Dans cette interview, Wen Hwa Lee, PDG et scientifique en chef d’Action contre la dégénérescence maculaire liée à l’âge (AAAMD), offre une perspective éclairante sur la fusion de l’IA et de l’ophtalmologie pour ouvrir de nouvelles voies en matière de soins de santé et de découverte de médicaments.
Sommaire
Veuillez vous présenter et donner un bref aperçu de votre carrière et de la manière dont vous êtes devenu PDG et scientifique en chef d’Action Against AMD ?
Je m’appelle Wen Hwa Lee. Je suis le PDG d’Action Against AMD (AAAMD), un organisme de recherche caritatif. J’ai commencé ma carrière en tant que biologiste moléculaire et généticien, puis je me suis orienté vers la biologie structurale et la biologie computationnelle au début des années 2000. J’ai rejoint le Structural Genomics Consortium en 2004, ce qui m’a amené à me concentrer sur le Big Data et la découverte de médicaments. Quand le AAAMD Une association caritative a été fondée, ils recherchaient quelqu’un avec mon profil pour développer de nouvelles approches et thérapies pour éviter ou ralentir la DMLA le plus tôt possible.
Pouvez-vous donner un aperçu des principaux défis liés à l’utilisation de l’IA pour les soins de santé, en particulier en ophtalmologie, et de la manière dont votre organisation relève ces défis ?
Les défis résident dans la fragmentation, la standardisation et l’intégration des données, notamment en ophtalmologie. Nous abordons ce problème en nous concentrant sur participantune agrégation de données centrée sur un cadre de données commun. Notre approche consiste à intégrer le scanner ophtalmiques avec d’autres omiques et créer un mouvement populaire pour encourager publique participation à des programmes de recherche.
Dans votre exposé, vous évoquez l’existence de lacunes dans les données de santé pour la formation des algorithmes d’IA. Pourriez-vous développer ces lacunes et leur importance dans le contexte de la découverte de médicaments basée sur l’IA ?
Les données sur les soins de santé sont souvent orientées vers les maladies plutôt que vers la santé, ce qui entraîne des lacunes dans les soins de santé prédictifs et préventifs. Notre objectif est de capturer toutes les données couvrant les étapes pré-maladie, pré-diagnostic et pré-hospitalisation pour permettre une intervention précoce et la découverte ciblée de médicaments. – par conséquent, nous nous concentrons sur la participation du public en plus de la participation des patients. Notre objectif est de comprendre et d’utiliser les données qui vont au-delà de la manifestation immédiate de la maladie.
La collaboration entre les secteurs est un thème clé de votre présentation. Pourriez-vous partager quelques exemples de collaborations multisectorielles réussies qui ont amélioré la disponibilité des données pour la recherche basée sur l’IA en ophtalmologie et dans les soins de santé en général ?
Nous travaillons actuellement à la mise en œuvre du projet Foresight, qui servira de un courtier honnête agrégateur de données, assurant éthique et sécuriser l’utilisation et l’accès aux données. De plus, nous visons à collaborer avec autant de scientifiques que possible – issus du monde universitaire, de l’industrie et des fabricants d’équipements – pour rationaliser la collecte et l’analyse des données. Notre approche vise à créer un référentiel de données partagé et standardisé tout en garantissant la confidentialité et la sécurité des données.
Comment envisagez-vous l’avenir de l’agrégation des données de santé, notamment en termes de rendre les données manquantes plus accessibles à des fins de recherche ? Selon vous, existe-t-il des technologies ou des stratégies spécifiques qui contribueront à atteindre cet objectif ?
Nous explorons l’utilisation des technologies existantes pour le redéploiement dans l’agrégation de données multisystémique. Notre objectif est de rendre la collecte et l’agrégation de données rentables et accessibles. Notre objectif est de développer une approche de réseau distribué, semblable à « l’Uber des soins de santé », pour garantir l’acquisition efficace et abordable de diverses données de santé.
Les données ophtalmiques sont présentées comme une ressource précieuse pour la découverte de médicaments indépendants de la maladie grâce à l’IA. Pourriez-vous fournir quelques exemples de la façon dont les données ophtalmiques ont été exploitées avec succès de cette manière et quels avantages potentiels elles offrent à la R&D en matière de découverte de médicaments ?
