. Dans la médecine, il y a de nombreuses connaissance et un grand nombre de relation cause-effet.

La société IBM avec son intelligence artificielle Watson, travaille sur l’amélioration des diagnostiques
en médecine depuis plusieurs années. En effet, Watson peut analyser la totalité des informations
d’un patient puis ensuite travailler en collaboration avec un médecin pour déterminer au mieux le
traitement à prescrire au patient. En radiologie, les systèmes sont capables d’analyser et de
comparer un grand nombre d’informations très rapidement pouvant ainsi proposer des solutions et
des diagnostiques que des médecins n’auraient pas pu voir par manque de temps et de mémoire.
Mais si une application peut effectuer des diagnostiques, quel est maintenant le rôle du médecin ? Le
médecin à un rôle humain qui ne peut pas actuellement être remplacé par une machine. Le médecin
est là pour aider son patient à comprendre son état, il est là pour utiliser son sens critique pour
déterminer la véracité des propositions des logiciels.

Il sera toujours nécessaire d’avoir un médecin car imaginons une situation grave avec une décision
importante à prendre, si Watson propose une solution radicalement différente de celle pensée par le
médecin, faut-il se fier à lui ? Etant donné que l’outil est une « boite-noire » et que personne ne sait
comment il fonctionne pour effectuer ses corrélations et donner ses diagnostiques.

En médecine prédictive, il est compliqué pour un humain de donner des résultats de qualités,
conséquence du grand nombre de facteurs génétiques et environnementaux. En utilisant des
algorithmes basés sur des réseaux de neurones, ayant subis de l’apprentissage automatique sur de
grands nombres d’exemples et tout ceci couplé avec des systèmes experts, on pourrait offrir des
résultats de qualités rapidement. On va commencer par utiliser un perceptron multicouche, lui
donner un grand nombre d’exemples clairement identifié. Ici le réseau de neurones va devoir
pondérer les relations de causalités, ce que ne fait pas un humain de manière fiable. Ensuite on
essaie de donner des exemples inconnus au système et s’il arrive à donner des résultats de qualité,
c’est alors qu’il a réussi à comprendre la relation entre les facteurs d’entrées et le diagnostic.

Mais les réseaux de perceptrons multicouches ne sont pas les seuls types d’intelligence artificielle
utilisés en médecine. Ils seront utilisés dans des situations ou on ne connait pas les réponses aux
problèmes ou si l’on cherche une optimisation des procédés. Mais si l’on souhaite uniquement
automatiser un processus bien connu et avéré, on utilisera surement un réseau bayésien qui sera
plus adapté à la situation.
En médecine, l’erreur est intolérable puisqu’elle peut coûter cher au patient et au médecin. En effet,
une erreur d’évaluation peut achever la vie d’un patient, une erreur de diagnostic engendre
automatiquement une mauvaise prise en charge et peut même laisser des conséquences agonisantes
et douloureuses chez le patient. D’un autre côté, l’erreur peut nuire au médecin et à sa réputation.
Cependant, les erreurs médicales relatives au facteur humain ne sont pas en générale liées au
manque de compétence du médecin. En fait, elles sont liées à la capacité de l’être humain à traiter
plusieurs données et en sortir de bonnes conclusions soit pour comprendre la maladie ou pour la
guérir. Une telle problématique fait partie de ce qui est appelée « les problèmes d’apprentissage » où
l’homme ne connait que les causes apparentes des maladies à traiter (66).

1 Médecine intelligente

Face aux problèmes d’apprentissage, la communauté médicale s’est retournée vers l’intelligence
artificielle (Artificial Intelligence : AI). Le Professeur Luc Thomas, dermatologue au CHU Lyon Sud et
chercheur au centre de recherche sur le cancer de Lyon confirme ce constat en déclarant (67): « Si la
machine fait mieux que l’homme, c’est qu’elle peut évaluer plus de critères géométriques que l’œil
humain ». Effectivement, l’intelligence artificielle est de plus en plus introduite en médecine pour le
dépistage de maladies et pour la prise de décision médicale avec des résultats spectaculaires.

Les applications dans ce domaine sont vastes, autant pour le contrôle de la circulation, la gestion de
stocks, le calcul de plan de productions, l’aide à la décision ou la réalisation d’actes de commandes
etc… Ce sont toutes les applications relatives à la maitrise de la circulation physique, la distribution et
les transports de produits. L’informatique est présente partout en logistique, les points nodaux de
réseaux de transport (plateformes, aéroports etc…). En gestion des stocks par exemple, les
applications peuvent calculer, surveiller, décider et prévoir l’évolution en fonction de méthodes
d’analyses statistiques poussées.

Avant d’entrer dans le cœur du sujet de ce billet qui traite du choix entre l’utilisation des
technologies de Business Intelligence ou de Big data, commençons par un rappel des fondamentaux
de la Business Intelligence. La BI consiste en un ensemble d’outils et de techniques permettant de
collecter, de nettoyer et d’enrichir des données structurées ou semi structurées pour les stocker dans
différentes formes de base de données de type SQL, multidimensionnel. Les données vont être
gérées dans des formats normalisés pour faciliter l’accès à l’information et les vitesses de traitement.
L’objectif de la BI est de produire des indicateurs de performance permettant de comprendre le
passé, d’analyser le présent afin d’extrapoler une vision à long terme pour et définir les avantages
compétitifs futurs de l’entreprise. La BI est utilisée par un grand nombre d’utilisateurs internes ou
externes pour supporter les activités opérationnelles de l’entreprise jusqu’au suivi stratégique.