Gabra Nohmie et les professeures Anick Bérard et Cristina Longo.

L’étudiant Gabra Nohmie et les professeures Anick Bérard et Cristina Longo, de la Faculté de pharmacie, se sont intéressés au potentiel de l’apprentissage automatique pour prédire les malformations congénitales majeures. Leurs travaux ont été publié dans la revue Birth Defects Research.

À partir des données de 213 744 grossesses de la Cohorte des grossesses du Québec, l’équipe a comparé plusieurs modèles d’apprentissage automatique supervisé à une méthode statistique plus classique, la régression logistique.

Les chercheurs ont intégré différentes combinaisons de facteurs de risque connus ou soupçonnés, mesurés avant la grossesse et pendant le premier trimestre : caractéristiques maternelles, recours aux services de santé, habitudes de vie, maladies diagnostiquées et médicaments prescrits.

Le constat est clair : aucun des modèles n’a permis de distinguer avec suffisamment de précision les grossesses touchées par une malformation congénitale majeure de celles qui ne l’étaient pas. Plus surprenant encore, augmenter la complexité des algorithmes n’a pas amélioré leur performance. C’est la méthode statistique classique, la régression logistique, qui a obtenu les meilleurs résultats, avec une capacité prédictive demeurant toutefois à peine supérieure au hasard.

Ces résultats ne signifient pas que l’intelligence artificielle ne pourra jamais contribuer à mieux prédire ces anomalies. Ils montrent plutôt que les facteurs de risque actuellement disponibles dans les données médico-administratives ne sont pas suffisamment informatifs pour y parvenir avec précision.

L’étude rappelle ainsi qu’en santé, des algorithmes toujours plus puissants ne peuvent remplacer les connaissances qui nous manquent. Pour améliorer la prédiction des malformations congénitales, il faudra notamment identifier de nouveaux facteurs de risque plus informatifs.

Ces travaux auxquels contribue la Faculté de pharmacie permettent ainsi de mieux définir le potentiel, mais aussi les limites, de l’intelligence artificielle et des données de santé en matière de prédiction.

Article complet.