• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 15443 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 15443 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Lettre d’information
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • CNRS Éditions
  • ›
  • CNRS Alpha
  • ›
  • L'Homme-trace
  • ›
  • Live I. Signes-traces du corps et médiat...
  • ›
  • Des traces humaines dans le Big Data : d...
  • CNRS Éditions
  • CNRS Éditions
    CNRS Éditions
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral La démarche clinique : de la lecture des signes-traces du corps et de l’esprit humains au suivi thérapeutique L’informatique médicale L’utilisation du Big Data en médecine et les systèmes d’aide à la prise de décision médicale IA et apprentissage machine dans le contexte médical Des systèmes à bases de connaissances médicales (SBCM) Automatisation de la démarche clinique Produire des patients/clients La médecine contemporaine transformée par l’évacuation des signes-traces de la relation médecin-patient Bibliographie Notes de bas de page Auteurs

    L'Homme-trace

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    Des traces humaines dans le Big Data : du diagnostic médical à la transduction machinique du corps

    Joël Colloc et Maude Bonenfant

    p. 85-110

    Texte intégral Bibliographie Références bibliographiques Notes de bas de page Auteurs

    Texte intégral

    1Historiquement, la médecine et la religion ont été intimement liées, alors que les considérations sacrées sont longtemps intervenues dans l’interprétation formulée àpartir des symptômes considérés comme pathologiques. Associé par exemple au chamanisme, ce mode de rapport à la santé est souvent lié à la magie et aux forces surnaturelles pour à la fois expliquer les causes et préconiser un traitement. Parallèlement à cette vision de la maladie, naît, au ve siècle av. J.-C., la médecine moderne dans les sanctuaires d’Asclépios : la religion ou la magie ne servent alors plus de cadre interprétatif aux maux physiques. Cette approche de la médecine s’appuie plutôt sur la recherche de causes naturelles des affections du corps afin de poser un diagnostic et de prescrire un traitement médical. Quant aux affections psychiques, pendant longtemps associées au diable ou à la sorcellerie, il faut attendre Charcot en 1885 et la naissance de la psychanalyse, avec Sigmund Freud qui fut son élève, pour qu’elles soient décrites scientifiquement par les médecins.

    2Que ce soit pour les affections physiques ou psychiques, les médecins se basent sur les signes-traces du patient, qui « correspondent aux interactions effectuées dans une histoire de vie inscrite dans la matière corps » (Galinon-Mélénec, 2013, p. 59). Les signes-traces ne sont pas à comprendre comme un renvoi objectivé entre un signifiant biologique et un signifié médical que la médecine moderne aurait prédéterminé, mais bien comme une expression de l’individuel et du collectif dans le corps et l’esprit du patient. Ces signes-traces sont interprétés par le médecin : « Les signes-traces du corps sont à la fois dans le dedans et dans le dehors. Ils sont intégrés dans un processus continu d’intériorisation de l’extériorité et d’extériorisation de l’intériorité » (Galinon-Mélénec, 2013, p. 58). Autrement dit, les signes-traces sont directement liés au contexte socioculturel du patient, ses interactions aux autres et sa relation au médecin. Ils s’interprètent lors d’un processus sémiosique et interactionnel complexe et portent une valeur indiciaire et symbolique, historique et anthropologique (Galinon-Mélénec, 2011, 2013).

    3En ce sens, le médecin devient un interprète de tous ces signestraces, appuyé par une grande somme de connaissances et un appareillage de plus en plus sophistiqué, lié, entre autres, à des bases de données qui démultiplient les sources de référence. Se présentant comme « des bases de données massives » et comme « des outils d’aide à laprisededécision », les technologies du « Big Data » semblent répondre parfaitement aux objectifs du diagnostic médical. En effet, le Big Data réfère à la captation, au stockage puis au traitement automatisé de données en quantité massive par des logiciels informatiques (Mayer-Schönberger & Cukier, 2013). De cette manière, il se présente comme une nouvelle génération d’outils d’aide à la décision médicale, dépassant les essais cliniques habituellement fondés sur des échantillons de patients pour proposer des études à l’échelle globale de la population mondiale, grâce au croisement de bases de données massives (données médicales, données de santé publique, données produites par les capteurs personnels, etc.). Or, que devient le diagnostic médical alors que les signes-traces du corps, comme autant d’indices sur la santé du patient, sont évacués etqueles informations ne proviennent plus que de l’agrégation de nombreuses données informatiques recueillies dans la population ? Ces données risquent-elles de s’imposer comme des normes d’état et de comportement de chacun de nous ? Quel sens a alors le corps humain dans ce contexte de l’informatisation de la santé et la numérisation des données médicales ? Le rôle du médecin est-il alors modifié ? Que devient le patient ? Et comment se construit le savoir médical ?

    4Nous répondrons à ces questions en défendant l’idée selon laquelle les technologies du Big Data, bien qu’offrant certains avantages, transforment la médecine contemporaine. Plus précisément, nous soutiendrons que les signes-traces des affections du corps et de l’esprit ne peuvent être interprétés que dans la relation du médecin au patient, de plus en plus évacuée de l’acte médical informatisé. Ladémarche clinique, du diagnostic au suivi thérapeutique, le sens du corps et de l’esprit, le rôle du médecin, du patient et du savoir médical sont modifiés par l’usage du Big Data et des postulats organisant sa structure sémiotique. Afin de démontrer ces transformations, nous expliquerons d’abord en quoi consiste le diagnostic médical en tant que lecture des signes-traces du corps du patient par le médecin. Nous brosserons ensuite un portrait de l’essor de l’informatique médicale, l’usage des données massives, l’intelligence artificielle, l’apprentissage machine et les systèmes à bases de connaissances médicales. Nous discuterons enfin de l’automatisation de la démarche clinique pour réfléchir au rôle du médecin et au devenir de la relation primordiale médecin-patient dans ce contexte informatisé de la médecine.

    La démarche clinique : de la lecture des signes-traces du corps et de l’esprit humains au suivi thérapeutique

    5Dans la médecine moderne occidentale, le diagnostic suit une investigation « scientifique » menée par le médecin, méthode en cohérence avec les approches empiristes des sciences de la nature. Plus précisément, le diagnostic est la formulation d’un raisonnement analogique et déductif à partir d’un ensemble de signes-traces nommés symptômes en contexte pour déterminer, quand cela est possible, la cause (étiologie) d’une affection du corps ou de l’esprit. Étymologiquement, le diagnostic provient du grec diágnôsè, soit dia « par, à travers » et gnôsè, « connaissance, discernement » ainsi que diagnôstikos, « apte à reconnaître ». Il s’inscrit dans la « séméiologie », de sêmeion (signe) et logos (étude) : la séméiologie, comme branche de la médecine, est donc l’étude des signes extérieurs du corps et de l’esprit afin de déduire la cause du dysfonctionnement physique ou psychique. Le médecin, qui est de manière plus juste le spécialiste de ces signes-traces du corps/esprit à valeur indiciaire et symbolique, pose un diagnostic en faisant une lecture globale de l’état du patient : il acquiert une « connaissance » « par » des « signes-traces » observables et « reconnaît » la cause d’une pathologie du corps ou de l’esprit grâce à son encyclopédie, soit l’ensemble des connaissances et expériences individuelles et collectives (Eco, 1984).

    6Plus précisément, lediagnosticestlerésultat du raisonnement clinique, c’est-à-dire la synthèse produite grâce à une investigation directe des symptômes du patient et une investigation complémentaire (grâce aux examens paracliniques, c’est-à-dire les examens de laboratoire ou réclamant un appareillage technologique et dont les résultats ne peuvent être obtenus seulement grâce à l’observation directe du patient). Les étapes cognitives du médecin requièrent alors autant de décomposer les éléments pertinents au cas précis du patient et de les classifier pour les analyser grâce à un apprentissage des affections, mais également de recomposer ces éléments pour formuler un état global du patient par l’analogie avec des cas déjà rencontrés par le médecin ou documentés dans la littérature médicale. Si la décomposition et la classification permettent un raisonnement déductif, la composition et la généralisation offrent, grâce à l’induction, un moyen de bâtir des théories et des connaissances disponibles pour de futurs diagnostics. L’enrichissement de l’encyclopédie médicale favorise alors le développement des sciences de la médecine grâce à des raisonnements analogiques, déductifs et inductifs des médecins.

