La médecine prédictive, préventive, personnalisée et participative, dite P4, est la santé de demain. Pour à la fois accélérer son adoption et maximiser son potentiel, les données cliniques sur un grand nombre d’individus doivent être efficacement partagées entre toutes les parties prenantes. Cependant, les données sont difficiles à recueillir. Il est cloisonné dans des hôpitaux, des cabinets médicaux et des cliniques individuels du monde entier. Les risques de confidentialité découlant de la divulgation de données médicales sont également une préoccupation sérieuse et, sans technologies efficaces de préservation de la confidentialité, sont devenus un obstacle à l’avancement de la médecine P4.
Les approches existantes soit n’offrent qu’une protection limitée de la vie privée des patients en exigeant des institutions qu’elles partagent des résultats intermédiaires, qui peuvent à leur tour divulguer des informations sensibles au niveau des patients, soit elles sacrifient la précision des résultats en ajoutant du bruit aux données pour atténuer les fuites potentielles.
Désormais, les chercheurs de l’EPFL Laboratoire pour la sécurité des données, en collaboration avec des collègues de CHU de Lausanne (CHUV), AVEC CSAIL, et le Institut Large du MIT et de Harvard, ont développé « FAMHE ». Ce système d’analyse fédéré permet à différents prestataires de soins de santé d’effectuer en collaboration des analyses statistiques et de développer des modèles d’apprentissage automatique, le tout sans échanger les ensembles de données sous-jacents. FAHME atteint le juste milieu entre la protection des données, l’exactitude des résultats de la recherche et le temps de calcul pratique – trois dimensions critiques dans le domaine de la recherche biomédicale.
Dans un papier Publié dans Communication Nature aujourd’hui (11 octobre 2021), l’équipe de recherche affirme que la différence cruciale entre FAMHE et d’autres approches essayant de surmonter les défis de confidentialité et de précision est que FAMHE fonctionne à grande échelle et qu’il a été mathématiquement prouvé qu’il est sécurisé, ce qui est un must en raison de la sensibilité des données.
Dans deux déploiements prototypes, FAMHE a reproduit avec précision et efficacité deux études multicentriques publiées qui reposaient sur la centralisation des données et des contrats juridiques sur mesure pour les études centralisées de transfert de données, y compris l’analyse de survie Kaplan-Meier en oncologie et les études d’association pangénomique en génétique médicale. En d’autres termes, ils ont montré que les mêmes résultats scientifiques auraient pu être obtenus même si les jeux de données n’avaient pas été transférés et centralisés.
« Jusqu’à présent, personne n’a été en mesure de reproduire des études montrant que l’analyse fédérée fonctionne à grande échelle. Nos résultats sont précis et obtenus avec un temps de calcul raisonnable. FAMHE utilise le cryptage homomorphe multipartite, qui est la possibilité d’effectuer des calculs sur les données sous leur forme cryptée à travers différentes sources sans centraliser les données et sans qu’aucune partie ne voie les données des autres parties », explique le professeur de l’EPFL Jean-Pierre Hubaux, responsable principal de l’étude. auteur.
« Cette technologie va non seulement révolutionner les études de recherche clinique multi-sites, mais aussi permettre et renforcer les collaborations autour de données sensibles dans de nombreux domaines différents tels que l’assurance, les services financiers et la cyberdéfense, entre autres », ajoute le chercheur senior de l’EPFL, le Dr Juan Troncoso. Pastoriza.
La confidentialité des données des patients est une préoccupation majeure du CHU de Lausanne. « La plupart des patients souhaitent partager leurs données de santé pour l’avancement de la science et de la médecine, mais il est essentiel de garantir la confidentialité de ces informations sensibles. FAMHE permet d’effectuer des recherches collaboratives sécurisées sur les données des patients à une échelle sans précédent », explique le professeur Jacques Fellay de l’unité de médecine de précision du CHUV.
« Cela change la donne vers la médecine personnalisée, car tant que ce genre de solution n’existe pas, l’alternative est de mettre en place des accords bilatéraux de transfert et d’utilisation des données, mais ceux-ci sont ad hoc et il faut des mois de discussion pour faire assurez-vous que les données seront correctement protégées lorsque cela se produira. FAHME fournit une solution qui permet une fois pour toutes de se mettre d’accord sur la boîte à outils à utiliser, puis de la déployer », explique le professeur Bonnie Berger du MIT, CSAIL et Broad.
«Ce travail établit une base clé sur laquelle des algorithmes d’apprentissage fédéré pour une gamme d’études biomédicales pourraient être construits de manière évolutive. Il est passionnant de penser aux développements futurs possibles d’outils et de flux de travail rendus possibles par ce système pour répondre à divers besoins analytiques en biomédecine », déclare le Dr Hyunghoon Cho du Broad Institute.
Alors, à quelle vitesse et jusqu’où les chercheurs s’attendent-ils à ce que cette nouvelle solution se propage ? « Nous sommes en discussions avancées avec des partenaires au Texas, aux Pays-Bas et en Italie pour déployer FAMHE à grande échelle. Nous voulons que cela soit intégré aux opérations de routine pour la recherche médicale », déclare le Dr Jean Louis Raisaro du CHUV, l’un des chercheurs principaux de l’étude.
Référence : « Analyse fédérée véritablement respectueuse de la confidentialité pour la médecine de précision avec cryptage homomorphe multipartite » par David Froelicher, Juan R. Troncoso-Pastoriza, Jean Louis Raisaro, Michel A. Cuendet, Joao Sa Sousa, Hyunghoon Cho, Bonnie Berger, Jacques Fellay et Jean-Pierre Hubaux, le 11 octobre 2021, Communication Nature.
DOI : 10.1038 / s41467-021-25972-y