L'éditorial intitulé « Exploration de mégadonnées médicales axée sur la dynamique : approches dynamiques de la prévision précoce des maladies et des soins individualisés », publié dans Médecine intelligente (Février 2026, volume 6, numéro 1), a été rédigé par Lu Wang (Université médicale de Tianjin), Han Lyu (Hôpital de l'amitié de Pékin, Université médicale de la capitale) et Bin Sheng (Université Jiao Tong de Shanghai). Il soutient que l’avenir de l’IA médicale ne réside pas seulement dans le diagnostic de la maladie une fois qu’elle est visible, mais aussi dans la détection des premiers changements dynamiques qui se produisent avant l’apparition complète des symptômes. En analysant l'évolution des données de santé au fil du temps, depuis les systèmes omiques et les dossiers médicaux jusqu'aux appareils d'imagerie et portables, l'IA peut aider à identifier les « points de bascule » lorsque le corps évolue vers la maladie. Les auteurs soulignent également que ces systèmes doivent être rigoureusement validés et utilisés pour soutenir, et non remplacer, le jugement clinique.
Sommaire
Des moyennes de population aux points de bascule individuels
Au cœur de ce cadre se trouve la théorie des biomarqueurs de réseaux dynamiques (DNB), qui détecte les transitions pathologiques imminentes en surveillant les fortes augmentations des fluctuations et des corrélations au sein des réseaux biomoléculaires. Des travaux antérieurs résumés dans l'éditorial ont validé des approches basées sur le DNB dans deux scénarios cliniquement importants : signaler une instabilité accrue de l'expression génique dans l'infection grippale quelques jours avant l'apparition des symptômes, et identifier les points de basculement génomiques où les cellules passent d'états bénins à malins, avec des précisions de prédiction de la progression tumorale dépassant 80 %.
Pour les cliniciens occupés, l'avancée la plus pertinente dans l'immédiat pourrait être l'analyse des réseaux de périphérie spécifique à l'individu (iENA), qui transforme les données moléculaires en réseaux de périphérie et évalue les transitions critiques à l'aide des données longitudinales d'un seul patient, sans nécessiter de groupe témoin. Dans les applications transcriptomiques, cette approche à échantillon unique a atteint des valeurs d'aire sous la courbe (AUC) supérieures à 0,9, mettant ainsi à portée de main une évaluation dynamique en temps réel, applicable au chevet du patient, pour la première fois dans cette classe de méthodes.
L'IA hybride réduit l'écart entre les modèles et les patients
L’éditorial présente également des preuves selon lesquelles la combinaison des connaissances physiologiques mécanistes avec l’apprentissage en profondeur, plutôt que de s’appuyer uniquement sur des modèles basés sur des données, améliore considérablement l’utilité clinique. Dans la gestion du diabète de type 1, les réseaux de mémoire à long terme et à court terme basés sur la physiologie ont réduit l'erreur absolue moyenne de prédiction de la glycémie à 35,0 mg/dL, contre 79,7 mg/dL pour les simulateurs traditionnels, soit une réduction de plus de 55 %. Ces modèles créent des jumeaux numériques spécifiques au patient qui peuvent être utilisés pour tester des stratégies thérapeutiques in silico avant application clinique.
Au-delà des maladies métaboliques, l'éditorial décrit des avancées parallèles dans les modalités de données : les réseaux neuronaux à graphiques temporels appliqués aux DSE ont amélioré la précision de la prédiction du diagnostic de 10 à 15 % sur l'ensemble de données MIMIC-III ; des modèles de graphiques dynamiques dérivés de l'IRM fonctionnelle prédisent les résultats du traitement des acouphènes ; et les architectures basées sur des transformateurs formées sur les DSE longitudinaux ont montré leur capacité à prévoir les risques de plusieurs maladies, notamment le diabète et l'hypertension, grâce à des mécanismes d'attention hiérarchiques.
Augmenter, et non remplacer, le jugement clinique
« Ces approches dynamiques sont conçues pour augmenter, et non remplacer, l'expertise clinique », a déclaré le professeur Bin Sheng, auteur correspondant et professeur à l'École d'informatique de l'Université Jiao Tong de Shanghai. « Ils fournissent des signaux d'alerte précoces en temps opportun qui permettent une intervention proactive, faisant passer la médecine d'un traitement réactif à une véritable prévention, tout en préservant le rôle irremplaçable du jugement humain dans la prise de décision médicale complexe. »
Les limitations actuelles exigent un déploiement prudent
L’éditorial est tout aussi direct sur les défis qui doivent être résolus avant que ces outils puissent offrir des avantages équitables et concrets. L'hétérogénéité des données et les valeurs manquantes peuvent produire des faux positifs lors de la détection de transitions critiques, gonflant les fluctuations du réseau de manière à générer des alertes erronées. Un défi plus fondamental réside dans le fait que les méthodes actuelles excellent dans l’identification des associations statistiques, mais ne peuvent pas distinguer de manière fiable la corrélation de la causalité sans intégrer les connaissances du domaine médical et la validation expérimentale. L'interprétabilité reste un obstacle important : bien que des outils tels que SHAP et LIME fournissent des explications partielles sur les décisions de modèle, la transparence totale des architectures profondes n'est pas encore atteinte et des prédictions opaques risquent d'éroder la confiance clinique qu'exige l'adoption.
Les préoccupations éthiques et réglementaires nécessitent également une attention particulière. Les risques liés à la confidentialité persistent dans l’apprentissage fédéré malgré les architectures de formation distribuées, et les biais algorithmiques sont particulièrement préoccupants lorsque les modèles formés sur des populations spécifiques sont déployés dans des groupes sous-représentés, avec le potentiel d’élargir plutôt que de réduire les inégalités en matière de soins de santé.
La voie à suivre : intégration multimodale et validation prospective
Pour l’avenir, l’éditorial identifie deux priorités. Le premier est l'intégration multimodale : fusionner les données omiques, d'imagerie, de DSE et portables via des transformateurs avancés, des réseaux neuronaux graphiques et des méthodes d'inférence causale, y compris des variables instrumentales et des simulations contrefactuelles, pour construire des modèles causals complets de trajectoires de maladies individuelles. La seconde, et sans doute la plus critique, est une validation prospective rigoureuse. Les auteurs soulignent que l’écart entre la promesse théorique et la mise en œuvre clinique ne peut être comblé que grâce à des essais cliniques prospectifs bien conçus et à des études de déploiement dans le monde réel auprès de diverses populations et établissements de soins de santé.
Publié en libre accès, l'éditorial sert à la fois de référence de pointe et de feuille de route pratique pour les cliniciens, les chercheurs et les responsables de la santé travaillant à l'intersection de la médecine et de l'intelligence artificielle.
