L'automatique au service de la santé: de la modélisation aux thérapies en boucle fermée

En 10 ans, la communauté automaticienne s'est très largement mobilisée et emparée de problèmes liés au domaine de la santé, avec des résultats qui ont parfois déjà franchi la barre de la "translatabilité" clinique. Plus précisément:

• des techniques d'identification ont été utilisées pour obtenir des modèles dynamiques à partir de jeux de données enregistrés lors d'essais cliniques (Magdelaine et al. 2015). En dépit de fortes incertitudes et variabilités, des modèles sont capables de reproduire le comportement physiologique de patients diabétiques, au point d'avoir vu un simulateur numérique approuvé par l'organisme américain FDA (Food and Drug Administration) pour tester et évaluer les stratégies de contrôle/commande, en remplacement d'essais précliniques sur les animaux (Franco et al., 2021, Magdelaine et al., 2020, MohammadRidha et al., 2017, Ben Abbes et al. 2013, Cormerais & Richard, 2012).
• un problème classique de l'automatique - l'estimation des systèmes dynamiques - a été utilisé pour la détection des crises d'épilepsie en couplant des enregistrements EEG, avec un modèle mathématique décrivant les régions corticales mises en jeu (Freestone et al. 2013).
• la délivrance optimale des médicaments dans le traitement du cancer a bien été reformulée en un problème de contrôle avec les objectifs contradictoires d'inhibition efficace de la croissance tumorale et d’une toxicité acceptable des médicaments administrés (Özbay et al. 2012)
• des stratégies de stimulation cérébrale en boucle fermée ont été mises au point sur des modèles populations neuronales impliquées dans la maladie de Parkinson (Detorakis et al. 2017, Orlowski et al. 2022). Leur performance a été validée sur un modèle numérique détaillé à l'échelle du neurone (Fleming et al. 2020). Ces approches, basées notamment sur la commande adaptative, permettent non seulement une atténuation efficace des oscillations cérébrales pathologiques mais aussi des gains importants en termes d'intensité de la stimulation, tout en tolérant de fortes incertitudes de modélisation.
• un modèle spatio-temporel du cortex visuel primaire permet une analyse fiable des processus impliqués dans l'apparition d'oscillations visuelles (Bertalmio et al. 2021 & 2021).
• des techniques d'observation ont été développées avec succès pour estimer la pression pulmonaire de patients sous respirateur artificiel. Ces avancées ouvrent la voie à de nouvelles stratégies de commande pour les respirateurs, visant à plus de confort et d'efficacité pour le patient.
• des lois de commande avancées ont été développées pour contrôler l'injection de propofol pendant l'anesthésie de patients qui subissent une intervention chirurgicale (Alamir et al., 2018).
• la méthode d'identification de système par bruit blanc a été utilisée pour caractériser les systèmes perceptifs visuels et auditifs, par exemple (Brimijoin et al. 2016).

Pour répondre à l'émergence des nouvelles technologies dans le secteur de la santé et favoriser la créativité de la communauté automaticienne, il est important de faire un état des lieux des actions qui ont pu être (ou sont) menées. Les temps de rencontres pourront également permettre d'accroître la cohésion entre les différents acteurs (industriels, académiques, praticiens, ...) pour favoriser le dépôts de projets ou la création de collaborations.