Rechercher
Fermer ce champ de recherche.

L’Ostéopathie à l’heure du BIG DATA

A quoi peut bien ressembler notre raisonnement diagnostique? Il est probablement bien éloigné des arbres décisionnels classiques.

Par Laurent MARC – Ostéopathe DO

Publié le 11 février 2016

Et s’il se trouvait à la croisée de tous les concepts suivants ?

La logique floue (Fuzzy Logic) pour lequel un article devrait prochainement être publié dans la revue de l’ostéopathie et que j’avais rapidement abordé dans un précédent article de blog sur la boite noire (blog Ostéo Scientifique), est un concept qui est intéressant car il peut être implémenté à plusieurs étapes d’un traitement de données. C’était d’ailleurs le sujet du congrès sur Poitiers.

Il permet entre autre de prendre en compte la nuance dans un raisonnement en permettant les imprécisions. Par exemple, par rapport à la logique classique ou la réponse est binaire (oui/non, positif/négatif,…), la logique floue permet d’élaborer à partir de signes cliniques peu clairs un diagnostic tout à fait clair.

Ce mode de raisonnement permet de lier des résultats physiques avec des notions symboliques ou linguistiques bien plus difficiles à représenter d’une manière mathématique.

Utiliser la logique floue pour mieux comprendre notre manière de prendre une décision pourrait être un grand pas en avant. En effet, la plupart des techniques manuelles utilisées par l’ostéopathe sont déjà employées par un grand nombre d’autres thérapeutes aux appellations différentes. Mais alors qu’est ce qui fait l’essence de notre profession ? Pas la technique visiblement,… le raisonnement clinique alors,… probablement. Ce champ de recherche reste grand ouvert !

Le raisonnement par cas (Case based reasoning) est un concept qui est finalement très proche de notre façon de raisonner puisqu’il s’agit, à partir d’une base de données de cas précédents (mémoire), de tenter de résoudre un problème (motif de consultation) sous la forme d’un nouveau cas (nouvel consultation: anamnèse et examen clinique). Nous avons dans un premier temps une solution probable (traitement) qui, si elle résout le problème (résultats cliniques), devra être retenue et intégrer la base de données.

Cette approche n’est pas antinomique avec l’approche logique floue puisque celle-ci est implémentable dans un raisonnement par cas.

Celle-ci est parfois considérée comme un sous-champ de recherche de l’apprentissage automatique.

Cela voudrait dire qu’il est possible de mettre à profit par exemple les dossiers patients pour mieux comprendre nos manière de prendre en charge nos patients. Identifier nos schémas de penser pour éventuellement les changer pour assurer une meilleure sécurité du patient mais pas seulement. Existe-t-il des constantes? Des chaînes dysfonctionnelles fréquentes qui entraînent des prises en charge similaires ?

Dans cette similarité se cache peut-être le squelette de nos futures études cliniques: une démarche claire, un schéma diagnostique descriptif et exhaustif, des traitements individuels mais avec un nombre de techniques limité et étudié.

L’apprentissage automatique (Machine learning) est un champ de recherche dont l’exemple le plus célèbre est Google, le moteur de recherche.

Un algorithme qui s’améliore, qui se corrige au fur et à mesure qu’il est utilisé et qu’on le nourrit avec des données. C’est le champ qui regroupe les deux précédemment cités et les englobe. La combinaison des trois offres une aide au diagnostique, une possibilité de sélectionner les pistes de traitement les plus prometteuses.

Pour ceux qui veulent approfondir la compréhension du sujet, un cours gratuit en anglais existe sur coursera.org.

D’une manière générale, le big data constitue le carburant pour le développement d’intelligence artificielle. Notons l’une d’entre elles, Watson, développée par IBM, est très prometteuse (pour plus d’infomations sur son application en santé).

Il faut comprendre que cette problématique se combine avec les recherches en neurosciences comme le human brain project. La connaissance du câblage interne (les connectomes) avance. Combinée avec l’amélioration de la compréhension du cerveau sur un aspect fonctionnel et l’human brain project, la possibilité de modéliser le raisonnement au sein du cerveau n’est qu’une question de temps.

Pour mieux comprendre ces notions, vous pourrez trouver ci-dessus deux conférences intéressantes sur le connectome et le human brain project.

[su_youtube url= »https://www.youtube.com/watch?v=HA7GwKXfJB0″ width= »560″ height= »320″][su_dailymotion url= »https://www.dailymotion.com/video/x2vrxzp_ce-chiropracteur-reussit-a-guerir-un-jeune-d-une-cyphose-vertebrale-en-quelques-jours_webcam?start=7″ background= »#171D1B » quality= »480″][/su_youtube]

[su_youtube url= »https://www.youtube.com/watch?v=n4a-Om-1MrQ » width= »560″ height= »320″][su_dailymotion url= »https://www.dailymotion.com/video/x2vrxzp_ce-chiropracteur-reussit-a-guerir-un-jeune-d-une-cyphose-vertebrale-en-quelques-jours_webcam?start=7″ background= »#171D1B » quality= »480″][/su_youtube]

Garder l’initiative sur les données

giphy (1)

Actuellement, qui possède les données en ostéopathie ?

