La médecine prédictive, préventive, personnalisée et participative, dite P4, est la santé de demain. Pour à la fois accélérer son adoption et maximiser son potentiel, les données cliniques sur un grand nombre d’individus doivent être efficacement partagées entre toutes les parties prenantes. Cependant, les données sont difficiles à recueillir. Il est cloisonné dans des hôpitaux, des cabinets médicaux et des cliniques individuels du monde entier. Les risques de confidentialité découlant de la divulgation de données médicales sont également une préoccupation sérieuse et, sans technologies efficaces de préservation de la confidentialité, sont devenus un obstacle à l’avancement de la médecine P4.
Les approches existantes ne fournissent qu’une protection limitée de la vie privée des patients en obligeant les établissements à partager des résultats intermédiaires, qui peuvent à leur tour divulguer des informations sensibles au niveau des patients, ou elles sacrifient l’exactitude des résultats en ajoutant du bruit aux données pour atténuer les fuites potentielles.
Aujourd’hui, des chercheurs du Laboratoire de sécurité des données de l’EPFL, en collaboration avec des collègues du CHU de Lausanne (CHUV), du MIT CSAIL et du Broad Institute du MIT et de Harvard, ont développé « FAMHE ». Ce système d’analyse fédéré permet à différents prestataires de soins de santé d’effectuer en collaboration des analyses statistiques et de développer des modèles d’apprentissage automatique, le tout sans échanger les ensembles de données sous-jacents. FAHME atteint le juste milieu entre la protection des données, l’exactitude des résultats de la recherche et le temps de calcul pratique – trois dimensions critiques dans le domaine de la recherche biomédicale.
Dans un article publié en Communication Nature le 11 octobre, l’équipe de recherche a déclaré que la différence cruciale entre FAMHE et d’autres approches essayant de surmonter les défis de confidentialité et de précision est que FAMHE fonctionne à grande échelle et qu’il a été mathématiquement prouvé qu’il est sécurisé, ce qui est indispensable en raison de la sensibilité du Les données.
Dans deux déploiements prototypes, FAMHE a reproduit avec précision et efficacité deux études multicentriques publiées qui reposaient sur la centralisation des données et des contrats juridiques sur mesure pour les études centralisées de transfert de données, y compris l’analyse de survie Kaplan-Meier en oncologie et les études d’association pangénomique en génétique médicale. En d’autres termes, ils ont montré que les mêmes résultats scientifiques auraient pu être obtenus même si les jeux de données n’avaient pas été transférés et centralisés.
Jusqu’à présent, personne n’a été en mesure de reproduire des études montrant que l’analytique fédérée fonctionne à grande échelle. Nos résultats sont précis et obtenus avec un temps de calcul raisonnable. FAMHE utilise un cryptage homomorphe multipartite, qui est la possibilité d’effectuer des calculs sur les données sous leur forme cryptée à travers différentes sources sans centraliser les données et sans qu’aucune partie ne voie les données des autres parties. »
Jean-Pierre Hubaux, professeur EPFL, auteur principal de l’étude
« Cette technologie va non seulement révolutionner les études de recherche clinique multi-sites, mais aussi permettre et renforcer les collaborations autour de données sensibles dans de nombreux domaines différents tels que l’assurance, les services financiers et la cyberdéfense, entre autres », ajoute le chercheur senior de l’EPFL, le Dr Juan Troncoso-Pastoriza. .
La confidentialité des données des patients est une préoccupation majeure du CHU de Lausanne. « La plupart des patients souhaitent partager leurs données de santé pour l’avancement de la science et de la médecine, mais il est essentiel d’assurer la confidentialité de ces informations sensibles. FAMHE permet d’effectuer des recherches collaboratives sécurisées sur les données des patients à une échelle sans précédent », déclare Professeur Jacques Fellay de l’unité Médecine de Précision du CHUV.
« Cela change la donne vers la médecine personnalisée, car tant que ce genre de solution n’existe pas, l’alternative est de mettre en place des accords bilatéraux de transfert et d’utilisation des données, mais ceux-ci sont ad hoc et nécessitent des mois de discussion pour conclure. que les données seront correctement protégées lorsque cela se produira. FAHME fournit une solution qui permet une fois pour toutes de se mettre d’accord sur la boîte à outils à utiliser puis de la déployer », déclare le professeur Bonnie Berger du MIT, CSAIL et Vaste.
« Ce travail établit une base clé sur laquelle des algorithmes d’apprentissage fédérés pour une gamme d’études biomédicales pourraient être construits de manière évolutive. Il est passionnant de réfléchir aux développements futurs possibles d’outils et de flux de travail rendus possibles par ce système pour répondre à divers besoins analytiques biomédecine », explique le Dr Hyunghoon Cho du Broad Institute.
Alors, à quelle vitesse et jusqu’où les chercheurs s’attendent-ils à ce que cette nouvelle solution se propage ? « Nous sommes en discussions avancées avec des partenaires au Texas, aux Pays-Bas et en Italie pour déployer FAMHE à grande échelle. Nous voulons que cela soit intégré aux opérations de routine pour la recherche médicale », déclare le Dr Jean Louis Raisaro du CHUV, l’un des chercheurs principaux de l’étude.
