Pour établir un diagnostic, un médecin part généralement des symptômes du patient et remonte jusqu’à une cause probable, en se fiant à ses connaissances médicales et à sa compréhension des relations de cause à effet.

Malgré les progrès importants de la médecine moderne, le processus de diagnostic demeure imparfait et potentiellement dangereux. L'Organisation mondiale de la santé estime que chaque année, des centaines de millions de personnes subissent une erreur de diagnostic dans leurs soins primaires. L’organisme note que la plupart des gens recevront un diagnostic erroné à un moment ou à un autre au cours de leur vie.

Au mieux, un diagnostic erroné peut retarder le traitement approprié. Au pire, il peut avoir un résultat catastrophique. Un outil issu de la mécanique quantique, appelé inférence causale ou inférence de causalité, pourrait permettre de limiter les dommages dus aux erreurs de diagnostic.

Ce potentiel suscitait déjà de l’intérêt avant que la pandémie de COVID-19 ne dramatise de manière spectaculaire les enjeux liés au diagnostic et au traitement. Maintenant, l’inférence causale est l’un des nombreux outils mathématiques et scientifiques dont on évalue le potentiel d’utilisation dans les soins de santé et la lutte contre les maladies, aujourd’hui aussi bien que dans l’avenir.

Pour un jeune chercheur irlandais, Ciarán Gilligan-Lee, la physique théorique avait un tel potentiel d’améliorer de manière tangible les soins de santé qu’il a décidé il y a quelques années d’en faire un objectif de carrière.

« La causalité occupe une place centrale en sciences. C’est grâce à elle que nous connaissons l’univers — en le sondant et en interagissant avec lui », a-t-il déclaré plus tôt cette année lors d’une visite à l’Institut Périmètre. « J’avais l’impression que les outils d’inférence causale pourraient jouer un rôle important. J’ai donc voulu trouver une manière d’essayer de les utiliser. »

La complexité des relations de cause à effet

Lorsque l’on constate une corrélation entre deux grandeurs — c’est-à-dire un lien entre les variations des deux —, on peut être tenté de penser que l’une détermine l’autre. Mais la source de la corrélation peut être beaucoup plus profonde : une cause commune invisible qui détermine les deux grandeurs.

Depuis 40 ans, l’inférence causale se révèle un moyen de démêler ces liens complexes sous-jacents. Pendant longtemps, elle était la chasse gardée des philosophes, des statisticiens et des informaticiens. Depuis quelques années, elle touche de plus en plus d’autres domaines, notamment ceux de l’intelligence artificielle et de l’information quantique (voir un article sur de récents travaux menés à l’Institut Périmètre).

Lorsque l’on parle de causalité, on entre dans un monde de probabilités presque infinies. Les physiciens quantiques n’y sont donc pas dépaysés.

Il se trouve que les outils perfectionnés mis au point par les physiciens quantiques pour comprendre les liens présents à l’intérieur de systèmes quantiques peuvent servir à l’analyse de données et à la modélisation causale dans d’autres systèmes. Ces outils sont particulièrement appropriés dans le cas de données massives où les relations de causalité sont obscures, par exemple en épidémiologie et en économie.

Ciarán Gilligan-Lee a découvert l’inférence causale en 2012, alors qu’il était étudiant à la maîtrise dans le programme PSI (Perimeter Scholars International – Boursiers internationaux de l’Institut Périmètre) et qu’il travaillait avec le professeur Rob Spekkens. Il a ensuite poursuivi des recherches en physique quantique en faisant un doctorat à Oxford, puis dans le cadre d’une importante bourse de recherche au Collège universitaire de Londres.

Mais en 2018, il a dû prendre une décision cruciale lorsqu’on lui a offert un poste menant à la permanence dans une université prestigieuse. Cela lui donnait accès à une longue carrière universitaire; mais s’il s’engageait dans cette voie, M. Gilligan-Lee savait que cela lui couperait l’accès à autre chose : une possibilité qui pouvait selon lui changer des vies.

Tout miser sur la physique quantique

Il est donc allé frapper à la porte du secteur privé, espérant trouver des débouchés immédiats pour ses compétences ancrées dans la physique quantique. Il s’est retrouvé dans l’entreprise de technologie médicale Babylon Health, qui utilise une application fondée sur un robot conversationnel pour suggérer ou non à une personne de voir un médecin. (Babylon Health a récemment lancé un produit pour aider les patients aux prises avec la crise du coronavirus; M. Gilligan-Lee n’a pas participé à la mise au point de ce produit.)

