Les trackers de santé portables sont devenus omniprésents sur les poignets et les guides cadeaux. Mais comment les professionnels de la santé peuvent-ils transformer le tuyau d'incendie des données produites par les capteurs mobiles intégrés dans les appareils des patients en informations exploitables qui éclairent les plans de traitement ? Mason Ferlic, étudiant au doctorat en statistiques de l'Université du Michigan et coureur olympique, développe de nouvelles méthodes d'intervention adaptatives et des conceptions expérimentales qui permettront un jour aux cliniciens d'attribuer un sens aux mesures lorsqu'ils personnalisent les traitements dispensés en clinique. Il envisage une nouvelle génération d'interventions de santé assistées par la technologie capables d'interpréter les données des patients pour recommander des décisions de traitement opportunes et fondées sur des données probantes qui entraînent de meilleurs résultats pour la santé de tous.

Dessiner des parallèles

Ferlic a obtenu sa maîtrise en génie aérospatial de l'Université du Michigan en 2016 avant de revenir en 2020, cette fois au Département de statistique, pour commencer son doctorat. Il a été attiré par les statistiques par la recherche dans le domaine de l'optimisation des interventions, où les chercheurs appliquaient des principes d'ingénierie pour améliorer systématiquement la qualité et l'efficacité des traitements disponibles pour une grande variété de troubles. "J'ai vu cet énorme lien entre le monde de l'ingénierie et la décomposition des sous-systèmes et des composants d'une intervention pour optimiser un résultat de santé particulier", a-t-il déclaré. "J'étais vraiment concentré sur l'apprentissage de la manière d'exploiter les données pour fournir non seulement des associations et des corrélations, mais aussi des recommandations réelles."

L'intérêt de Ferlic pour la science des interventions adaptatives a été approfondi par ses efforts sportifs, où il a appris à écouter les signaux dans son propre corps et à y répondre avec de petits changements dans son alimentation et son entraînement qui ont eu un impact important sur les performances le jour de la course. Lorsque l'intuition ne suffisait pas, il disposait d'un coach expert, capable de traduire ces signaux en recommandations. Il s'est demandé si la technologie de la santé mobile pourrait un jour permettre à d'autres, et pas seulement aux athlètes d'élite, d'accéder à cette expérience.

À cette époque, il a vu un certain nombre d'appareils portables entrer sur le marché, chacun capable de mesurer et de rapporter une combinaison de mesures telles que la fréquence cardiaque, la variabilité de la fréquence cardiaque, l'activité physique et la qualité du sommeil. Lorsqu'on lui a offert l'opportunité de tester un appareil porté au poignet pour les athlètes, il était excité, mais s'est vite rendu compte de ses limites. "Cela vous indiquait principalement des chiffres, et ces chiffres n'étaient pas dans le contexte de ce que vous faisiez ou de ce que vous devriez faire en réponse", a déclaré Ferlic. Bien que son entraîneur ait pu interpréter ces chiffres et modifier son programme d'entraînement en conséquence, il savait que l'appareil ne fournissait pas le type d'informations qui seraient utiles à la personne moyenne. Au fil des ans, il a essayé d'autres appareils, mais ils avaient tous des défauts similaires. "Je suis devenu pessimiste à propos de tout cet aspect de la technologie", a-t-il déclaré.

Lorsque Ferlic s'est mis en contact avec le codirecteur du d3c, Danny Almirall, au cours de la première année de son doctorat, l'affinité entre ses intérêts et le travail du d3center est devenue évidente. "J'étais comme, c'est ça. […] À l'époque, je n'avais pas le langage pour formuler le problème, mais une fois que j'ai appris ce que faisait d3c, j'ai su que c'était exactement ce que j'espérais faire », a-t-il déclaré. Le problème était que les algorithmes exécutant les appareils de santé mobiles et leurs applications étaient trop simples pour rendre les données qu'ils collectaient utiles aux individus. Mais il y avait une opportunité majeure d'accroître l'utilité de ces données en les intégrant aux soins de santé que les personnes reçoivent déjà. Et si les appareils portables et autres appareils mobiles pouvaient donner aux cliniciens un accès à des informations exploitables sur la santé quotidienne de leurs patients, leur permettant d'apporter des ajustements ciblés au traitement dans le rôle du coach expert ? Malheureusement, les scientifiques derrière ces algorithmes n'étaient pas encore en mesure de répondre aux questions clés sur la façon de rendre les données utiles dans les milieux de pratique. Les méthodes dont ils auraient besoin pour enquêter sur ces questions n'existaient tout simplement pas.

