L’adoption de l’IA dans la santé et les sciences de la vie s’accélère à un rythme soutenu, stimulant les avancées dans la recherche clinique, le diagnostic et les opérations. À mesure que ces technologies gagnent en maturité, la communauté scientifique observe des progrès significatifs en matière d’efficacité et d’innovation.
Cependant, malgré des modèles toujours plus sophistiqués, la reproductibilité reste un défi pour de nombreuses organisations. Dans les environnements fortement réglementés, l’analytique reproductible est essentielle pour instaurer une véritable confiance et permettre une mise à l’échelle, en garantissant que les résultats puissent être validés et jugés fiables au fil du temps.
- L’IA progresse rapidement dans la santé, mais elle a un revers
- Quand la reproductibilité passe au second plan
- Pourquoi la reproductibilité de l’IA est non négociable dans les flux de travail cliniques et scientifiques
- À quoi ressemblent les flux de travail d’IA reproductibles
- TruDiagnostic met en place des flux de travail d’IA reproductibles avec Posit
L’IA progresse rapidement dans la santé, mais elle a un revers
Si l’IA s’est largement imposée dans de nombreux secteurs technologiques, son intégration dans la santé s’est également accélérée de manière significative. Les organisations de santé et des sciences de la vie investissent massivement dans l’IA pour soutenir la recherche clinique, le diagnostic et l’analytique opérationnelle.
L’an dernier, les National Academies of Sciences, Engineering, and Medicine (NASEM) ont publié un nouveau rapport recommandant des moyens pour que les États-Unis tirent parti des bénéfices de l’intelligence artificielle dans les biotechnologies, en soulignant que les modèles d’IA pourraient analyser de grandes quantités de données afin de contribuer à la découverte de médicaments et à la réduction des menaces sanitaires.
La même tendance s’observe dans les établissements hospitaliers. Selon l’American Medical Association, 66 % des médecins ont déclaré utiliser des outils d’IA, contre 38 % en 2023. Parmi les cas d’usage courants figurent l’aide à la documentation, la rédaction de notes, les consignes de sortie, la planification des soins et les outils destinés aux patients.
Cependant, une adoption accrue ne se traduit pas automatiquement par des résultats probants. Les organisations rencontrent encore des difficultés à déployer efficacement les modèles d’IA et à concrétiser leurs bénéfices annoncés de manière systématique. La reproductibilité est l’une des principales raisons de cet écart. Sans la capacité à recréer de manière fiable les résultats d’une équipe ou d’un environnement à l’autre, même des modèles bien conçus peuvent ne pas fonctionner comme prévu dans des conditions réelles.
En 2016, la revue scientifique Nature a publié une étude qui concluait que plus de 70 % des chercheurs avaient tenté, sans y parvenir, de reproduire les résultats d’un autre scientifique. L’enquête révélait également que 52 % des répondants estimaient qu’il existait une crise « significative » de la reproductibilité.
Des travaux de recherche plus récents ont confirmé ces résultats, en particulier dans le domaine biomédical. Dans une enquête menée auprès de 1 630 chercheurs en biomédecine du monde entier, dont 819 travaillant dans la recherche clinique, 72 % des répondants ont reconnu que le secteur faisait face à une crise de la reproductibilité.
Même si ces chiffres ne représentent peut-être pas toutes les organisations des sciences de la vie, ils soulignent que la reproductibilité constitue un défi persistant de la recherche scientifique — un défi qui devient encore plus critique à mesure que l’IA s’intègre à ces flux de travail.
Quand la reproductibilité passe au second plan
L’analytique reproductible, ou reproductibilité, désigne la capacité à recréer les mêmes résultats d’une étude à partir des mêmes données, du même code et du même environnement, même lorsque l’étude est menée par une autre équipe. Si la reproductibilité reste un principe fondamental de la science et de la recherche, elle relève souvent davantage de l’idéal que de la réalité. De nombreuses organisations travaillent avec des flux de travail de data science fragmentés, ce qui peut ralentir à la fois le déploiement et la collaboration.
Dans la pratique, la reproductibilité échoue pour plusieurs raisons principales :
- Les équipes sont réparties entre les écosystèmes R et Python
- Forte dépendance aux notebooks et aux flux de travail ad hoc
- Incohérences entre les dépendances et les environnements
Ces difficultés compliquent la recréation systématique des résultats, en particulier d’une équipe à l’autre et au fil du temps. Dans les environnements scientifiques et cliniques réglementés, cela peut compromettre les efforts de R&D et réduire la crédibilité des résultats d’une équipe. Sans environnements standardisés ni gestion adéquate des dépendances, il devient difficile de reproduire les résultats, ce qui crée des risques pour la validation réglementaire, l’évaluation par les pairs et la continuité de la recherche à long terme.
L’IA amplifie ce défi. Lorsque des modèles sont superposés à des flux de travail non reproductibles, les incohérences s’amplifient elles aussi, limitant la fiabilité et l’impact des enseignements tirés de l’IA.