Ciarán Gilligan-Lee dirige maintenant une petite équipe de chercheurs qui travaille sur l’utilisation de l’inférence causale dans le processus de diagnostic. Son équipe a publié jusqu’à maintenant 5 articles dont un, accepté pour publication dans les actes du congrès de l’AAAI sur l’intelligence artificielle, a attiré l’attention. (Les actes de congrès jouent dans la recherche en IA un rôle semblable à celui des revues spécialisées en physique).

Dans cet article, intitulé Integrating Overlapping Datasets Using Bivariate Causal Discovery (Intégration de jeux de données qui se chevauchent, par la découverte de causalité bivariée), M. Gilligan-Lee et son co-auteur Anish Dhir rapportent s’être servis d’outils de cryptographie quantique pour suggérer une manière de déterminer des relations de causalité dans des jeux de données qui ont des variables en commun (certaines des données se chevauchent) sans être identiques. C’est exactement le genre de données réelles désorganisées auxquelles on est confronté lorsque l’on tente de comparer différents essais cliniques.

Dans l’atrium de l’Institut Périmètre, Ciarán Gilligan-Lee parle de ses travaux récents.[/caption]

En 18 mois, l’équipe a également élaboré une nouvelle démarche d’inférence causale en matière de diagnostic et montré comment elle peut diminuer de près de 30 % le taux d’erreur relative de Babylon Health. M. Gilligan-Lee fait remarquer qu’il s’agit d’un changement relatif, et donc plus important en apparence qu’en pratique, mais c’est un bon signe que l’inférence causale pourrait avoir des répercussions tangibles sur la santé humaine.

« Le seul fait de voir des corrélations ne permet pas de dire qu’un traitement entraînera la guérison, dit-il. Il faut le comprendre dans un contexte de causalité pour prendre des décisions de soins de santé qui soient vraiment intelligentes et sécuritaires. Les soins de santé sont une question de causes et d’effets.

« Très peu d’autres entreprises mènent ce genre de recherches fondamentales portant à la fois sur l’inférence causale et ses applications pratiques. Beaucoup d’universitaires font de telles recherches, mais peu d’entre elles sont appliquées dans le monde réel. »

La décision à l’origine de tout cela

En rétrospective, le choix du programme PSI de l’Institut Périmètre a joué un rôle-clé dans la carrière de M. Gilligan-Lee. « L’Institut Périmètre est un lieu incroyable, unique au monde », dit-il.

« Le programme PSI mettait l’accent sur le travail en collaboration pour tenter de répondre à des questions, dans le but d’avoir une meilleure compréhension et non un diplôme. J’y ai appris comment les physiciens travaillent. À bien y penser, je crois que mon inscription au programme PSI a été l’une des meilleures décisions de ma vie — principalement à cause des gens que j’ai rencontrés ici. »

L'Institut Périmètre joue déjà dans la cour des grands en matière d’inférence causale. Par ailleurs, la communauté mondiale qui s’intéresse à ce sujet s’agrandit, entre autres dans les domaines de la physique théorique, de l’apprentissage automatique et de l’intelligence artificielle.

La crise sanitaire actuelle aide à établir quelles répercussions ces développements pourraient avoir. Une équipe britannique vient de publier un article sur le rôle que les modèles de causalité pourraient jouer dans l’évaluation des réponses à la COVID-19 dans le monde. Des outils d’inférence causale pourraient également s’avérer utiles dans la conception et l’analyse d’essais contrôlés pour la mise au point d’un vaccin.

Même s’il ne participe pas à ces efforts, Ciarán Gilligan-Lee sent la volonté d’utiliser des idées qui ont été longtemps considérées comme abstraites et de les appliquer dans des contextes on ne peut plus humains.

« D’une certaine manière, ces idées sur la causalité sont venues de la philosophie, dit-il. Mais nous commençons maintenant à comprendre qu’elles sont vraiment utiles puisqu’elles peuvent réellement améliorer de manière quantifiable la vie des gens.

« C’est vraiment bien de pouvoir faire des recherches, puis de les voir faire leur chemin dans le monde réel et avoir des effets. »