Santé

Le Lacuna Fund a pour vocation de réduire les disparités dans le domaine de la santé en encourageant les collaborations interdisciplinaires qui créent, élargissent ou consolident des ensembles de données de formation et d’évaluation étiquetés. À terme, l’objectif de ces informations est d’aider les prestataires et les patients à prendre des décisions qui conduisent à des résultats plus équitables en matière de soins de santé.

La valeur de l’apprentissage machine dans le domaine des soins de 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 cliniques qui aident les médecins à planifier et à prodiguer des soins, ce qui permet d’obtenir de meilleurs résultats, de réduire les coûts des soins et d’accroître la satisfaction des patients. [1]

Toutefois, les biais présents dans les ensembles de données qui informent les algorithmes sur lesquels sont basés le diagnostic et le traitement sont une préoccupation majeure de la mise en œuvre de l’apprentissage machine. Bien souvent, les ensembles de données sur les soins de santé ne sont pas suffisamment représentatifs des groupes démographiques et socio-économiques. Lorsque cette représentation est prise en compte, les données peuvent également se révéler partiellement inexactes, ce qui entraîne une mauvaise compréhension des différences entre les groupes. Les données actuelles peuvent également omettre d’importantes données socio-économiques, environnementales et autres qui peuvent déterminer les résultats en matière de santé. L’amélioration de ces ensembles de données pourrait améliorer les modèles d’apprentissage machine et les résultats en matière de santé.[2]

Financement Lacuna

Le Lacuna Fund lance un appel à manifestation d’intérêt de la part d’équipes pluridisciplinaires désireuses de développer des ensembles de données de formation et d’évaluation ouverts et accessibles pour des applications d’apprentissage machine qui abordent les inégalités dans les résultats des soins de santé aux États-Unis et dans les pays à revenu intermédiaire – tranche inférieure (PRITI) dans le monde. L’objectif de cet appel à manifestation d’intérêt est de repérer les idées prometteuses et d’inviter les équipes à soumettre des propositions complètes.

Notre objectif est de soutenir la création, l’augmentation ou la consolidation d’ensembles de données qui sont représentatifs des populations touchées et qui sont donc moins biaisés et plus susceptibles d’aboutir à des résultats équitables en matière de santé. Au vu des inégalités historiques liées à la race aux États-Unis, nous sommes intéressés par les ensembles de données qui pourraient contribuer à réduire les disparités raciales dans les résultats des soins de santé aux États-Unis, et les ensembles de données qui peuvent atténuer les inégalités dans les résultats des soins de santé liés à l’identité dans les PRITI (par exemple l’origine ethnique, l’affiliation tribale, le sexe, etc.). Nous savons qu’un manque de diversité en termes de genre, d’âge, de capacité, d’emplacement géographique et même de type d’établissement de soins (par exemple un système de santé communautaire par rapport à un grand système médical universitaire, des patients hospitalisés par rapport à des patients ambulatoires) peut rendre un ensemble de données moins représentatif et conduire à des résultats inéquitables pour des sous-ensembles de la population. Nous encourageons les candidats à envisager d’adopter une approche intersectionnelle en incluant des données pour plusieurs groupes mal desservis, ou à expliquer pourquoi un certain type de diversité est important pour garantir des résultats équitables pour un cas d’utilisation spécifique.

Notre Groupe consultatif technique, qui est chargé de relever les lacunes dans les données, d’élaborer les appels à manifestation d’intérêt et d’examiner et de sélectionner des propositions, a recensé des besoins en matière d’ensembles de données pouvant être utilisés pour aborder des disparités dans les domaines suivants :

  • cancer,
  • maladies infectieuses,
  • et maladies chroniques.

Toutefois, les appels à manifestation d’intérêt du Lacuna Fund sont volontairement ouverts, afin d’encourager les idées nouvelles et innovantes qui pourraient ne pas avoir été repérées. Les candidats peuvent également présenter des arguments convaincants concernant un autre domaine dans lequel un ensemble de données pourrait considérablement réduire les inégalités en matière de santé.

Le Groupe consultatif technique estime qu’il est très utile de débloquer, d’augmenter ou de consolider les ensembles de données existants et est également ouvert aux propositions visant à créer de nouveaux ensembles de données. Plus important encore, nous voulons nous assurer que l’ensemble de données sous-jacent n’est pas fondamentalement vicié afin d’éviter de perpétuer les biais. Toutes les approches décrites ci-après sont intéressantes : 

  • mettre en commun des données existantes provenant des systèmes de soins de santé, des caisses d’assurance maladie ou des intermédiaires de données sur la santé afin de les rendre accessibles aux chercheurs pour qu’ils puissent déceler et corriger les biais algorithmiques (par exemple MIMIC, PhysioNet) ;
  • combler les lacunes/rendre les ensembles de données existants plus représentatifs (par exemple des images du cancer de la peau, des radiographies des poumons pour détecter la COVID, etc.) ;
  • associer les ensembles de données cliniques existants aux données sur les déterminants sociaux de la santé afin de créer des ensembles de données plus solides et plus informatifs ;
  • nettoyer les ensembles de données existants pour garantir l’exactitude des données sur la race, l’origine ethnique, le genre, le handicap, etc.

Les candidats retenus proposeront la création, l’expansion ou la consolidation d’un ou de plusieurs ensembles de données pouvant être utilisés pour répondre à plusieurs questions de recherche et corriger un biais ou une disparité.

Appels d’offres ouverts

Pour des informations sur la manière de soumettre un projet, voir ici.

Bailleurs de fonds

L’appel à manifestation d’intérêt de 2021 pour créer ou consolider des ensembles de données pouvant combler des lacunes, corriger un biais, ou aborder une disparité dans le domaine de la santé est soutenu par The Rockefeller Foundation, Google.org, Wellcome Trust, et The Gordon and Betty Moore Foundation.

[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