| Titre | Big data et cancer : le défi | |
|---|---|---|
| Auteur | Alain Livartowski, Julien Guérin, Gilles Wainrib | |
 |
Revue | Revue française des Affaires sociales |
| Numéro | no 4, octobre-décembre 2017 Dossier thématique : Big data et protection sociale | |
| Page | 11-25 | |
| Résumé |
La révolution du big data et de l'intelligence artificielle peut transformer la médecine, et en particulier la lutte contre le cancer. Les grands centres hospitaliers à travers le monde ont un rôle majeur à jouer dans cette transformation car ils concentrent les bases de données les plus riches et les plus proches de la réalité clinique. Dans le domaine de l'aide au diagnostic et de la prédiction de la réponse au traitement, ou afin de mieux déterminer le risque de récidive, le principe consiste à utiliser les technologies de machine learning, de deep learning pour l'analyse automatique des textes, des images et des données de séquençage. Sommes-nous capables d'en extraire des données exploitables pour faire progresser nos connaissances ? Préalable à cette exploitation, de nombreux problèmes doivent être résolus : d'ordre juridique comme l'accès aux données, la question de leur propriété, les problèmes de confidentialité et de consentement du patient, d'ordre technique comme la qualité des données sources, leur interopérabilité et leur intégration. Se poseront ensuite les questions de l'évaluation de ces aides à la décision, et leur appropriation par le monde médical. Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
Medical care, and particularly the fight against cancer, can be transformed by the Big Data revolution and artificial intelligence. Major hospitals around the world play a major role in this transformation since they bring together those databases that are the richest sources of data and the closest to the clinical reality. The basic method in the field of diagnosis and prediction of response to treatment, as well as better determining of the risk of recidivism, consists of using machine learning and deep learning technologies for the automatic analysis of texts, of images, and of sequencing data. Does this enable us to extract usable data capable of improving our understanding ? First, a series of problems needs to be addressed : legal issues such as access to data and their ownership ; privacy and patient consent issues ; and technical issues such as the interoperability, integration, and quality of data sources. Then, the questions of the evaluation of these aids in decision-making, and their adoption by the medical world can be addressed. Source : Éditeur (via Cairn.info) |
|
| Article en ligne | http://www.cairn.info/article.php?ID_ARTICLE=RFAS_174_0011 |
