Vers un monde équitable et durable

Le développement de médicaments et d'autres traitements médicaux commence généralement par la recherche fondamentale, suivie d'expériences en laboratoire, d'essais précliniques et, enfin, d'essais cliniques qui confirment à la fois l'efficacité du traitement chez l'homme et sa sécurité. Les essais cliniques sont des processus longs et coûteux qui déterminent le devenir du traitement proposé - qu'il soit approuvé ou rejeté par la FDA ou d'autres autorités. Par conséquent, ils jouent un rôle central et critique dans le développement des traitements médicaux.

Un nouvel article rédigé par des chercheurs de la faculté d'informatique Henry et Marilyn Taub du Technion - Institut israélien de technologie, en collaboration avec le Dr Eric Horvitz de Microsoft Research, décrit un déséquilibre qui affecte la mise en application de ces essais : la sous-représentation des femmes dans de nombreux essais cliniques. L'article, qui a été publié dans le Journal of the American Medical Informatics Association (JAMIA), décrit ce biais et présente un outil spécial qui peut aider à compenser cet écart entre les sexes, améliorant ainsi les traitements médicaux pour les femmes.

Selon Shunit Agmon, candidate au doctorat au Technion, qui a mené les recherches avec le Dr Kira Radinsky, ancienne élève du Technion et professeur invité, "nous savons aujourd'hui que différents groupes de population réagissent différemment à un traitement donné - en particulier, les femmes peuvent avoir une réaction différente à ce traitement par rapport aux hommes. Par exemple, le Zolpidem, un médicament utilisé pour traiter les troubles du sommeil, se dissipe plus lentement chez les femmes et il est donc important de prescrire une dose plus faible pour les femmes comparée à celle des hommes - ce qui n'a été découvert qu'après la mise sur le marché du médicament. La sous-représentation des femmes dans les essais cliniques crée une problématique qui nuit à la qualité des soins de santé des femmes, notamment aux maladies mal diagnostiquées et aux effets indésirables des médicaments."

En 1993, des lois ont été adoptées aux États-Unis pour rendre obligatoire l'inclusion des femmes dans ces essais et l'analyse des résultats en fonction du sexe. Pourtant, la sous-représentation des femmes est restée un phénomène récurrent, en particulier pour les essais qui ont eu lieu avant 1993. Agmon souligne que d'autres catégories de population sont également sous-représentées, notamment certains groupes d'âge, groupes ethniques et autres facteurs démographiques. Dans certains cas, il y a également une sous-représentation des hommes, notamment pour les maladies considérées comme plus "féminines", comme la fibromyalgie.

Ces dernières années, des modèles d'apprentissage automatique ont été introduits dans le monde de la médecine, afin d'améliorer le diagnostic médical, le traitement et la prévention. Cependant, Agmon affirme que "beaucoup de ces modèles sont basés sur des essais biaisés et qu'ils "héritent" donc de leurs biais, et dans certains cas, les amplifient même."

Les chercheurs ont exploré cette question en utilisant des outils d'apprentissage automatique, notamment la programmation en langage naturel (NLP), et la représentation vectorielle des mots (emboîtement des mots) - des approches qui permettent aux ordinateurs de "comprendre" les textes. Ils ont utilisé ces méthodes sur 16 772 articles de la base de données PubMed et ont attribué à chacun un "poids" basé sur le pourcentage de femmes dans les essais cliniques présentés dans chaque article. De cette manière, ils ont mis au point un outil algorithmique qui permet d'utiliser la littérature clinique en tenant compte du genre. Cet algorithme corrige le biais lié au sexe et améliore la pertinence des traitements aux patientes.

L'algorithme a réussi à améliorer considérablement les prédictions pour les femmes dans diverses situations, notamment la durée de l'hospitalisation, la ré-hospitalisation dans le mois qui suit et la corrélation entre diverses maladies. Bien que le modèle se soit focalisé sur l'amélioration des prédictions pour les femmes, il a également amélioré de manière significative les pronostics cliniques globaux (pour les hommes également).

Les chercheurs s'attendent à ce que l'article du JAMIA sensibilise davantage le public aux problèmes de sous-représentation dans la recherche en général et plus particulièrement dans les essais cliniques et qu'il débouche sur des solutions complémentaires pour améliorer la qualité de la médecine personnalisée.

Shunit Agmon a grandi dans la région de Haïfa et toutes ses études universitaires ont eu lieu à la faculté d'informatique Henry et Marilyn Taub du Technion. Après avoir obtenu son B.Sc. summa cum laude, elle a travaillé pour Google pendant deux ans, puis est retournée à la faculté pour poursuivre un master sous la supervision du professeur Assaf Schuster. Après avoir obtenu son M.Sc., elle a commencé ses études doctorales sous la supervision du Dr Kira Radinsky et du professeur Benny Kimelfeld.