    7Cette manière de considérer la médecine n’est pas étrangère à Claude Bernard, professeur au Collège de France et titulaire de la chaire de médecine de 1855 à 1878, qui contribuera à développer la physiologie moderne, en cherchant « à relier la structure et la dynamique des systèmes biologiques en intégrant et en modélisant de très nombreuses données, physiologiques, cellulaires et moléculaires. [...] [La physiologie moderne] emprunte à Claude Bernard la méthode réductionniste suivie d’une tentative de reconstruction et de compréhension holistique » (Corvol. 2013). Claude Bernard s’appuie en effet sur une démarche empirique fondée sur l’énonciation d’hypothèses, la collecte de données, la formulation d’interprétations et la généralisation afin que ces connaissances soient intégrées aux sciences médicales pour faciliter les diagnostics à venir.

    8Complémentaire au diagnostic, la deuxième étape de la démarche clinique réfère au raisonnement pronostique, qui consiste en la prédiction de l’évolution de l’affection diagnostiquée et des issues plausibles. Ce pronostic se base d’abord sur le diagnostic, l’évolution de l’affection, l’efficacité ou non des traitements, mais également sur la somme de connaissances médicales partagées et l’expérience personnelle du médecin. Or, le pronostic demeure spéculatif car il dépend de facteurs aussi divers que propres à chaque patient et est, en ce sens, difficile à formuler avec assurance (Colloc et Sybord, 1998 ; Sybord, 2015).

    9Suivra la troisième étape, où un raisonnement thérapeutique est formulé sur la base du diagnostic et du pronostic afin de prescrire un traitement curatif, préventif, symptomatologique ou palliatif à partir « d’une stratégie thérapeutique composée de la prescription de médicaments, de conduites à tenir, de mesures hygiéno-diététiques selon une périodicité bien précise en vue d’atteindre son but » (Sybord, 2015). Un suivi thérapeutique permettra d’adapter le traitement selon l’évolution de l’affection, de surveiller l’apparition d’effets secondaires ou de maladies iatrogènes.

    10Afin de s’aider dans la formulation du diagnostic, puis du pronostic et du traitement à prescrire, le médecin a toujours eu recours à différents instruments ou techniques pour collecter ces signes-traces pathologiques et ce, de manière de plus en plus précise. L’étape de l’investigation, en effet, est favorisée par une systématisation de l’observation et des outils qui permettent, par exemple, de dépasser les limitations perceptuelles du médecin. Si les premiers instruments médicaux sont plutôt destinés à la chirurgie (viie siècle av. J.-C.), et donc au traitement, d’autres instruments seront directement dédiés à l’observation des symptômes. Dès le xie siècle apparaît le thermomètre, inventé par le médecin persan Avicenne, mais c’est surtout au xixe siècle que les instruments contemporains de diagnostic s’imposeront au médecin alors que naît lamédecine moderne : le stéthoscope (1816, René Laennec), l’endoscope (1827, Pierre Segalas), l’ophtalmoscope (1851, Hermann Ludwig von Helmholz), le rayon-X (1895, Wilhelm Röntgen), le doppler (1940, George Ludwig), etc. D’une manière générale, les avancées de la physique ont permis d’enrichir les moyens d’investigation et de traitement dans une discipline actuellement nommée legénie biomédical.

    L’informatique médicale

    11En plus de pouvoir compter sur tous ces instruments, le médecin d’aujourd’hui est appuyé par des examens paracliniques, tels que des tests biologiques sanguins ou urinaires, mais aussi l’échographie, l’électrocardiogramme, l’électroencéphalogramme, l’imagerie par résonance magnétique, etc. En fait, les instruments liés àla microbiologie autant que l’électronique et l’informatique font désormais partie de l’appareillage nécessaire à la médecine contemporaine : que ce soit pour l’investigation, le diagnostic, le traitement, la diffusion de la connaissance, l’archivage des dossiers médicaux, l’information aux patients, etc., l’informatique médicale connaît un essor impressionnant depuis la fin du xxe siècle. Elle permet d’obtenir des résultats plus précis, d’accélérer ou d’automatiser les procédures d’investigation et de diagnostic ainsi que d’assister les médecins lors du traitement, par exemple avec les robots médicaux ou les micro-pompes implantées pour délivrer des doses adaptées de molécules actives précisément sur le site de la pathologie.

    12Désormais appelée « santéélectronique » ou electronic Health (eHealth), cette convergence du secteur de la santé avec l’informatique, mais également avec les technologies informatiques de communication, l’Internet, les systèmes médicaux de monitoring et de prise de décision s’inscrit dans la continuation de la télémédecine et connaît une explosion dès le début des années 2000 (Mitchell, 1999 ; Della Mea, 2001). Dix ans plus tard, une branche de la santé électronique, soit la santé mobile, ou mobile health (mHealth), croît rapidement : les capteurs personnels et les téléphones intelligents, par exemple, permettent un monitoring de soi et de sa santé par une quantification du corps, des activités etdelaconsommation (Fit Bit, Nike+, WaterLogged, HapiFork, etc.).

    13Peu étonnant alors que la biométrie, cette méthode quantitative de l’étude de la biologie, soit une voie si prometteuse des développements technologiques associée àla médecine et la santé. Cette forme de quantification du vivant (bio/vivant et métrie/calcul) permet en effet de traduire en valeurs numériques un ensemble de « signes » produits par le corps. Grâce à différents types de capteurs, ces « signes » sont collectés, puis opérationnalisés et traités mathématiquement grâce aux systèmes informatiques. Le corps est ainsi encodé de manière quantitative, en l’externalisant pour le schématiser en données chiffrées qui seront par la suite catégorisées selon les objectifs poursuivis. Ces objectifs de la biométrie peuvent être leur inscription dans des systèmes de surveillance ou de contrôle de l’identité ou alors l’amélioration de la santé individuelle ou le suivi de l’évolution biologique d’un groupe social dans le contexte médical ou médico-légal.

    14La valeur de vérité associée aux données biométriques est alors particulièrement élevée, car le corps « ne peut mentir » : cette confiance portée à la quantification du corps par tout un appareillage technologique et symbolique est partagée par les médecins qui se fient aux résultats pour poser leur diagnostic et faire le suivi des patients. Non seulement le corps, mais l’esprit pourrait également être encodé numériquement en valeurs biométriques. Selon certains, les émotions pourraient ainsi être rendues supposément transparentes par l’analyse de l’accélération du rythme cardiaque, l’augmentation de la température corporelle, l’activité cérébrale, etc. (Haag et al., 2004 ; Chandler & Cornes, 2012). Des méthodes d’évaluation de la personnalité peuvent même être informatisées, comme le profil ennéagramme proposé par Gurdjieff, qui évalue les forces et faiblesses psychiques des individus à partir de neuf manières de se définir : « Chacun d’entre nous a tendance à donner dans sa vie la priorité à une de ces images de soi. En étudiant les conséquences de ce choix, l’Ennéagramme donne une description très précise de la psyché humaine et permet d’expliquer et/ou de prévoir, avec une fiabilité étonnante, notre attitude face aux diverses circonstances de la vie » (Institut français de l’Ennéagramme). Même une simple photo ou une vidéo permettrait de détecter aisément huit émotions : « The Emotion API takes a facial expression in an image as an input, and returns the confidence across a set of emotions for each face in the image1 » (Emotion API de Microsoft2). Or, non seulement de plus en plus d’informations peuvent être captées sur les émotions des individus, mais également des informations personnelles et des données de santé qui circulent aussi beaucoup plus rapidement et aisément qu’avant, en s’inscrivant désormais dans le contexte plus large du Big Data.

    L’utilisation du Big Data en médecine et les systèmes d’aide à la prise de décision médicale

    15Bien que le phénomène ne soit pas nouveau en soi et que les sciences informatiques se soient penchées sur le traitement de données massives depuis des décennies, le Big Data semble avoir pris une expansion sans précédent vu la numérisation accélérée des activités quotidiennes : transactions bancaires, communication entre les individus, agendas électroniques, recherches d’information, partages de fichiers, etc. En 2010, Eric Schmidt, CEO de Google, affirme, lors d’une conférence au Techonomy, que « There was 5 exabytes of information created between the dawn of civilization through 2003 but that much information is now created every 2 days, and the pace is increasing3 » (Kirkpatrick, 2016). IBM affirme d’ailleurs, sur son site consacré à Watson, son système hyperperformant d’apprentissage machine basé sur le langage naturel (c’est-à-dire le langage tel qu’il est parlé par les humains), que les données médicales vont doubler tous les soixante-treize jours jusqu’en 2020 (IBM, 2016). Cette explosion de la production de données médicales numériques engendre ainsi un ensemble d’impacts économiques, scientifiques et sociaux, mais modifie également la pratique de la médecine. Certains soutiennent que « big data analytics has the potential to improve care, save lives and lower costs. Thus, big data analytics applications in healthcare take advantage of the explosion in data to extract insights for making better informed decision4 » (Raghupathi, 2014).