Pourquoi la reproductibilité de l’IA est non négociable dans les flux de travail cliniques et scientifiques
Dans les sciences de la vie, la reproductibilité est plus essentielle que jamais. Comme le souligne la NASEM, « La réplicabilité et la reproductibilité sont des voies essentielles pour parvenir à la confiance dans les connaissances scientifiques, même si elles ne sont pas les seules. »
Cela est particulièrement important, car la recherche clinique et scientifique contribue directement à :
- Interventions médicales : Mise au point de nouveaux médicaments, traitements, dispositifs médicaux et outils de diagnostic
- Compréhension des maladies : Approfondissement des connaissances sur l’origine, la progression et les approches thérapeutiques des maladies
- Validation clinique : Production des données probantes nécessaires pour démontrer l’innocuité et l’efficacité en vue de l’autorisation réglementaire
- Amélioration des soins de santé : Perfectionnement continu des méthodes de diagnostic et des processus cliniques
À mesure que l’IA s’intègre davantage à la recherche dans les sciences de la vie, la reproductibilité est essentielle pour garantir que les résultats restent cohérents, vérifiables et fiables au fil du temps. Cela est important pour plusieurs raisons :
- Renforce la crédibilité scientifique : La reproductibilité consolide l’évaluation par les pairs et l’intégrité de la recherche, même lorsque l’IA s’intègre au flux de travail
- Répond aux exigences réglementaires : Les analyses pilotées par l’IA doivent être reproductibles afin de permettre leur validation et leur audit des mois ou des années plus tard, et de garantir que les résultats résistent à un examen approfondi
- Protège les résultats dans le monde réel : Les résultats de l’IA peuvent influencer les décisions cliniques et la prise en charge des patients ; la cohérence et la précision sont donc essentielles à leur sécurité
Sans reproductibilité, les bénéfices potentiels de l’IA dans la santé ne peuvent être pleinement concrétisés ni inspirer confiance.
À quoi ressemblent les flux de travail d’IA reproductibles
À mesure que l’IA s’intègre davantage aux flux de travail cliniques et scientifiques, les organisations doivent donner la priorité à des environnements d’analytique permettant aux équipes de reproduire les modèles, de suivre les dépendances et de recréer systématiquement les analyses au fil du temps.
Les flux de travail d’IA reproductibles reposent notamment sur quatre principes :
- Environnements standardisés : Éliminer les incohérences dues à la fragmentation des flux de travail R et Python et garantir un comportement cohérent des modèles, du développement à la production
- Intégration de l’IA aux flux de travail reproductibles : Intégrer directement les fonctionnalités d’IA et de LLM aux environnements de data science gouvernés afin que les résultats restent cohérents, traçables et alignés sur les flux de travail existants
- Infrastructure évolutive et collaborative : Permettre aux équipes de travailler dans des environnements partagés, d’adapter les ressources de calcul à la demande et de collaborer sans introduire de variabilité ni compromettre la reproductibilité
- Gouvernance et contrôle de bout en bout : Appliquer une gouvernance, une sécurité et une supervision centralisées à l’ensemble des flux de travail afin de favoriser la conformité et la fiabilité à long terme
Sans être exhaustifs, ces principes contribuent à garantir que les flux de travail analytiques sont à la fois reproductibles et évolutifs, en particulier dans les environnements réglementés tels que la santé et les sciences de la vie.
TruDiagnostic met en place des flux de travail d’IA reproductibles avec Posit
Un exemple concret d’analytique reproductible nous vient de l’entreprise des sciences de la vie TruDiagnostic. Spécialisée dans les tests épigénétiques axés sur le vieillissement biologique, les carences nutritionnelles et la santé cellulaire, TruDiagnostic était confrontée à d’importants défis d’infrastructure en raison de ses vastes jeux de données et de ses outils fragmentés.
En traitant plus de 80 000 échantillons biologiques, l’équipe a rencontré des inefficacités, car différents groupes s’appuyaient sur un ensemble d’outils comprenant notamment SageMaker, Docker et des environnements basés sur R comme RStudio. Cette fragmentation compliquait la standardisation des flux de travail et le maintien de la cohérence entre les analyses.
Unifier les flux de travail fragmentés avec Posit Workbench
Pour relever ces défis, TruDiagnostic a adopté Posit Workbench avec Amazon SageMaker. Posit Workbench permet aux équipes de créer, partager et développer en collaboration des flux de travail R et Python dans un environnement unifié, afin que les data scientists puissent travailler dans le langage de leur choix tout en maintenant la cohérence entre les équipes.
TruDiagnostic a ainsi pu unifier ses environnements R et Python tout en renforçant son contrôle sur les ressources de calcul.
Accélérer le développement et obtenir des résultats d’IA plus fiables
Résultat : l’entreprise a accéléré son développement d’une année entière, réduit de 60 % ses coûts d’infrastructure cloud et multiplié par 10 les performances d’entraînement de ses modèles d’IA et statistiques.
Posit Workbench a fourni non seulement une plateforme de données évolutive, mais aussi un environnement d’analytique reproductible et prêt pour l’IA, favorisant des résultats cohérents et fiables.