La valeur de l’apprentissage machine (AM) dans le domaine de la santé réside dans sa capacité à traiter d’énormes ensembles de données qui dépassent les capacités humaines, puis à convertir de manière fiable l’analyse de ces données en informations qui aident les professionnels de la santé à planifier et à fournir des soins, ce qui se traduit en fin de compte par de meilleurs résultats, une réduction des coûts des soins et une satisfaction accrue des patients. [1]
Dans de nombreux contextes, en particulier ceux à revenu faible et moyen, l’AM n’est pas utilisée pour les soins de santé, souvent en raison de l’indisponibilité des ensembles de données et d’un manque d’infrastructure pour soutenir la mise en œuvre des applications AM. En outre, les ensembles de données sur la santé manquent souvent d’une large représentation des groupes démographiques et socio-économiques. Par conséquent, lorsque l’AM est utilisé, les ensembles de données qui informent les algorithmes de diagnostic et de traitement risquent d’être biaisés. Lorsque les données sont représentatives, elles peuvent également ne pas être exactes, ce qui entraîne une mauvaise compréhension des différences entre les groupes. Les données actuelles peuvent également manquer d’importantes données socio-économiques, environnementales et autres qui peuvent déterminer les résultats de santé. L’amélioration de ces ensembles de données peut améliorer les modèles de ML et, en fin de compte, les résultats en matière de santé dans toutes les populations, de la prévention au diagnostic et au traitement. [2]
En outre, la santé et les droits sexuels, reproductifs et maternels sont essentiels pour la santé et la survie des personnes de tous sexes, ainsi que pour le développement social et économique. Les interventions de SSRDM bien conçues se sont avérées extrêmement rentables. Cependant, les SMRM de nombreuses personnes, notamment dans les contextes de revenus faibles et moyens, sont loin d’être réalisés.
Lacuna Fund
Le Lacuna Fund soutient la création, l’agrégation et la maintenance d’ensembles de données pour la formation et l’évaluation de modèles d’apprentissage automatique afin d’améliorer les ensembles de données et les résultats en matière de santé dans deux domaines :
- Combattre les inégalités dans les résultats des soins de santé aux États-Unis et dans les contextes de revenus faibles et moyens à l’échelle mondiale.
- Améliorer la santé et les droits sexuels, reproductifs et maternels en Afrique.
Nos groupes consultatifs techniques (TAP) sont chargés d’identifier les lacunes en matière de données, d’élaborer la demande de propositions (RFP), d’examiner et de sélectionner les propositions. Notre comité consultatif technique sur l’équité raciale et la santé a identifié les besoins en ensembles de données qui traitent des disparités en matière de santé dans les domaines du cancer, des maladies infectieuses et des maladies chroniques.
En 2023, le TAP SRMHR recherche des ensembles de données de formation et d’évaluation qui amélioreront les résultats de la SRMHR pour les populations d’Afrique. Cet appel à propositions se concentre sur la santé maternelle et néonatale, le planning familial et la contraception, les infections sexuellement transmissibles telles que le VIH/SIDA, les maladies de l’appareil reproducteur telles que le cancer de la prostate ou du col de l’utérus, entre autres maladies non transmissibles, et la violence sexuelle et sexiste (VSBG).
Nous recherchons des ensembles de données identifiés par les communautés locales et conçus pour répondre à des besoins identifiés localement. Les exemples suivants ne sont donc que des exemples illustratifs. Le TAP et le Lacuna Fund accueillent des propositions en dehors de ces thèmes :
- Des ensembles de données pour former des chatbots, des agents conversationnels et d’autres applications axées sur la fourniture d’informations.
- Ensembles de données d’images pour soutenir le dépistage et le diagnostic
- Données longitudinales sur la population pour identifier les besoins en services de soins au niveau individuel.
- Ensembles de données pour représenter le processus de traitement des patients
- des ensembles de données qui tiennent compte du genre et/ou qui incluent les principaux groupes vulnérables.
Le groupe consultatif technique considèrent qu’il est très utile de débloquer, d’augmenter ou d’agréger les ensembles de données existants, et de recevoir des propositions de nouveaux ensembles de données.
Bailleurs de fonds
Les appels à propositions (RFP) du Lacuna Fund dans le domaine de la santé sont financés par les sources suivantes :
- [Appel actif] 2023 Sexual, Reproductive, and Maternal Health and Rights (SRMHR) RFP : Centre de recherche et de développement international (CRDI) du Canada.
- 2021 Demande de propositions sur l’équité et la santé : La Fondation Rockefeller, Google.org, Wellcome Trust, et la Fondation Gordon et Betty Moore, la Fondation Patrick J. McGovern et la Fondation Robert Wood Johnson.
[1] Corbett, Ed. « Real-World Benefits of Machine Learning in Healthcare », Health Catalyst, 19 novembre 2020, www.healthcatalyst.com/clinical-applications-of-machine-learning-in-healthcare
[2] Wawira Gichoya J, McCoy LG, Celi LA, et al., « Equity in essence: a call for operationalising fairness in machine learning for healthcare », BMJ Health & Care Informatics, 2021 ;28:e100289. doi:10.1136/bmjhci-2020-100289