    16S’il n’y a pas de définition commune à tous les domaines d’expertise, le Big Data est souvent défini par les gestionnaires à partir des 5 V (Marr, 2015) : le volume consiste en la quantité jusqu’à aujourd’hui inédite de données informatiques captées et analysées ; la vélocité, soit la vitesse à laquelle ces données massives sont produites et à laquelle elles circulent, vise le temps réel ; la variété concerne les différents types de données traitées à partir du croisement de bases de données structurées (relationnelles), semi-structurées ou non-structurées ; la véracité réfère à l’exactitude, la crédibilité et la fiabilité des données, mais même si les bases peuvent présenter des données erronées, leur immense quantité tendrait à amoindrir ce qui pourrait fausser les résultats ; finalement, la valeur équivaut à ce que vaudront les données en termes commerciaux, scientifiques ou sociaux à partir du moment où elles seront « forées », c’est-à-dire traitées lors de requêtes informatiques. Il y a d’abord les bases de données « latentes » à partir desquelles est opéré un traitement informatique par forage qui permet de les activer afin de les rendre signifiantes et de leur donner une valeur.

    17Le principal objectif du forage de données est d’identifier des configurations (patterns), par exemple par corrélation. À partir du moment où des régularités se présentent dans les configurations, ces dernières servent de base prédictive pour évaluer la probabilité de configurations futures. Cette valeur prédictive, qui constitue l’intérêt majeur de ces technologies, sera d’autant plus précise si les données sont nombreuses. En fait, la probabilité devient de plus en plus certaine lorsqu’une multiplicité d’informations a enrichi la base de données : les résultats représentent alors une aide à la prise de décision en prévoyant le futur sur la base des signes du passé. Dans la logique du Big Data, plus les données seront nombreuses, plus les résultats deviendront précis et justes. En ce sens, le fantasme ultime est de numériser le monde en entier afin de prédire son futur avec exactitude et de toujours prendre les « bonnes » décisions.

    18L’informatique médicale se développe dans cet état d’esprit et ce, dès les années 1950, alors que les systèmes d’aide à la prise de décision sont intimement liés aux recherches menées en intelligence artificielle (IA) et, plus précisément, en apprentissage machine (machine learning). La médecine se présente en effet comme un domaine propice à l’expérimentation de systèmes d’apprentissage des divers cas de signes pathologiques et contribue à la réflexion sur la complexité des êtres vivants en élaborant de nouveaux modèles. À cette époque, la cybernétique est en pleine ébullition autour des travaux de Norbert Wiener et, surtout, des Conférences Macy qui réunissent autant des chercheurs en sciences de la nature et mathématiques, que des chercheurs en sciences sociales, sciences informatiques, sciences cognitivistes, etc.

    19Certains, comme Herbert A. Simon, Claude Shannon et Gregory Bateson, s’investissent même dans plusieurs disciplines afin de créer des ponts entre les diverses réflexions sur l’humain et la machine. L’objectif, au sortir du traumatisme de la Seconde Guerre mondiale, est alors de contrer l’entropie par une meilleure circulation de l’information et l’appui de la technologie pour aider l’humain à prendre de meilleures décisions – ce que promet l’apprentissage machine en dépassant les capacités cognitives humaines et les affects qui peuvent être trompeurs.

    20Grâce à cette approche de l’informatique fondée sur l’apprentissage machine, les algorithmes se reconfigurent, par rétroaction, pour donner sans cesse de meilleures « réponses » sur la base de données traitées massivement et, idéalement, en temps réel. Il y a « apprentissage » des réponses les plus adéquates par l’entrée de nouvelles données et l’optimisation de la « prise de décision » par rapport à ce qui s’est effectivement produit : les erreurs de réponses permettent de reconfigurer les réponses à venir, rendant ainsi bénéfique même les erreurs du système afin de l’améliorer. Ce processus rappelle directement les étapes du diagnostic médical, présentées précédemment, où le médecin est appelé à investiguer et collecter des informations, classer ces informations pour procéder à leur analyse à l’aide d’un apprentissage préalable et l’enrichissement ou la consolidation des connaissances grâce à ce nouveau cas à traiter. Suite à l’énonciation d’une réponse ou d’un diagnostic et la validation de la justesse ou non de la décision, il y a adaptation de la machine comme du médecin pour les cas à venir grâce à une boucle de rétroaction. L’appui de l’informatique et des données massives pour la prise de décision médicale semble ainsi aller de pair avec le travail des médecins.

    IA et apprentissage machine dans le contexte médical

    21En effet, les systèmes d’aide à la prise de décision s’inscrivent en adéquation parfaite avec ces objectifs où l’IA peut exécuter des tâches cognitives dites de « haut niveau » qui émulent l’intelligence ou la rationalité humaine. Alan Turing, John McCarthy et Marvin Minsky, entre autres, seront reconnus comme des pionniers dans le domaine et posent les jalons de ce que deviendra rapidement la recherche en IA. Que ce soit par le langage, la pratique des échecs ou tout autre contexte, ces chercheurs modélisent la manière dont la machine informatique pourra formuler des réponses grâce à un traitement de l’information qui n’est pas étranger aux processus cognitifs humains, mais en les surpassant par ses capacités de stockage, de calcul et d’adaptation en temps réel. Si la médecine moderne s’est appuyée, surtout à partir du xixe siècle, sur des techniques et des appareils permettant de dépasser les limitations sensorielles du médecin, elle peut désormais compter sur l’informatique pour décupler les « aptitudes à reconnaître » que requièrent le diagnostic, mais aussi le pronostic et le traitement à préconiser (l’encyclopédie médicale dans laquelle puiser des cas similaires, par exemple, devient quasi illimitée).

    22Lespremierstravauxenmédecine qui posent les bases d’une réflexion sur l’usage de l’informatique et de l’IA pour le diagnostic médical sont ceux de Ledley et Lusted (1959). Suivront ceux de Warner (1959) sur un prototype expérimental portant sur la circulation sanguine. Sterling (et al.) se demande par la suite si l’ordinateur peut réellement aider le médecin à la formulation du diagnostic, du pronostic et du choix du traitement pour éviter la possibilité toujours présente de se tromper. Ledley répond à cette question dans un autre article en affirmant : « For some time it has become increasingly apparent that electronic computers can aid certain aspects of medical diagnosis and medical data processing5 » (1966).

    23À cette même époque, Joshua Lederberg, Bruce G. Buchanan, Edward Feigenbaum et Carl Djerassi développent un projet en intelligence artificielle et élaborent un des premiers systèmes experts, soit des systèmes capables de simuler les processus cognitifs d’experts dans différents domaines d’expertise. Ce premier système sera issu de la chimie organique et nommé Dendral (1965) afin d’automatiser la résolution de problèmes et la prise de décision (Shortliffe et Rind-Fleisch, 2000). Dans le contexte médical, ces systèmes émulent le raisonnement clinique sur la base de la connaissance des experts qui est transférée dans ces systèmes. Dérivé de Dendral, le système MYCIN (Shortliffe, 1976), le plus connu des systèmes experts, aide les médecins pour la prise de décision en posant un diagnostic et proposant un traitement pour les infections sévères. Bien qu’il ait surtout joué un rôle expérimental, il est à l’origine de nombreux autres systèmes qui ont effectivement été utilisés en milieu hospitalier.

    24Un de ces premiers systèmes experts en usage dans un hôpital est sans doute celui du chirurgien anglais F.T. De Dombal (De Dombal et al., 1972 ; De Dombal et al., 1974). Dès 1974, son expérience sur l’aide au diagnostic des douleurs abdominales aiguës démontre que le médecin qui n’est pas assisté d’un système d’aide à la décision pose plus souvent un diagnostic erroné que celui qui est assisté. Les complications et le nombre de gestes chirurgicaux inutiles sont également moins importants quand le système informatique est utilisé par les médecins. Une expérience analogue a été menée à l’hôpital Louis-Mourier de Paris, par l’équipe du Docteur Y. Flamant (Flamant et al., 1984) et, depuis cette époque, on assiste à un développement considérable des systèmes à bases de connaissances médicales (Colloc, 2000).

