Améliorer l’équité en matière de santé dans le monde en aidant les cliniques à faire plus avec moins
Aujourd’hui, le nombre d’enfants vaccinés dans le monde est plus élevé que jamais, et la prévalence de nombreuses maladies évitables par la vaccination a chuté au cours de la dernière décennie. Toutefois, malgré ces signes encourageants, la disponibilité des vaccins essentiels a stagné au niveau mondial ces dernières années, selon l’Organisation mondiale de la santé.
Un des problèmes, en particulier dans les milieux à faibles ressources, est la difficulté de prévoir combien d’enfants se présenteront pour les vaccinations dans chaque centre de santé. Cela entraîne une pénurie de vaccins, laissant les enfants sans vaccinations essentielles, ou des excédents qui ne peuvent pas être utilisés.
La start-up Macro Eye cherche à résoudre ce problème grâce à un outil de prévision des vaccins qui exploite une combinaison unique de sources de données en temps réel, y compris les nouvelles idées des travailleurs de la santé de première ligne. La société affirme que l’outil, appelé Connected Health AI Network (CHAIN), a permis de réduire le gaspillage de vaccins de 96 % dans trois régions de Tanzanie. Elle s’efforce maintenant de transposer ce succès à l’échelle de la Tanzanie et du Mozambique.
« Les soins de santé sont complexes, et pour être invité à la table des négociations, vous devez traiter des données manquantes », déclare Benjamin Fels, directeur général de Macro-eyes, qui a cofondé la société avec Suvrit Sra, le professeur associé de développement de carrière Esther et Harold E. Edgerton au MIT. Si votre système a besoin de l’âge, du sexe et du poids pour faire des prévisions, mais que pour une population vous n’avez ni poids ni âge, vous ne pouvez pas vous contenter de dire : « Ce système ne fonctionne pas ». Notre sentiment est qu’il doit pouvoir fonctionner dans n’importe quel contexte ».
L’approche de la société en matière de prévisions est déjà à la base d’un autre produit, la plateforme de planification des patients Sibyl, qui a permis d’analyser plus de 6 millions de rendez-vous à l’hôpital et de réduire les temps d’attente de plus de 75 % dans l’un des plus grands hôpitaux cardiaques des États-Unis.
Ces deux produits représentent des étapes vers l’objectif plus large de Macro Eye, qui est de transformer les soins de santé par le biais de l’intelligence artificielle. Et en faisant en sorte que leurs solutions fonctionnent dans les régions où la quantité de données est la plus faible, ils font également progresser le domaine de l’intelligence artificielle.
« L’état de l’art en matière d’apprentissage machine sera le résultat de la confrontation de défis fondamentaux dans les environnements les plus difficiles du monde », déclare M. Fels. « Engagez-vous là où les problèmes sont les plus difficiles, et l’IA en bénéficiera aussi : (Elle deviendra) plus intelligente, plus rapide, moins chère et plus résistante ».
Définir une approche
Sra et Fels se sont rencontrés pour la première fois il y a environ 10 ans, lorsque Fels travaillait comme trader algorithmique pour un fonds spéculatif et que Sra était membre de la faculté invitée à l’université de Californie à Berkeley. L’expérience de ces deux hommes, qui ont fait leurs preuves dans différents secteurs, les a sensibilisés aux lacunes des soins de santé.
« Une question qui est devenue une obsession pour moi était : « Pourquoi les marchés financiers sont-ils presque entièrement déterminés par des machines – par des algorithmes – et les soins de santé dans le monde entier sont probablement la partie la moins algorithmique de la vie de quiconque ? se souvient Fels. « Pourquoi les soins de santé ne sont-ils pas plus axés sur les données ? »
Vers 2013, les co-fondateurs ont commencé à construire des algorithmes d’apprentissage automatique qui mesuraient les similitudes entre les patients afin de mieux informer les plans de traitement à la Stanford School of Medicine et dans un autre grand centre médical universitaire de New York. C’est au cours de ces premiers travaux que les fondateurs ont jeté les bases de l’approche de la société.
« Il y a des thèmes que nous avons établis à Stanford et qui restent d’actualité », dit M. Fels. « L’un d’eux est (la construction de systèmes avec) des humains dans la boucle : Nous n’apprenons pas seulement à partir des données, nous apprenons aussi des experts. L’autre est la multidimensionnalité. Nous n’examinons pas seulement un type de données, mais 10 ou 15 types de données, y compris des images, des séries chronologiques, des informations sur les médicaments, les posologies, des informations financières, le coût pour le patient ou l’hôpital ».