Les données ophtalmiques ont été utilisées efficacement pour identifier les premiers biomarqueurs de maladies neurodégénératives comme la maladie de Parkinson. En analysant l’épaisseur de la rétine et d’autres données d’analyse oculaire, les chercheurs peuvent prédire la progression de la maladie et optimiser les stratégies de dosage des médicaments. Cette approche peut améliorer considérablement les taux de réussite des essais cliniques en identifiant les populations à risque et les premiers stades de la maladie.
Compte tenu de l’évolution rapide de l’IA et des soins de santé, quelles considérations éthiques et préoccupations en matière de confidentialité des données les chercheurs et les organisations devraient-ils prendre en compte lorsqu’ils travaillent avec des données de santé et des algorithmes d’IA ?
Les chercheurs doivent adhérer aux normes éthiques et comprendre les contraintes juridiques associées à l’utilisation des données. La collaboration avec les organismes de réglementation et les organisations caritatives peut aider à établir des protocoles standardisés pour l’accès aux données et le consentement. Il est crucial d’établir des relations directes entre les chercheurs et les patients pour garantir une utilisation transparente et éthique des données.
Pouvez-vous partager quelques idées sur la mise en œuvre pratique de la découverte de médicaments basée sur l’IA dans le domaine de l’ophtalmologie ? Existe-t-il des projets ou des initiatives spécifiques qui ont donné des résultats prometteurs ?
En plus de Foresight, nos projets de réorientation pharmaco-épidémiologique en cours se concentrent sur l’identification de nouveaux médicaments pour la DMLA. En tirant parti de l’IA, nous analysons une variété d’ensembles de données et visons à développer de nouveaux biomarqueurs pour suivre la progression de la maladie et la stratification des patients. Notre objectif est d’intégrer ces données aux essais cliniques et d’accélérer le développement de traitements efficaces au cours des cinq prochaines années.
En conclusion, quels conseils ou points clés offririez-vous aux chercheurs, aux professionnels de l’industrie et aux organisations qui cherchent à exploiter la puissance de l’IA dans les soins de santé et la découverte de médicaments, sur la base de vos expériences et de vos connaissances ?
Mettre l’accent sur la pensée innovante et la collaboration interdisciplinaire pour exploiter tout le potentiel de l’IA dans les soins de santé. Regardez au-delà des sources de données conventionnelles et exploitez les technologies existantes pour développer des solutions rentables. Favoriser l’engagement direct avec les patients pour instaurer la confiance et garantir des pratiques éthiques en matière de données. Restez ouvert d’esprit et proactif dans l’exploration de nouvelles voies de recherche et de collaboration.
Où les lecteurs peuvent-ils trouver plus d’informations ?
À propos de Wen Hwa Lee
Le Dr Wen Hwa Lee (Lee) est PDG et scientifique en chef d’Action contre la dégénérescence maculaire liée à l’âge (AAAMD), un organisme de recherche caritatif axé sur la lutte contre la principale cause de cécité légale dans les pays développés dès ses premiers stades, avec un prix et une accessibilité maximum. Lee est un spécialiste de la biologie moléculaire et structuraleest doté d’un vaste réseau international dans le domaine de la découverte de médicaments, comprenant des organisations caritatives, des universités, l’industrie et des agences gouvernementales. Auparavant à l’Université d’Oxford, Lee est un leader expérimenté dans la mise en place de partenariats et d’alliances avec de multiples parties prenantes pour accélérer les découvertes liées à la découverte de médicaments. Il a conçu et mis en œuvre plusieurs stratégies dans le cadre de deux des partenariats public-privé internationaux les plus importants et les plus réussis pour la découverte de médicaments : le Structural Genomics Consortium et l’European Lead Factory. Parallèlement à ses efforts scientifiques, Lee a également conseillé des représentants gouvernementaux de haut niveau de différents pays et des institutions caritatives sur les politiques et stratégies visant à intégrer l’impact scientifique, sociétal et économique. Actuellement, Lee préside également le Data Trust Advisory Board (DataTAB) d’INSIGHT Hub, développé conjointement avec l’Open Data Institute pour impliquer le public et les patients au niveau de la gouvernance en faveur d’une utilisation transparente, équitable et responsable des données de santé.