    Des systèmes à bases de connaissances médicales (SBCM)

    25Le développement de tous ces systèmes experts est alors à comprendre en parallèle avec l’accroissement des bases de connaissances propres à la médecine sur lesquelles s’appuieront les médecins lors de la prise de décision. Conformément au phénomène du Big Data, plus ces systèmes à bases de connaissances médicaux traiteront des données massives, plus les résultats prédictifs seront précis, et viendront aider la formulation du diagnostic, du pronostic et du traitement à préconiser. Dans un contexte de surcharge informationnelle pour les médecins, où la connaissance médicale croît sans cesse, entre autres grâce à la multiplication des études et leur diffusion sur internet, ces outils pallient l’impossibilité de se tenir à jour, posséder ou bien accéder à toutes les informations actuelles en médecine, mais aussi dans des domaines connexes pertinents pour le travail médical.

    26En prenant l’exemple de l’épidémiologie, la coopération avec des géographes de la santé, par exemple, devient précieuse, car elle est fondée sur des études démographiques, de climat, de territoire, etc. Ces études déterminent l’imputabilité de tel ou tel facteur, les agents responsables des maladies en comparant les caractéristiques d’une population de malades avec une population témoin. Un célèbre exemple est celui du Google Flu Trends Project où l’étude de l’épidémie de grippe reposait sur des techniques de Big Data en exploitant les requêtes effectuées par les usagers sur Google (Ginsberg et al., 2009). Plutôt qu’une médecine du corps, l’épidémiologie fonde une médecine de santé publique dont les connaissances acquises ont des retombées sur la médecine clinique. Ces informations vont donc enrichir le corpus de connaissances médicales et les SBCM.

    27Aujourd’hui, les systèmes multi-agents d’aide à la décision utilisent des bases de données, des ontologies, des modes de raisonnements variés qu’ils combinent selon les différentes étapes de la démarche clinique pour aboutir à une solution en un temps limité. En effet, les systèmes multi-agents tiennent compte de l’environnement et des relations d’un ensemble d’agents, c’est-à-dire des logiciels qui agissent de manière autonome. Les solutions émergent ainsi de la coopération d’agents spécialisés, notamment le raisonnement qui compare de nouveaux cas à partir de cas analogues précédemment indexés (Colloc et Sybord, 2003 ; Shen et al., 2015). Par ailleurs, les systèmes d’aide à l’interprétation automatique des examens paracliniques mettent en œuvre des algorithmes de reconnaissance de formes et des bases de connaissances afin d’associer des configurations d’images ou de signaux avec un contexte clinique bien particulier déjà rencontré. Les systèmes de monitoring, quant à eux, sont des systèmes en « temps réel » capables de traiter les événements et l’évolution de l’état du patient. Durant des phases moins aiguës, ce type de système peut consulter des résultats de laboratoire, contrôler les prescriptions, alerter le médecin lorsque des paramètres physiologiques deviennent anormaux en envoyant des messages électroniques de rappel ou d’avertissement. Aujourd’hui, de tels dispositifs trouvent de nouvelles applications grâce aux connexions Wifiou Bluetooth des objets connectés qui permettent la géolocalisation et l’interprétation automatique en temps réel, par exemple des syndromes de menaces cardiovasculaires (Atoui, 2006).

    Automatisation de la démarche clinique

    28Ainsi, la médecine clinique fondée sur l’observation du corps par les sens est désormais de plus en plus remplacée par l’utilisation d’équipements sophistiqués semi-automatiques ou automatiques pour obtenir les données biométriques permettant de formuler un diagnostic, établir un pronostic, proposer un traitement et faire un suivi thérapeutique plus rapidement lors de consultations de plus en plus courtes. L’essor du génie biomédical et des systèmes informatiques d’aide à la prise de décision, entre autres grâce au traitement de données massives par apprentissage machine, mènent vers une automatisation du raisonnement clinique.

    29Enfin, cette informatisation procédera entièrement au raisonnement clinique du médecin, le traitement informatique des signes du corps du patient produisant une réponse à son affection. En effet, la première étape, soit l’investigation directe, commence déjà à être réalisée par les divers capteurs présents et à venir des appareils de santé mobile combinés àune panoplie de tests pouvant désormais être réalisés àla maison (tests sanguins, urinaires, de fertilité, etc.), ou pouvant l’être aisément par la poste, comme les tests génétiques sur lesquels s’appuie la médecine prédictive fondée sur le séquençage du génome des patients. L’investigation complémentaire, qui requiert un appareillage (pour l’instant) coûteux, pourrait très bien être coordonnée sous forme de « guichets santé » libre-service où les patients pourraient procéder à certains tests (par exemple, des appareils de pression artérielle sont déjà en libre-service dans des pharmacies du Québec). Les informations sur le corps du patient captées à partir de diverses sources se traduisant instantanément en données informatiques pourraient être compilées dans un dossier médical central (reflet de la volonté actuelle des autorités médicales de centraliser les données de chaque patient) en confondant les informations médicales consignées par le médecin et toutes les données générées par le patient à l’aide d’outils de mesure (capteurs personnels, téléphones intelligents, etc.). Le profil médical serait alors nécessairement décomposé en autant de données classifiées grâce aux ontologies et bases de données préalablement construites pour ensuite être recomposées sous forme de « réponse diagnostique, pronostique et thérapeutique » grâce aux algorithmes. En poussant cette logique, il est aisé de penser que, dans plusieurs cas, aucune intervention humaine ne serait plus nécessaire, l’entrée de signes se faisant automatiquement, tout comme la formulation d’une réponse au patient qui émanerait des données elles-mêmes. Par l’enrichissement continuel des bases de données, la précision, l’exactitude, voire la personnalisation des réponses croîtraient sans cesse, les erreurs humaines ainsi que les limitations cognitives des médecins étant soi-disant dépassées par la puissance de la machine.

    30Cette dernière étape de la démarche clinique où les connaissances acquises sont généralisées au savoir médical se réduirait en fait au suivi de l’efficience de la réponse afin de venir consolider les bases de données ou les modifier à partir de ce nouveau cas. En effet, la « généralisation » ne serait plus nécessaire puisque les systèmes informatiques ont les capacités d’accumuler presque infiniment les « cas » : les raisonnements déductifs du médecin à partir d’hypothèses seraient alors inutiles. En effet, depuis la célèbre affirmation de Chris Anderson (2008) du Wired où est annoncée « la fin de la théorie », les données massives sont supposées nous « libérer » des théories et hypothèses qui peuvent être erronées, voire, au pire, trompeuses. Selon lui, la science des données, désormais, se baserait uniquement sur un rapport inductif avec la multiplication des cas. Dans le contexte des données médicales, le raisonnement clinique se baserait uniquement sur les données indéfiniment réassemblées dans des profils particuliers. Si le général et les catégories sont essentiels pour permettre la communication entre humains, ils ne sont plus nécessaires dans l’ordre du Big Data où les profils sont de plus en plus personnalisés. Le paradigme de l’empirie, fondée surladéduction et fondatrice de la médecine moderne, est modifié vers celui de la singularité.

    31Le passage semble alors une avancée vers la « vérité » puisque, telles des « ressources naturelles » qu’il faut « miner », les données paraissent redoubler le réel sans médiation, comme si nous avions (enfin) un contact direct avec le monde pour nous fournir des informations objectives sur sa régulation. Les données semblent révéler l’état de santé du patient tel qu’il est et ce, de manière d’autant plus précise et juste que les données sont nombreuses. La valeur de vérité associée aux résultats issus du Big Data est alors très forte puisqu’ils semblent épargnés de la subjectivité humaine. Même si, reprenant l’exemple du Google Flu Trends Project, les résultats présentés comme satisfaisants au début, ont ensuite donné des surestimations importantes de la prévalence de la grippe dans les années 2012-2013 du fait du manque de qualité des données (les individus, qui produisent eux-mêmes les données analysées, n’ont pas les connaissances médicales nécessaires pour évaluer les différents signes pathologiques), la certitude de la valeur de vérité des données demeure très forte.

