« Quand Shivani approchait de ses 30 ans, elle a réalisé qu’elle voulait être mère. Elle ne savait pas quand. Elle n’avait pas encore de partenaire à long terme et s’inquiétait de son horloge biologique. Elle a donc cherché à congeler ses ovules pour augmenter ses chances d’avoir des enfants plus tard dans la vie. »
Avant de commencer le processus d’extraction des ovules, une femme doit d’abord subir une évaluation pour déterminer si elle est apte à la fécondation in vitro (FIV). Les cliniques le font souvent à l’aide d’un registre national des résultats de la FIV pour vérifier combien de femmes dans la tranche d’âge d’une patiente se sont terminées avec succès par une naissance. Un spécialiste en fertilité ajuste ensuite ce pourcentage en tenant compte de la taille et du poids du patient, ainsi que de tests comme les ultrasons et les analyses sanguines.
La FIV peut être un processus physiquement, émotionnellement et financièrement éprouvant qui nécessite souvent plusieurs cycles d’extraction. Plus de 50 % de celles qui commencent la FIV abandonnent après le premier cycle raté en raison des coûts et de l’incertitude. Univfy, l’entreprise à l’origine du logiciel qui a produit le rapport Shivani, croit que l’apprentissage machine peut faciliter le démarrage et la continuité du processus : en leur donnant des prédictions plus précises et personnalisées de leurs résultats possibles. Mais ce n’est qu’une partie de la solution. L’autre partie, tout aussi importante consiste à communiquer avec empathie.
Cofondée par deux professeurs de Stanford en 2009, Univfy est née d’un projet de recherche visant à utiliser l’apprentissage machine pour produire des prévisions de résultats de FIV plus précises. Par le biais de plusieurs études évaluées par des pairs, les chercheurs ont démontré que même un modèle d’apprentissage machine de base pouvait produire des prédictions de FIV beaucoup plus précises que celles faites par les cliniques. En effet, bien que les cliniques se fondent principalement sur des statistiques globales fondées sur l’âge et l’intuition du médecin, le modèle d’IA pourrait systématiquement tenir compte des données pertinentes sur la santé d’un patient. Le processus a été plus rigoureux et plus personnalisé, et a produit des prévisions plus précises. De plus, les estimations fondées sur l’âge sous-estimaient souvent les chances d’une patiente donnée, ce qui lui donnait moins confiance dans sa capacité.
Univfy travaille individuellement avec chaque clinique qui achète son service, en entraînant un modèle d’apprentissage sur mesure relativement simple, utilisant uniquement les données locales du patient de la clinique. Il permet à l’entreprise d’alimenter l’algorithme quelles que soient les données dont dispose la clinique, qu’il s’agisse de simples profils de patients avec seulement leur âge, leur IMC et leurs indicateurs de santé ou de profils plus complexes avec leurs diagnostics cliniques, leurs procédures thérapeutiques et leurs antécédents médicaux. Une fois qu’un modèle est formé, un médecin peut simplement entrer les résultats des tests et les indicateurs de santé d’un nouveau patient dans le logiciel Univfy pour produire un rapport facile à lire.