Sur un aspect purement pratique, elles sont éparpillées entre professionnels et centres de soins des écoles d’ostéopathie. Quand bien même il serait possible d’y avoir accès, quelle éthique est à respecter dans une telle recherche ?

Sur un aspect plus économique, les mutuelles et l’administration ont des données très précises de notre profession, sur la fréquentation de nos cabinets. Ne faut-il pas que nous nous y intéressions aussi afin de ne pas laisser d’autres acteurs utiliser ces moyens peut-être un jour à notre désavantage ? C’est pourquoi un organisme comme Oséo est primordial aujourd’hui pour nous.

Il nous faut aussi des instances pour incarner les limites et contrôler l’utilisation de ces algorithmes. Il est probablement temps de nous doter d’un vrai conseil éthique, scientifique et philosophique qui regroupe les acteurs de notre profession (praticien, chercheur, représentants des divers courants de pensées en ostéopathie).

Un très bon billet de blog résume les enjeux, les pièges et le questionnement autour du big data aujourd’hui. Il ne faut pas avoir peur des données et de leur traitement mais de qui le fait et comment.

De même, pour aller plus loin, il y aussi ce très bon article. Enfin, pour finir, je vous conseille cette conférence en Français, qui illustre cette inter-connection entre neuroscience, intelligence artificielle et choc technologique :

[su_youtube url= »https://youtu.be/tw1lEOUWmN8?list=PLa0bpHI38H-I_VYfqQLrMeYQduz_wHMrJ » width= »560″ height= »320″][su_dailymotion url= »https://www.dailymotion.com/video/x2vrxzp_ce-chiropracteur-reussit-a-guerir-un-jeune-d-une-cyphose-vertebrale-en-quelques-jours_webcam?start=7″ background= »#171D1B » quality= »480″][/su_youtube]

✎ Source: http://osteoscientifique.over-blog.com/

✎ BIBLIOGRAPHIE:

Collectif, LFA 2015, rencontres francophones sur la logique floue et ses applications, 1ère éditions, 2015, Cépadues éditions: Toulouse, 314p.

Dernoncourt F, Introduction à la logique floue, http://fr.openclassrooms.com/informatique/cours/introduction-a-la-logique-floue, dernière mise à jour le 13/04/2012, consulté le 28/10/2014.

Dernoncourt F, Fuzzy logic: between human reasoning and artificial intelligence. Technical Report, ENS Ulm: Paris , 2011.

Leake DB, Case-Based Reasoning, Expériences, Lessons, & Future Directions, 1ère édition, 1996, MIT Press: Cambridge, 420p.

Lenz et Coll., Cased Based Reasoning technology, from foundations to applications, 1ère édition, 1998, Springer: New-York, 405p.

Ralescu AL, Fuzzy Logic in Artificial Intelligence, 1ère édition, 1998, Springer: New-york, 245p.

Rossi et Coll., Psychologies du raisonnement, 1ère édition, 2007, De Boeck: Bruxelles, 328p.

Collectif, LFA 2015, rencontres francophones sur la logique floue et ses applications, 1ère éditions, 2015, Cépadues éditions: Toulouse, 314p.

Dernoncourt F, Introduction à la logique flouehttp://fr.openclassrooms.com/informatique/cours/introduction-a-la-logique-floue,  dernière mise à jour le 13/04/2012, consulté le 28/10/2014.

Dernoncourt F, Fuzzy logic: between human reasoning and artificial intelligence. Technical Report, ENS Ulm: Paris , 2011.

Leake DB, Case-Based Reasoning, Expériences, Lessons, & Future Directions, 1ère édition, 1996, MIT Press: Cambridge, 420p.

Lenz et Coll., Cased Based Reasoning technology, from foundations to applications, 1ère édition, 1998, Springer: New-York, 405p.

Ralescu AL, Fuzzy Logic in Artificial Intelligence, 1ère édition, 1998, Springer: New-york, 245p.

Rossi et Coll., Psychologies du raisonnement, 1ère édition, 2007, De Boeck: Bruxelles, 328p.

Partager cet article

Ecrire un commentaire

Nous utilisons les cookies afin de fournir les services et fonctionnalités proposés sur notre site et afin d’améliorer l’expérience de nos utilisateurs.
Les cookies sont des données qui sont téléchargés ou stockés sur votre ordinateur ou sur tout autre appareil.
En cliquant sur ”J’accepte”, vous acceptez l’utilisation des cookies.