    32En effet, l’usage des mathématiques, des algorithmes aux représentations quantifiées, semble évacuer toute subjectivité et ainsi favoriser une objectivité des résultats à partir de données « neutres », car considérées comme « naturelles ». Nous aurions alors dépassé l’imperfection de la subjectivité humaine pour objectiver, automatiser et rationaliser les processus de production de sens et, dans ce cas-ci, les raisonnements du médecin. Or, cette naturalisation est une chimère puisque la donnée est symbolique, c’est-à-dire qu’elle renvoie de manière arbitraire à un signifié. Des rapports de pouvoir sont inscrits dans cette production du sens, entre autres parce que des choix en amont ont été posés pour déterminer le sens de la donnéeàpartir d’une régulation du renvoi du signe au sens. Si le symbole parfaitement stabilisé est univoque (voire devient un signal), il n’en demeure pas moins que le sens aurait pu être tout autre et qu’il faut connaître les règles pour le déchiffrer. Comme la langue, il faut posséder le « code » pour que la donnée devienne signifiante. Toutefois, si la langue naturelle est négociable socialement par tous les acteurs de la société, ilenva autrement du langage informatique et des données numériques qui semblent mis à l’écart des négociations du « vivre ensemble ».

    33Cette occultation du rapport pourtant symbolique entre une donnée et une représentation du réel a, entre autres conséquences, de court-circuiter toute remise en question du sens de la donnée : comment, en effet, questionner ce qui est « naturel », ce qui semble être l’effet « naturel » d’une cause, en l’occurrence d’un signe du corps ? Le corps, d’ailleurs, est, lui aussi, porteur d’une valeur de vérité très forte : comment pourrait-il « mentir » (raisonnement par exemple mis de l’avant pour justifier l’usage de la biométrie dans les dispositifs de contrôle et de surveillance) ? Dans l’ordre du Big Data, le corps produit une donnée considérée comme « brute », qui sera ensuite traitée de manière automatisée et objectivée par des outils informatiques basés sur les mathématiques. Malgré les mises en garde que de nombreux philosophes de la technique ont produites pour démontrer que la technique n’est pas neutre et véhicule un ensemble de valeurs et représentations du monde (Ellul, 1954 ; Simondon, 1958 ; Mumford, 1967, 1970 ; Stiegler, 1996, 2001), les résultats issus du Big Data jouissent d’une aura de « neutralité » par laquelle les rapports de pouvoir semblent évacués.

    34Cette perception dépolitisée des technologies informatiques, des données et des résultats produits par le Big Data laisse pourtant place à ce que certains nomment désormais la gouvernementalité algorithmique. Suivant l’approche foucaldienne du pouvoir défini comme une action sur l’action (Foucault, 1982), il y a désormais gouvernement des humains par des algorithmes de plus en plus automatisés et qui performent une action sur les actions. Ces algorithmes agissent et ont un impact sur les actions humaines par les résultats qui sont produits (Rouvroy et Berns, 2013 ; Bonenfant et al., 2014 ; Ouellet et al., 2015 ; Bonenfant et al., 2015). En effet, les résultats produits par ces technologies du Big Data représentent non pas des lectures « neutres » de l’état de santé du patient, mais bien des mécanismes de contrôle social en mettant de l’avant certaines procédures, des modes de représentation particulièrement valorisés et une idéologie qui s’inscrit en adéquation avec notre société dite postmoderne, héritière de la pensée cybernétique et immergée dans le néolibéralisme. À ces biais idéologiques, il faut ajouter les risques de surveillance de masse, d’atteinte à la vie privée et au profilage sanitaire des personnes (Colloc, 2015) ainsi que la commercialisation des données personnelles de santé. Les assureurs, entre autres, y sont très intéressés, car ils y voient une source d’information sur leurs clients afin de moduler plus précisément et individuellement le risque associé à leur couverture, voire de refuser d’assurer certains individus.

    35Les patients, désormais considérés comme des « clients » et des entrepreneurs de soi-même (Foucault, 1979), doivent « gérer » leur santé comme le ferait une entreprise afin de maximiser les coûts-bénéfices. Fondées sur l’optimisation, l’efficience et l’accélération, ces technologies sont emblématiques de la valorisation de la technique pour structurer nos vies (et notre santé) toujours à parfaire, raison pour laquelle elles s’inscrivent tout à fait dans le biopouvoir décrit par Foucault. La quantification de soi, qui est en fait la disciplinarisation du corps et de l’intellect humains par leur mise en chiffres, est révélatrice de cette tendance. Les mécanismes de régulation, mais surtout d’autorégulation inscrits dans cette mise en données de soi sont porteurs d’une visée normative : il y a les « bons » et les « mauvais » comportements. Cet « hygiénisme contemporain » (Skrabanek, 1995) ou cette « rationalité sanitaire » (Gori et Del Volgo, 2004) et déjà coercitive (par exemple, déremboursements, refus de prise en charge) participe en effet d’une gouvernementalisation et d’un contrôle social où des normes encadrent les pratiques en les disciplinant selon des idéaux types : chacun devient alors « responsable » de sa santé en suivant des guides prédéterminés, plus particulièrement des garde-fous économiques.

    36Cette individualisation de la santé s’observe d’ailleurs déjà dans les changements de pratique des patients où, en parallèle du développement d’Internet et de plateformes consacrées à la santé, l’autodiagnostic et l’automédication sont de plus en plus communs. Dans un contexte d’augmentation des coûts des soins médicaux et des médicaments, d’une privatisation d’une partie du système de santé et d’un appauvrissement de la population rendant l’accès aux soins de plus en plus difficile, le phénomèned’autogestiondelasantédu patient est appelé à croître. Les médecins, comme toutes les professions de service, assistent impuissants à « l’ubérisation » de la médecine et, dans un futur plus ou moins lointain, à une médecine sans médecin.

    Produire des patients/clients

    37En évacuant la présence du médecin de la pratique clinique, le pouvoir cédé aux données numériques est alors immense puisque, si du mode inductif de production de la connaissance sont tirées les règles, les données peuvent alors déterminer le savoir médical et la connaissance des pathologies. En ce sens, le système informatique « produira » alors des patients, car si ces technologies prétendent aider à la prise de décision grâce à leur pouvoir de prédiction, cette prédictibilité devient prophétie autoréalisatrice à partir du moment où, prédisant un résultat et affichant une réponse, cette même réponse produit le résultat – qui n’aurait pas eu lieu sans la prédiction. Par exemple, l’individu, qui se croit pourtant « en santé », se considérera malade à partir du moment où ses résultats ne seront pas affichés comme « normaux ». Le Big Data n’est alors plus seulement une représentation symbolique du monde : il est « producteur » du monde. Comme Baudrillard (1981) le mentionnait de manière prophétique, avec ces technologies, la carte ne redouble plus le territoire, car la carte produit le territoire. Le risque est alors que le patient se reconnaisse dans les résultats du Big Data et s’y conforme – en d’autres mots qu’il devienne ce que les représentations normatives inscrites dans ces technologies lui prescrivent. Ce phénomène est déjà observable dans les sites de santé qui prodiguent des conseils médicaux où la frontière entre conseil et marketing devient floue. Or, si la normativité est déterminée par la machine, alors elle pourra définir « le normal et le pathologique » (Canguilhem, 1966).

    38Cette manière de concevoir les représentations discursives comme des modes normatifs de représentation de soi n’est pas étrangère à l’approche soulevée par Foucault (1961, 1963) sur la « production » de fous par des discours sur la folie ou celles de nombreux sociologues, psychologues et psychiatres (Conrad et Barker, 2010 ; Jutel, 2011 ; Pickersgill, 2014) sur l’apparition de malades psychologiques suite aux publications successives des manuels DSM (Diagnostic and Statistical Manual of Mental Disorders). Goldstein Jutel (2011) affirme d’ailleurs à juste titre que le pouvoir du diagnostic est remarquable (2011) et Pickersgill ajoute qu’il est « an apparatus through which individuals ‘‘make up’’ themselves and one another6 » (Pickersgill, 2014, p. 521). En ce sens, laisser la machine déterminer le diagnostic est un puissant dispositif de subjectivation où le patient s’adapte à ce que lui renvoie la machine : le rapport de pouvoir est alors déplacé du couple médecin/patient à celui de machine/client où la vision du monde inscrite dans l’appareillage technique produit un assujettissement à la machine et même risque d’aliéner le patient à sa propre existence.

    39Au cœur de cette dynamique, que l’informatique médicale a déclenchée à partir des années 1950 avec le développement de l’IA, la relation humaine disparaît (ce qui n’est d’ailleurs par étranger aux considérations économiques néolibérales de diminution des coûts par le remplacement des salariés par des machines). L’intuition du médecin lors de l’interprétation des signes-traces du patient est évacuée : alors que tous les signes tendent vers un diagnostic automatique, la compréhension de leur nature de signes-traces et de la complexité de l’entremêlement des signes-traces permettent au médecin de modifier sa décision basée sur ses propres expériences et le rapport au patient. En ce sens, l’intuition (Galinon-Mélénec, 2013b) est essentielle pour l’interprétation de l’état global du patient, ainsi que pour le mode abductif de connaissance (Galinon-Mélénec, 2013b ; Peirce, C.P., 1974), où des nouvelles connaissances peuvent émerger.

