes d’apprentissage automatique présente des défis éthiques uniques. Cette étude fournit le premier cadre de consensus européen spécifiquement conçu pour ces types de données, analysant les considérations éthiques à travers des principes bioéthiques traditionnels complétés par des éléments de transparence et de responsabilité.
Nous avons analysé les considérations éthiques, juridiques et sociales concernant l’intégration des PROs et des DBs dans des modèles d’apprentissage automatique basés sur les quatre principes bioéthiques traditionnels de respect de l’autonomie, de bienfaisance, de non-malfaisance et de justice, complétés par les principes de transparence et de responsabilité.
Bien que notre analyse soit axée sur les PROs et les DBs, les considérations identifiées peuvent servir de base pour un large éventail de contextes de traitement de données liées à la santé, aidant les décideurs politiques, les développeurs, les chercheurs et les praticiens à aborder ces risques potentiels.
Il est crucial de considérer les menaces et les risques éthiques associés à l’intégration d’informations personnelles sensibles dans des modèles d’apprentissage automatique, d’explorer leur impact potentiel sur tous les aspects de la vie des personnes, et de construire des systèmes de réglementation qui renforcent et protègent leurs droits.
Cette étude offre une contribution opportune et pertinente aux efforts en cours pour aligner l’innovation technologique avec les valeurs éthiques et sociétales. Elle fournit une base structurée et axée sur le consensus qui peut informer à la fois le développement des politiques et la mise en œuvre pratique de l’IA dans des systèmes de santé qui reposent de plus en plus sur des sources de données diverses et dynamiques.