Jeter une nouvelle fondation

Aujourd'hui, Ferlic s'emploie à développer les méthodes dont les chercheurs ont besoin pour créer des interventions cliniques intelligentes assistées par la technologie, d'une sophistication égale aux plateformes sur lesquelles elles s'exécutent. Dans le cadre clinique traditionnel, explique Ferlic, le processus d'adaptation dans une IA se produit relativement lentement : « Dans les interventions adaptatives où vous n'interagissez avec un patient que par le biais de visites cliniques, vous n'êtes pas vraiment capable de vous adapter le plus tôt possible. Il y a un décalage entre le moment où vous pouvez évaluer la réponse et le moment où vous pouvez mettre à jour le traitement. En effet, le clinicien n'a accès aux données que lors de visites cliniques distinctes, qui sont généralement espacées de deux à huit semaines. Mais avec l'ajout d'un outil de santé numérique, nous pouvons augmenter la surveillance en personne lors des visites à la clinique en fonction de contrôles plus continus. Cela signifie que nous pouvons surveiller et détecter quand un événement particulier se produit dans la vie du patient, ce qui indique au clinicien s'il doit intensifier, augmenter ou passer à un traitement alternatif. Afin de savoir quelles mesures en temps réel indiquent un besoin d'adaptation du traitement et d'apprendre comment réagir au mieux en fonction de ces mesures, les chercheurs ont besoin d'une nouvelle classe de conceptions d'essais randomisés et de méthodes d'analyse de données associées.

Prenons l'exemple d'une intervention de perte de poids pour le traitement de l'obésité. Une intervention adaptative typique pour la perte de poids dispensée en clinique peut vérifier les progrès du patient uniquement lors des visites à la clinique marquant la fin des semaines deux, quatre et huit du traitement. Si à l'un de ces points le taux de perte de poids du patient se situe en dessous d'un certain seuil, le patient se verra proposer une nouvelle intervention. Ce qu'une telle intervention adaptative manque, ce sont des informations sur le temps entre les visites à la clinique - la variabilité du poids entre les visites à la clinique, ou la rapidité avec laquelle une personne a répondu aux critères de non-réponse à l'intervention, par exemple - qui pourraient aider un clinicien à déterminer la meilleure façon de modifier le traitement aux points de temps de deux, quatre et huit semaines.

"En incorporant une variable comme le temps de non-réponse dans la règle de décision, nous pouvons personnaliser plus profondément l'intervention adaptative", explique Ferlic. Dans une intervention de perte de poids renforcée par une adaptation déclenchée par un événement, une personne qui répond aux critères de non-réponse au cours de la deuxième semaine peut avoir besoin d'une augmentation vigoureuse du traitement afin d'atteindre son objectif de perte de poids, tandis qu'une personne qui répond aux critères de réponse jusqu'au milieu de la semaine sept peuvent n'avoir besoin que d'une augmentation mineure pour atteindre leur objectif de perte de poids.

Des essais séquentiels randomisés à affectations multiples (SMART) peuvent être conçus pour développer des interventions adaptatives optimisées déclenchées par des événements. De concert avec de nouvelles méthodes, ces essais permettront aux chercheurs de développer des interventions adaptatives capables d'offrir des recommandations opportunes qui tiennent compte du contexte de chaque patient, en particulier de sa trajectoire de réponse. Une fois que Ferlic a conceptualisé les principes de conception et les méthodes analytiques nécessaires pour traiter les données de cette variété de SMART, il vise à renforcer les capacités pour des applications plus complexes du concept de personnalisation déclenchée par des événements. Il envisage un avenir où les chercheurs peuvent apprendre à s'adapter à de multiples variables d'adaptation, collectées en temps réel,

Partout où la science l'emmène, Ferlic est certain qu'une combinaison de technologies portables à faible coût et de conception d'interventions fondées sur des preuves permettra un jour à chacun d'atteindre plus facilement ses objectifs de santé et de forme physique : "Je suis vraiment ravi de voir le monde réel l'impact des nouvelles méthodes que nous développons chez d3c. À long terme, j'espère que l'expertise inestimable en matière de prise de décision pourra être intégrée, au moins partiellement, dans des algorithmes adaptatifs pour les appareils numériques, réduisant ainsi l'obstacle à un coaching de santé de qualité pour ceux qui en ont le plus besoin.

Visitez le site Web d3center pour en savoir plus sur notre travail.

Parcourez les FAQ sur les interventions adaptatives et les SMART .

Découvrez nos outils logiciels open source .

Suivez des cours en ligne sur les interventions adaptatives, les SMART et l'optimisation des interventions .