    40Le savoir médical se trouve appauvri par cette perte du rapport intuitif du médecin au patient. La relation elle-même est nécessaire au diagnostic puisque « les significations données aux signes-traces du corps ne sont ni chez l’émetteur ni chez le récepteur : elles sont au milieu des interactions des individus ; car c’est au milieu de ces interactions que peut se produire une reconnaissance du même. L’échoïsation des signes-traces du corps qui s’instaure induit un effet d’ouverture à la communication » (Galinon-Mélénec, 2013, p. 59). Cette relation de communication est rompue si la machine devient l’interlocuteur, tout comme les signes-traces de l’état du patient ne sont pas pris en compte lors de la réponse informatique : la machine n’a qu’un portrait parcellaire de l’état du patient avec une dématérialisation du corps en données.

    41Dans le même sens, et malgré ce que certains affirment par rapport aux « promesses » de la biométrie et de l’informatique affective, les émotions du patient ne sont pas entièrement traduisibles en données, car elles ne se réduisent pas à un ensemble d’informations quantifiables sur le corps. Pourtant, les émotions participent directement au bienêtre général du patient et interviennent dans la synthèse de son état pathologique. Son ressenti, qui est une perception réflexive, favorise ou handicape la guérison. Qu’arrive-t-il alors si les signes-traces de l’émotion sont évacués du diagnostic ? Y a-t-il alors réellement « amélioration » du système de la santé ? La meilleure décision clinique n’est pourtant pas nécessairement la meilleure décision selon le système informatique qui, lui, ne se base que sur les cas précédents. La valorisation du rapport humain pour l’analyse clinique de l’ensemble des signes-traces du patient paraît alors essentielle d’un point de vue qualitatif, holistique et synthétique, synthèse compréhensive qui n’est plus possible dans l’ordre du Big Data (Freitag, 1995). Comme les experts en IA réclament la présence d’un humain dans la chaîne d’actions des « robots tueurs » afin de conserver une valeur éthique au processus7, il en va de même de la médecine où le médecin doit garder un contrôle sur notre santé physique et mentale en entretenant une relation fondée sur les signes-traces communiqués. En ce sens, l’avènement des machines autonomes, dotées d’une conscience artificielle, va bousculer les repères et les objectifs de la médecine (Colloc, 2016).

    La médecine contemporaine transformée par l’évacuation des signes-traces de la relation médecin-patient

    42Au cours de ce chapitre, nous avons défendu l’idée selon laquelle les technologies du Big Data transforment la médecine contemporaine. Bien sûr, elles ont pu et peuvent toujours être très utilesdansla démarche clinique, comme nous l’avons vu avec l’avènement de la médecine contemporaine grâce à l’informatique, l’intelligence artificielle, l’apprentissage machine et les systèmes à bases de connaissances médicales. Mais les technologies actuelles du Big Data, utilisées en parallèle avec la robotisation et l’explosion des capteurs personnels (applications mobiles, bracelets, etc.) basés sur la biométrie ainsi qu’Internet, présentent certaines menaces pour la relation médecinpatient, entre autres par l’automatisation toujours de plus en plus importante de la démarche clinique et l’évacuation du médecin dans la « gestion de sa santé ». Dans ce contexte, le rôle du médecin est redéfini en un expert de la manipulation des systèmes informatiques et la captation des données, en étant de moins en moins en contact direct avec le patient. Ultimement, le médecin n’est même plus nécessaire dans une future boucle entièrement autonome, alors que le patient réalise lui-même les examens médicaux et que le système informatique produit diagnostic, pronostique, traitement et suivi thérapeutique.

    43Pourtant, la relation du médecin au patient est essentielle à l’interprétation des signes-traces des affections du corps et de l’esprit, car elle fait partie de la démarche clinique où le ressenti du patient est communiqué au médecin. Si, en effet, les signes biométriques catégoriques peuvent être quantifiés et informatisés, il en va autrement des traces produites lors de la communication entre le médecin et le patient. En effet, la trace est, au sens peircéen, un indice, c’est-à-dire un type de signe qui a une « connexion dynamique (y compris spatiale) avec l’objet » (Peirce, C.P. : 2.305) et qui entretient un rapport de contiguïté contextuelle. En gardant cette terminologie, la trace est la part indiciaire de tout signe. Étant donné les inconvénients sémiotiques de la polysémiedutermetracedanslalittérature scientifique et les taxinomies sous-jacentes à l’interprétation médicale commune des signes du corps, il nous semble préférable d’adopter dorénavant la terminologie signe-trace, qui renvoie à un paradigme tenant compte du processus qui transforme le signe-trace en indice dans le contexte de la relation contiguë médecin-patient (Galinon-Mélénec, 2011). En effet, la trace ne doit pas être assimilée au signe, mais être plutôt considérée comme un élément faisant partie du signe.

    44C’est pourquoi les signes-traces du corps du patient ne peuvent être numérisés sous forme de données informatiques en vue de diagnostic. En outre, alors qu’un relevé de signes biométriques peut être utile, car il renvoie directement sa signification à des normes, les signes-traces du corps d’un patient venu en consultation ne deviennent indices d’affections qu’à la suite de processus déductifs et abductifs en contexte de communication interpersonnelle entre deux humains (Galinon-Mélénec, 2013 b) ; ici, le médecin et le patient. Pour cette raison, les signes-traces font partie de la relation médicale et ne peuvent être extraits du contexte pragmatique du patient et de sa relation au médecin sans perdre une valeur indiciaire et symbolique, historique et anthropologique (Galinon-Mélénec, 2011, 2013). L’évacuation des signes-traces du système informatisé change le sens même du rapport à la santé alors que celle-ci est réduite à un ensemble de données désincarnées à optimiser selon des balises catégoriques, prédéfinies et normatives.

    45Le rôle du patient, dont la responsabilité est démultipliée à l’ère de l’hyperindividualisme (Lipovetsky, 1983), est également transformé vers un entreprenariat de soi pour une « gestion » optimale de sa santé à partir de données numériques et traitées de manière informatique avec, entre autres, les technologies du Big Data. Or, cette injonction à « gérer sa santé » peut être hautement anxiogène dans une société basée sur la performance et déjà gavéedemédicaments antidépresseurs et anxiolytiques. Le patient, désormais client du système médical et de l’industrie pharmaceutique, voit son corps devenu une « machine » à perfectionner selon des exigences à de « bons » comportements, sans que la valeur de ceux-ci soit socialement négociée – par exemple lors de la relation médecin-patient. Il y a alors transduction machinique du corps réduit à un ensemble de données sans identité et devenu partie prenante du système configurant les technologies du Big Data. Le corps/esprit du client n’est alors rien de plus qu’une partie de la machine, faisant ainsi un pas de plus vers le corps synthétique imaginé par les transhumanistes.

    Bibliographie

    Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.