À l’époque où les fondateurs ont commencé à travailler avec Stanford, Sra a rejoint le Laboratoire des systèmes d’information et de décision (LIDS) du MIT en tant que chercheur principal. Il est ensuite devenu membre du corps enseignant du département de génie électrique et d’informatique et de l’Institut pour les données, les systèmes et la société (IDSS) du MIT. La mission de l’IDSS, qui consiste à faire progresser des domaines tels que la science des données et à utiliser ces progrès pour améliorer la société, s’accorde bien avec la mission de Sra au niveau macro.
En raison de l’accent mis sur l’impact au sein de l’IDSS, je me concentre sur l’IA pour le bien de la société », explique Sra. « Le véritable jugement de la réussite est de savoir combien de personnes nous avons aidées. Comment pouvons-nous améliorer l’accès aux soins pour les gens, où qu’ils soient ?
En 2017, Macro Eye a reçu une petite subvention de la Fondation Bill et Melinda Gates pour explorer la possibilité d’utiliser les données des travailleurs de la santé de première ligne pour construire une chaîne d’approvisionnement prédictive pour les vaccins. Ce fut le début d’une relation avec la Fondation Gates qui n’a cessé de se développer à mesure que la société franchissait de nouvelles étapes, de la construction de modèles précis d’utilisation des vaccins en Tanzanie et au Mozambique à l’intégration aux chaînes d’approvisionnement pour rendre l’approvisionnement en vaccins plus proactif. Pour contribuer à cette dernière mission, Prashant Yadav a récemment rejoint le conseil d’administration ; Yadav a travaillé comme professeur de gestion de la chaîne d’approvisionnement au sein du programme logistique international du MIT-Zaragoza pendant sept ans et est maintenant chercheur principal au Center for Global Development, un groupe de réflexion à but non lucratif.
Parallèlement à son travail sur CHAIN, la société a déployé un autre produit, Sibyl, qui utilise l’apprentissage automatique pour déterminer quand les patients sont le plus susceptibles de se présenter à leurs rendez-vous, afin d’aider les travailleurs de la réception des cliniques de santé à établir des horaires. Selon M. Fels, le système a permis aux hôpitaux d’améliorer l’efficacité de leurs opérations à tel point qu’ils ont réduit le temps moyen d’attente des patients pour voir un médecin de 55 à 13 jours.
Dans le cadre de CHAIN, Sibyl utilise également une série de points de données pour optimiser les horaires, ce qui lui permet de prédire avec précision le comportement dans des environnements où d’autres modèles d’apprentissage machine pourraient avoir des difficultés.
Les fondateurs explorent également les moyens d’appliquer cette approche pour aider à diriger les patients atteints de Covid-19 vers des cliniques de santé ayant une capacité suffisante. Ce travail est développé avec le responsable de l’innovation en Sierra Leone, David Sengeh SM ’12 PhD ’16.
Repousser les frontières
La mise en place de solutions pour certains des systèmes de santé les plus sous-développés au monde peut sembler difficile pour une jeune entreprise, mais l’approche est une extension de la mission fondatrice de Macro Eye, qui consiste à mettre en place des solutions de soins de santé qui peuvent bénéficier aux populations du monde entier de la même manière.
« En tant qu’organisation, nous ne pouvons jamais supposer que des données nous attendent », déclare M. Fels. « Nous avons appris que nous devons penser stratégiquement et réfléchir à la manière d’accéder ou de générer les données dont nous avons besoin pour remplir notre mandat : rendre la prestation de soins de santé prédictive, partout ».
Cette approche est également un bon moyen d’explorer les innovations dans les domaines mathématiques dans lesquels les fondateurs ont passé leur carrière.
« La nécessité est absolument la mère de l’invention », dit Sra. « C’est l’innovation motivée par le besoin ».
Et à l’avenir, le travail de l’entreprise dans des environnements difficiles ne devrait que faciliter la mise à l’échelle.
“Nous réfléchissons chaque jour à la manière de rendre notre technologie plus rapidement déployable, plus généralisable, plus hautement évolutive », déclare Sra. « Comment parvenir à l’immense pouvoir d’apporter un véritable apprentissage machine aux problèmes les plus importants du monde sans d’abord dépenser des décennies et des milliards de dollars dans la construction d’infrastructures numériques ? Comment faire le saut vers l’avenir » ?
