Rectifier les biais de genre dans les études cliniques

Le développement de médicaments nécessite la mise en œuvre d’un processus rigoureux depuis la recherche fondamentale, aux expériences en laboratoire, essais précliniques et, enfin, essais cliniques. Ces derniers sont essentiels pour déterminer l’efficacité et l’innocuité d’un traitement chez l’Homme.

En février 2022, des chercheurs du Technion ont publié un article dans le Journal of the American Medical Informatics Association (JAMIA) mettant en évidence un biais spécifique affectant les résultats de ces études : la sous-représentation des femmes dans de nombreux essais cliniques. Aussi, les réponses aux traitements différant entre groupes de population, la sous-représentation des femmes dans les essais cliniques est susceptible d’affecter considérablement la qualité de leur prise en charge.

Les préjugés sexistes sont anciens dans ce domaine, notamment avec l’affaire Thalidomide dans les années 60, médicament ayant causé de nombreuses malformations congénitales suite à sa prescription à des femmes enceintes pour atténuer leurs nausées matinales. A noter que d’autres groupes de populations souffrent également de sous-représentation, à l’image de certains groupes d’âges ou ethniques. Ainsi, les hommes peuvent également se retrouver sous-représentés dans certaines maladies spécifiques.

Aussi, de nombreux modèles d’apprentissage automatique actuellement utilisés en médecine afin d’améliorer le diagnostic médical, le traitement et la prévention, sont encore basés sur des essais biaisés. Dans le cadre de cette étude, les scientifiques ont ainsi cherché à pallier cette problématique à l’aide d’outils d’apprentissage automatique. Ils ont utilisé ces méthodes sur plus de 15000 articles issus de PubMed et ont attribué à chacun un « poids » basé sur le pourcentage de femmes dans les essais cliniques décrits dans chaque article. Ils ont ainsi pu développer un algorithme qui corrige le biais, conduisant ainsi à une meilleure prise en charge des patientes. Cet outil algorithmique a ainsi réussi à améliorer significativement les prédictions pour diverses situations rencontrées par les femmes, telles que la durée de l’hospitalisation ou la corrélation entre diverses maladies. Les chercheurs espèrent à présent que leurs travaux sensibiliseront aux problématiques des biais dans la recherche en général, tout en proposant de nouvelles solutions pour améliorer la qualité de la médecine personnalisée.

Auteure : Auriane Djian, chargée de mission scientifique au sein du Service de coopération scientifique et universitaire de l’Institut français d’Israël.

Source : https://www.technion.ac.il/en/2022/02/ai-machine-learning-antibiotics-resistance-kishony-maccabi/

En savoir plus : https://www.science.org/doi/10.1126/science.abg9868