    Format

    • APA
    • Chicago
    • MLA
    Bonenfant, M., Mondoux, A., Ménard, M., & Ouellet, M. (2015). Big Data, médiation symbolique et gouvernementalité. In Big Data - Open Data : Quelles valeurs ? Quels enjeux ? (1–, pp. 31-41). De Boeck Supérieur. https://doi.org/10.3917/dbu.chron.2015.01.0031
    Canguilhem, G. (2013). Le normal et le pathologique (1–). Presses Universitaires de France. https://doi.org/10.3917/puf.cangu.2013.01
    Colloc, J., & Sybord, C. A multi-agent approach to involve multiple knowledge models and the case base reasoning approach in decision support systems. Proceedings of the 35th Southeastern Symposium on System Theory, 2003. 35th Southeastern Symposium on System Theory. https://doi.org/10.1109/ssst.2003.1194567
    Colloc, J. (2015). Santé et Big Data : l’Etat et les individus, impuissants face aux pouvoirs des réseaux. L’Espace Politique, 26. https://doi.org/10.4000/espacepolitique.3493
    Colloc, J. (2016). L’éthique des systèmes d’information autonomes vers une pensée artificielle. Les Cahiers Du numérique, 12(1-2), 187-211. https://doi.org/10.3166/lcn.12.1-2.187-211
    Conrad, P., & Barker, K. K. (2010). The Social Construction of Illness: Key Insights and Policy Implications. Journal of Health and Social Behavior, 51(1_suppl), S67-S79. https://doi.org/10.1177/0022146510383495
    Corvol, P. (2013). Claude Bernard et la médecine expérimentale au Collège de France. La lettre du Collège de France, 36, 19-21. https://doi.org/10.4000/lettre-cdf.1719
    Della Mea, V. (2001). What is e-Health (2): The death of telemedicine?. Journal of Medical Internet Research, 3(2), e22. https://doi.org/10.2196/jmir.3.2.e22
    de Dombal, F. T., Leaper, D. J., Staniland, J. R., McCann, A. P., & Horrocks, J. C. (1972). Computer-aided Diagnosis of Acute Abdominal Pain. In BMJ (Vols. 2, Issues 5804, pp. 9-13). BMJ. https://doi.org/10.1136/bmj.2.5804.9
    de Dombal, F. T., Leaper, D. J., Horrocks, J. C., Staniland, J. R., & McCann, A. P. (1974). Human and Computer-aided Diagnosis of Abdominal Pain: Further Report with Emphasis on Performance of Clinicians. BMJ, 1(5904), 376-380. https://doi.org/10.1136/bmj.1.5904.376
    Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S., & Brilliant, L. (2009). Detecting influenza epidemics using search engine query data. In Nature (Vols. 457, Issues 7232, pp. 1012-1014). Springer Science and Business Media LLC. https://doi.org/10.1038/nature07634
    Affective Dialogue Systems. (2004). In E. André, L. Dybkjær, W. Minker, & P. Heisterkamp (Eds.), Lecture Notes in Computer Science (1–). Springer Berlin Heidelberg. https://doi.org/10.1007/b98229
    Jutel, A. (2011). Putting a Name to It (1–). Johns Hopkins University Press. https://doi.org/10.1353/book.1850
    Ledley, R. S., & Lusted, L. B. (1959). Reasoning Foundations of Medical Diagnosis. In Science (Vols. 130, Issues 3366, pp. 9-21). American Association for the Advancement of Science (AAAS). https://doi.org/10.1126/science.130.3366.9
    Ledley, R. S. (1966). Computer Aids to Medical Diagnosis. JAMA: The Journal of the American Medical Association, 196(11), 933. https://doi.org/10.1001/jama.1966.03100240067015
    Ouellet, M., Ménard, M., Bonenfant, M., & Mondoux, A. (2015). Big Data et quantification de soi : La gouvernementalité algorithmique dans le monde numériquement administré. Canadian Journal of Communication, 40(4). https://doi.org/10.22230/cjc.2015v40n4a2869
    Pickersgill, M. D. (2013). Debating DSM-5: diagnosis and the sociology of critique. Journal of Medical Ethics, 40(8), 521-525. https://doi.org/10.1136/medethics-2013-101762
    Raghupathi, W., & Raghupathi, V. (2014). Big data analytics in healthcare: promise and potential. Health Information Science and Systems, 2(1). https://doi.org/10.1186/2047-2501-2-3
    Rouvroy, A., & Berns, T. (2013). Gouvernementalité algorithmique et perspectives d’émancipation. Réseaux, n° 177(1), 163. https://doi.org/10.3917/res.177.0163
    Shen, Y., Colloc, J., Jacquet-Andrieu, A., & Lei, K. (2015). Emerging medical informatics with case-based reasoning for aiding clinical decision in multi-agent system. Journal of Biomedical Informatics, 56, 307-317. https://doi.org/10.1016/j.jbi.2015.06.012
    Shortliffe, E. H., & Rindfleisch, T. C. (2000). Presentation of the Morris F. Collen Award to Joshua Lederberg, PhD. Journal of the American Medical Informatics Association, 7(3), 326-332. https://doi.org/10.1136/jamia.2000.0070326
    Sterling, T. D. (1966). Is Medical Diagnosis a General Computer Problem?. JAMA: The Journal of the American Medical Association, 198(3), 281. https://doi.org/10.1001/jama.1966.03110160109032
    Sybord, C. (2016). Big data et conception d’un système d’information d’aide à la décision clinique. Vers une gestion sociocognicielle de la responsabilité médicale ?. In Les cahiers du numérique (Vols. 12, Issue 1-2, pp. 73-107). Lavoisier. https://doi.org/10.3166/lcn.12.1-2.73-107
    Warner, H. (1959). The Use of an Analog Computer for Analysis of Control Mechanisms in the Circulation. Proceedings of the IRE, 47(11), 1913-1916. https://doi.org/10.1109/jrproc.1959.287204
    Bonenfant, Maude, André Mondoux, Marc Ménard, and Maxime Ouellet. “Big Data, médiation Symbolique Et Gouvernementalité”. Big Data - Open Data : Quelles Valeurs ? Quels Enjeux ?. De Boeck Supérieur, October 16, 2015. https://doi.org/10.3917/dbu.chron.2015.01.0031.
    Canguilhem, Georges. “Le Normal Et Le Pathologique”. []. Presses Universitaires de France, 2013. https://doi.org/10.3917/puf.cangu.2013.01.
    Colloc, J., and C. Sybord. “A Multi-Agent Approach to Involve Multiple Knowledge Models and the Case Base Reasoning Approach in Decision Support Systems”. In Proceedings of the 35th Southeastern Symposium on System Theory, 2003.. IEEE. https://doi.org/10.1109/ssst.2003.1194567.
    Colloc, Joël. “Santé et Big Data : l’Etat et les individus, impuissants face aux pouvoirs des réseaux”. L’Espace Politique, no. 26 (July 22, 2015). https://doi.org/10.4000/espacepolitique.3493.
    Colloc, Joël. “L’éthique Des systèmes d’information Autonomes Vers Une pensée Artificielle”. Les Cahiers Du numérique 12, no. 1-2 (June 30, 2016): 187-211. https://doi.org/10.3166/lcn.12.1-2.187-211.
    Conrad, Peter, and Kristin K. Barker. “The Social Construction of Illness: Key Insights and Policy Implications”. Journal of Health and Social Behavior 51, no. 1_suppl (March 2010): S67-S79. https://doi.org/10.1177/0022146510383495.
    Corvol, Pierre. “Claude Bernard et la médecine expérimentale au Collège de France”. La lettre du Collège de France, no. 36 (December 24, 2013): 19-21. https://doi.org/10.4000/lettre-cdf.1719.
    Della Mea, Vincenzo. “What Is E-Health (2): The Death of Telemedicine?”. Journal of Medical Internet Research 3, no. 2 (June 22, 2001): e22. https://doi.org/10.2196/jmir.3.2.e22.
    de Dombal, F. T., D. J. Leaper, J. R. Staniland, A. P. McCann, and J. C. Horrocks. “Computer-Aided Diagnosis of Acute Abdominal Pain”. BMJ. BMJ, April 1, 1972. https://doi.org/10.1136/bmj.2.5804.9.
    de Dombal, F. T., D. J. Leaper, J. C. Horrocks, J. R. Staniland, and A. P. McCann. “Human and Computer-Aided Diagnosis of Abdominal Pain: Further Report With Emphasis on Performance of Clinicians”. BMJ 1, no. 5904 (March 2, 1974): 376-80. https://doi.org/10.1136/bmj.1.5904.376.
    Ginsberg, Jeremy, Matthew H. Mohebbi, Rajan S. Patel, Lynnette Brammer, Mark S. Smolinski, and Larry Brilliant. “Detecting Influenza Epidemics Using Search Engine Query Data”. Nature. Springer Science and Business Media LLC, February 2009. https://doi.org/10.1038/nature07634.
    André, Elisabeth, Laila Dybkjær, Wolfgang Minker, and Paul Heisterkamp, eds. Affective Dialogue Systems. Lecture Notes in Computer Science. Springer Berlin Heidelberg, 2004. https://doi.org/10.1007/b98229.
