La plateforme MEDomics a le potentiel de devenir un outil puissant qui renforce la collaboration entre les équipes de recherche en IA médicale. Cette plateforme collaborative pour la modélisation des données médicales a pour but de développer des modèles prédictifs pour des traitements personnalisés. MEDomics a des capacités d’analyse et d’apprentissage automatique et permet, ultimement, d’améliorer la qualité des soins prodigués aux patientes et les patients.
En effet, MEDomics permet aux chercheuses et chercheurs, qu’ils ou elles soient cliniciennes, cliniciens, informaticiennes ou informaticiens, de gérer l’ensemble du cycle de vie d’un projet de santé (données, entraînement et évaluation) au sein d’une interface unique. En combinant une approche sans code et une approche avec code, l’outil vise à transformer rapidement des données cliniques complexes en solutions prédictives concrètes pour améliorer le soin de la patientèle. Ces personnes collaborent à la définition du problème clinique, à la collecte des données, à la gestion des données, à la génération d’hypothèses d’IA, à l’affinement des hypothèses et à la visualisation des résultats.
MEDomics répond à des besoins réels:
- Fragmentation des outils : La plateforme centralise la gestion des données, l’entraînement et l’évaluation dans un seul environnement de travail pour éviter de multiplier les logiciels.
- Barrière technique : Elle permet aux chercheuses et chercheurs non-programmeurs d’effectuer de la modélisation prédictive en médecine grâce à une interface graphique sans code.
- Synergie de collaboration : Elle facilite la synergie entre le personnel clinicien et informaticien en convertissant les flux visuels en code Python éditable.
MEDomics utilisée en enseignement à l’Université McGill
Voici quelques jalons importants dans l’évolution du développement de MEDomics. Depuis 2026, la plateforme est utilisée dans l’enseignement de la physique médicale à l’Université McGill à Montréal.
- Première phase de test au début 2024: https://medomicslab.gitbook.io/medomics-docs/medomicslab-docs-v0/test-with-mimic
- Preuve de concept PREMs/PROMS en 2026: https://medomicslab.gitbook.io/medomics-docs/proofs-of-concept/the-paris-demo
- Utilisation de MEDomics pour l’enseignement, hiver 2026, cours MDPH610 à McGill: mdph610_Syllabus_W2026.pdf
Définitions clés
L’appellation
- MED = Données médicales hétérogènes
- Omics = Caractérisation des processus biologiques
- Lab = Plateforme de travail
- Intégration de données
- Prétraitement des données
- Analyse des données
- Visualisation des données
Pipeline Graphique (ou Workflow)
Un pipeline graphique est une représentation visuelle d’une suite d’opérations techniques. Au lieu d’écrire des lignes de code pour charger une image, la filtrer, puis l’analyser, l’utilisateur ou l’utilisatrice connecte des « nœuds » fonctionnels entre eux sur un canevas.
Modèle de prédiction (IA médicale)
Ce modèle est un algorithme entraîné sur des données médicales (textes, images ou autres) pour identifier des motifs complexes. Une fois validé, il peut aider à diagnostiquer une maladie ou à estimer le pronostic d’un patient ou d’une patiente.
Génération de code
La génération de code est un processus automatique par lequel la plateforme traduit un schéma visuel (le pipeline graphique) en un langage de programmation structuré (Python).
- Chercheur(-euse)s
- Professionnel(le)s de recherche
- Professionnel(le)s de la santé
- Synergie interdisciplinaire : permet au personnel clinicien et aux spécialistes de l’informatique de collaborer plus facilement.
- Démocratisation de l’IA médicale : offre aux professionnelles et professionnels de la santé la possibilité de piloter des projets de recherche complexes de manière autonome grâce à l’interface sans code.
- Personnalisation et reproductibilité : garantit la qualité et la scientificité des résultats grâce à une bibliothèque Python modulaire en libre accès, adaptable aux spécificités de chaque projet.
- Performance des modèles : facilite l’optimisation des algorithmes prédictifs en permettant une transition rapide entre les configurations visuelles et le code source.
Voici que ce la plateforme MEDomics offre comme fonctionnalités:
- Pipelines graphiques pour créer des expérimentations d’apprentissage automatique.
- Tableau de bord unifié : une interface unique pour importer des jeux de données, surveiller l’entraînement des modèles et visualiser les métriques de performance en temps réel.
- Génération de code source : exportation du pipeline graphique vers des scripts Python (.ipynb).
- Évaluation et interprétation des modèles d’IA.
- Déploiement des modèles d’IA pour une application sur de nouvelles données.
Mise en situation: prédiction et prise en charge de la détresse émotionnelle
Une équipe de soins primaires souhaite identifier les patientes et patients souffrant de détresse émotionnelle (anxiété, dépression, irritabilité) à partir de questionnaires de santé (PROM/ PREM), afin d’offrir un soutien psychologique avant que leur état ne se détériore.
Utilisation de MEDomics :
- Analyse des déterminants
- Le personnel utilise les outils exploratoires pour corréler la détresse émotionnelle à d’autres facteurs de vie du patient ou de la patiente comme la fatigue, la douleur chronique ou l’insécurité financière (difficulté à payer les repas ou le loyer).
- Identification automatique
- Grâce au Module d’Apprentissage, la plateforme entraîne un modèle qui apprend à repérer les profils de patientes et patients à risque en combinant leurs réponses sur leur vitalité, leur sommeil et leur sentiment d’implication dans leurs soins.
- Validation clinique
- Via le Module d’Évaluation, les cliniciennes et cliniciens vérifient la fiabilité des prédictions et comprennent quels facteurs précis (ex. : un faible sentiment d’être traité comme « une personne dans sa globalité ») pèsent le plus sur la détresse mentale.
- Intervention ciblée
- Le Module d’Application permet de générer une prédiction pour chaque nouveau questionnaire rempli, alertant l’équipe si un patient ou une patiente bascule dans la catégorie « détresse émotionnelle ».
Impact
Les patientes et patients bénéficient d’une approche globale et humaine de leur santé. La détection précoce de la détresse permet de personnaliser les soins, d’ouvrir le dialogue sur le bien-être émotionnel lors des rendez-vous et d’orienter rapidement la patientèle vers les ressources sociales ou psychologiques adéquates, améliorant ainsi sa qualité de vie globale.
La plateforme MEDomics est développé par le laboratoire de recherche MEDomicsLab (medomicslab.com)
MEDomicsLab. (s. d.). MEDomics.
https://medomics.app/fr/