Notre publication dans PLOS ONE (2023) montre qu'il est possible de prédire la durée de séjour hospitalier sans sacrifier l'interprétabilité clinique. Pourquoi ce compromis change la donne.
Le faux dilemme : performance ou explicabilité ?
Une idée reçue circule depuis dix ans dans le champ de l'IA appliquée à la santé : pour gagner en performance prédictive, il faudrait accepter des modèles « boîtes noires » que les cliniciens ne peuvent pas comprendre. Cette opposition est paresseuse et, surtout, elle est fausse.
Avec mes co-auteurs Adorni, Ghatas et Boyer, nous avons publié en 2023 dans PLOS ONE une étude qui démontre qu'on peut atteindre une excellente précision de prédiction tout en conservant une interprétabilité utile au médecin.
Méthodologie : combiner données structurées et non structurées
Notre approche combine les données structurées du dossier patient (âge, comorbidités, examens) avec les données non structurées issues des notes cliniques en texte libre. Cette hybridation, traitée par des techniques de machine learning interprétables, permet d'identifier non seulement la prédiction mais aussi les facteurs qui l'expliquent.
Le résultat : des modèles qui prédisent la durée de séjour hospitalier avec une précision comparable aux modèles opaques, tout en restant lisibles pour les équipes soignantes.
Pourquoi cela compte pour la santé publique
Une IA qui décide sans pouvoir s'expliquer ne peut être ni auditée, ni améliorée, ni contestée. C'est un problème éthique, juridique et opérationnel. À l'inverse, une IA explicable devient un outil au service du médecin, pas un substitut.
Cette ligne de recherche structure aujourd'hui mes collaborations avec les hôpitaux et les institutions de santé publique en Europe.