François Petit, des maths à la médecine personalisée

Le leitmotiv de François Petit ? Développer des outils mathématiques, statistiques et de l’intelligence artificielle pour faire avancer la médecine personnalisée. Une médecine qui consiste à « donner au bon patient le bon traitement au bon moment ».

Un témoignage à retrouver dans le magazine de l’Inserm n°69

« Plusieurs choses m’animent : le plaisir de comprendre, la notion de bien commun porté par la recherche biomédicale et les échanges avec des collègues issus de disciplines variées. Mon ambition est de construire des représentations fiables de patients pour mieux comprendre leurs trajectoires et guider les décisions médicales. Comprendre l’hétérogénéité des patients implique de développer des représentations adaptées aux données disponibles (informations cliniques, parcours de soins, données qualitatives ou encore imagerie médicale). Et pour que ces modèles soient utiles, elles doivent répondre aux questions concrètes de pronostic et de choix thérapeutique que se pose le médecin.

Du général au particulier

Les essais cliniques mesurent l’effet moyen d’un traitement sur une population. C’est le socle de la médecine moderne. Mais la réalité clinique est plus complexe, le médecin doit choisir la meilleure option pour un patient précis à un moment donné de son histoire médicale. C’est là que les méthodes statistiques, mathématiques et certaines méthodes d’IA ont un rôle à jouer. Elles estiment les effets individuels des traitements pour mieux les comparer, détectent les sous-groupes spécifiques de patients, et permettent de construire des « règles de traitement individualisées ». Aujourd’hui encore, beaucoup de ces outils sont au stade de prototypes. L’un des enjeux actuels est d’obtenir de plus en plus de données de qualité.

Une partie de mes recherches porte sur l’analyse des trajectoires cliniques. Le clustering, à savoir l’élaboration de sous-groupes homogènes de patients, et l’analyse des trajectoires répondent à la question : quels profils de patients ou quels types d’évolution peut-on distinguer dans les données ? Ici, l’enjeu est de réussir à comparer les parcours de soins afin de dégager des sous-groupes pertinents. Ces informations peuvent nourrir les modèles de décision médicale. Les trajectoires identifiées deviennent des variables utiles pour distinguer les profils des patients et construire des règles thérapeutiques plus adaptées.

Dans le même esprit, je m’intéresse aussi à la façon dont l’IA générative pourrait améliorer les essais cliniques, notamment lorsque le nombre de participants est limité. Il ne s’agit pas de remplacer les patients réels, mais d’étudier comment des profils de patients créés par IA pourraient compléter les données existantes, par exemple pour mieux évaluer l’effet d’un nouveau traitement. Ces « patients virtuels » pourraient venir étoffer le groupe témoin, c’est-à-dire le groupe de comparaison qui ne reçoit pas le traitement testé. L’enjeu des recherches actuelles est d’identifier des méthodes fiables et robustes pour générer des patients par l’IA.

Le murmure de la géométrie des données

Autre facette de mes travaux : l’analyse topologique des données. Cette branche récente des mathématiques appliquées part d’un principe simple : les données possèdent une structure, une « forme » géométrique cachée dont on peut extraire des informations cruciales. Elle permet de cartographier des organisations spatiales complexes qui abritent parfois des informations cliniques invisibles à l’œil nu. Je développe des outils mathématiques capables de décoder cette géométrie des données. Une lésion tissulaire, par exemple, est informative par sa forme, sa taille ou sa distribution dans un organe. Nous mettons actuellement ces outils en œuvre, en collaboration avec des spécialistes d’une maladie pulmonaire rare. Dans cette pathologie, les scanners révèlent parfois des kystes pulmonaires. L’enjeu est de déterminer, en appliquant l’analyse topologique aux données issues des scanners, si leur organisation spatiale et leur géométrie possèdent une valeur pronostique.

Aujourd’hui, l’un des grands défis de la médecine personnalisée est de travailler avec des données encore plus massives et encore plus riches et variées. Demain, il nous faudra construire des représentations communes, ou au moins compatibles, entre les différentes sources de données médicales pour passer à une personnalisation fondée sur l’ensemble de l’histoire médicale du patient. Puis, nous devrons évaluer et éprouver avec précision ces outils, des conditions indispensables pour les intégrer dans les pratiques cliniques. »

François Petit est mathématicien et directeur de recherche Inserm, coresponsable de l’axe Médecine personnalisée de l’équipe Methods au Centre de recherche en épidémiologie et statistiques (unité 1153 Inserm/Université Paris Cité), à Paris.

Propos recueillis par J. P.

À lire aussi

Accélérer l’innovation grâce à l’IA

Actualité, Institut

Cerveau : un jumeau numérique contre l’épilepsie

Actualité, Science

Intelligence artificielle et santé

L’intelligence artificielle (IA) est un domaine de recherche en pleine expansion et promis à…