    Jutel, Annemarie. “Putting a Name to It”. []. Johns Hopkins University Press, 2011. https://doi.org/10.1353/book.1850.
    Ledley, Robert S., and Lee B. Lusted. “Reasoning Foundations of Medical Diagnosis”. Science. American Association for the Advancement of Science (AAAS), July 3, 1959. https://doi.org/10.1126/science.130.3366.9.
    Ledley, Robert S. “Computer Aids to Medical Diagnosis”. JAMA: The Journal of the American Medical Association 196, no. 11 (June 13, 1966): 933. https://doi.org/10.1001/jama.1966.03100240067015.
    Ouellet, Maxime, Marc Ménard, Maude Bonenfant, and André Mondoux. “Big Data Et Quantification De Soi : La Gouvernementalité Algorithmique Dans Le Monde numériquement Administré”. Canadian Journal of Communication 40, no. 4 (November 11, 2015). https://doi.org/10.22230/cjc.2015v40n4a2869.
    Pickersgill, Martyn D. “Debating DSM-5: Diagnosis and the Sociology of Critique”. Journal of Medical Ethics 40, no. 8 (December 10, 2013): 521-25. https://doi.org/10.1136/medethics-2013-101762.
    Raghupathi, Wullianallur, and Viju Raghupathi. “Big Data Analytics in Healthcare: Promise and Potential”. Health Information Science and Systems 2, no. 1 (February 7, 2014). https://doi.org/10.1186/2047-2501-2-3.
    Rouvroy, Antoinette, and Thomas Berns. “Gouvernementalité algorithmique et perspectives d’émancipation”. Réseaux n° 177, no. 1 (2013): 163. https://doi.org/10.3917/res.177.0163.
    Shen, Ying, Joël Colloc, Armelle Jacquet-Andrieu, and Kai Lei. “Emerging Medical Informatics With Case-Based Reasoning for Aiding Clinical Decision in Multi-Agent System”. Journal of Biomedical Informatics 56 (August 2015): 307-17. https://doi.org/10.1016/j.jbi.2015.06.012.
    Shortliffe, E. H., and T. C. Rindfleisch. “Presentation of the Morris F. Collen Award to Joshua Lederberg, PhD”. Journal of the American Medical Informatics Association 7, no. 3 (May 1, 2000): 326-32. https://doi.org/10.1136/jamia.2000.0070326.
    Sterling, Theodor D. “Is Medical Diagnosis a General Computer Problem?”. JAMA: The Journal of the American Medical Association 198, no. 3 (October 17, 1966): 281. https://doi.org/10.1001/jama.1966.03110160109032.
    Sybord, Christine. “Big Data Et Conception d’un système d’information d’aide à La décision Clinique. Vers Une Gestion Sociocognicielle De La Responsabilité médicale ?”. Les Cahiers Du numérique. Lavoisier, June 30, 2016. https://doi.org/10.3166/lcn.12.1-2.73-107.
    Warner, Homer. “The Use of an Analog Computer for Analysis of Control Mechanisms in the Circulation”. Proceedings of the IRE 47, no. 11 (November 1959): 1913-16. https://doi.org/10.1109/jrproc.1959.287204.
    Bonenfant, Maude, et al. “Big Data, médiation Symbolique Et Gouvernementalité”. Big Data - Open Data : Quelles Valeurs ? Quels Enjeux ?, De Boeck Supérieur, 16 Oct. 2015, pp. 31-41. Crossref, https://doi.org/10.3917/dbu.chron.2015.01.0031.
    Canguilhem, Georges. Le Normal Et Le Pathologique. [], Presses Universitaires de France, 2013. Crossref, https://doi.org/10.3917/puf.cangu.2013.01.
    Colloc, J., and C. Sybord. “A Multi-Agent Approach to Involve Multiple Knowledge Models and the Case Base Reasoning Approach in Decision Support Systems”. Proceedings of the 35th Southeastern Symposium on System Theory, 2003., IEEE. Crossref, https://doi.org/10.1109/ssst.2003.1194567.
    Colloc, Joël. “Santé et Big Data : l’Etat et les individus, impuissants face aux pouvoirs des réseaux”. L’Espace Politique, no. 26, July 2015. Crossref, https://doi.org/10.4000/espacepolitique.3493.
    Colloc, Joël. “L’éthique Des systèmes d’information Autonomes Vers Une pensée Artificielle”. Les Cahiers Du numérique, vol. 12, no. 1-2, June 2016, pp. 187-11. Crossref, https://doi.org/10.3166/lcn.12.1-2.187-211.
    Conrad, Peter, and Kristin K. Barker. “The Social Construction of Illness: Key Insights and Policy Implications”. Journal of Health and Social Behavior, vol. 51, no. 1_suppl, Mar. 2010, pp. S67-S79. Crossref, https://doi.org/10.1177/0022146510383495.
    Corvol, Pierre. “Claude Bernard et la médecine expérimentale au Collège de France”. La lettre du Collège de France, no. 36, Dec. 2013, pp. 19-21. Crossref, https://doi.org/10.4000/lettre-cdf.1719.
    Della Mea, Vincenzo. “What Is E-Health (2): The Death of Telemedicine?”. Journal of Medical Internet Research, vol. 3, no. 2, June 2001, p. e22. Crossref, https://doi.org/10.2196/jmir.3.2.e22.
    de Dombal, F. T., et al. “Computer-Aided Diagnosis of Acute Abdominal Pain”. BMJ, vol. 2, no. 5804, BMJ, 1 Apr. 1972, pp. 9-13. Crossref, https://doi.org/10.1136/bmj.2.5804.9.
    de Dombal, F. T., et al. “Human and Computer-Aided Diagnosis of Abdominal Pain: Further Report With Emphasis on Performance of Clinicians”. BMJ, vol. 1, no. 5904, Mar. 1974, pp. 376-80. Crossref, https://doi.org/10.1136/bmj.1.5904.376.
    Ginsberg, Jeremy, et al. “Detecting Influenza Epidemics Using Search Engine Query Data”. Nature, vol. 457, no. 7232, Springer Science and Business Media LLC, Feb. 2009, pp. 1012-4. Crossref, https://doi.org/10.1038/nature07634.
    André, Elisabeth, et al., editors. “Affective Dialogue Systems”. Lecture Notes in Computer Science, Springer Berlin Heidelberg, 2004. Crossref, https://doi.org/10.1007/b98229.
    Jutel, Annemarie. Putting a Name to It. [], Johns Hopkins University Press, 2011. Crossref, https://doi.org/10.1353/book.1850.
    Ledley, Robert S., and Lee B. Lusted. “Reasoning Foundations of Medical Diagnosis”. Science, vol. 130, no. 3366, American Association for the Advancement of Science (AAAS), 3 July 1959, pp. 9-21. Crossref, https://doi.org/10.1126/science.130.3366.9.
    Ledley, Robert S. “Computer Aids to Medical Diagnosis”. JAMA: The Journal of the American Medical Association, vol. 196, no. 11, June 1966, p. 933. Crossref, https://doi.org/10.1001/jama.1966.03100240067015.
    Ouellet, Maxime, et al. “Big Data Et Quantification De Soi : La Gouvernementalité Algorithmique Dans Le Monde numériquement Administré”. Canadian Journal of Communication, vol. 40, no. 4, Nov. 2015. Crossref, https://doi.org/10.22230/cjc.2015v40n4a2869.
    Pickersgill, Martyn D. “Debating DSM-5: Diagnosis and the Sociology of Critique”. Journal of Medical Ethics, vol. 40, no. 8, Dec. 2013, pp. 521-5. Crossref, https://doi.org/10.1136/medethics-2013-101762.
    Raghupathi, Wullianallur, and Viju Raghupathi. “Big Data Analytics in Healthcare: Promise and Potential”. Health Information Science and Systems, vol. 2, no. 1, Feb. 2014. Crossref, https://doi.org/10.1186/2047-2501-2-3.
    Rouvroy, Antoinette, and Thomas Berns. “Gouvernementalité algorithmique et perspectives d’émancipation”. Réseaux, vol. n° 177, no. 1, 2013, p. 163. Crossref, https://doi.org/10.3917/res.177.0163.
    Shen, Ying, et al. “Emerging Medical Informatics With Case-Based Reasoning for Aiding Clinical Decision in Multi-Agent System”. Journal of Biomedical Informatics, vol. 56, Aug. 2015, pp. 307-1. Crossref, https://doi.org/10.1016/j.jbi.2015.06.012.
    Shortliffe, E. H., and T. C. Rindfleisch. “Presentation of the Morris F. Collen Award to Joshua Lederberg, PhD”. Journal of the American Medical Informatics Association, vol. 7, no. 3, May 2000, pp. 326-32. Crossref, https://doi.org/10.1136/jamia.2000.0070326.
    Sterling, Theodor D. “Is Medical Diagnosis a General Computer Problem?”. JAMA: The Journal of the American Medical Association, vol. 198, no. 3, Oct. 1966, p. 281. Crossref, https://doi.org/10.1001/jama.1966.03110160109032.
    Sybord, Christine. “Big Data Et Conception d’un système d’information d’aide à La décision Clinique. Vers Une Gestion Sociocognicielle De La Responsabilité médicale ?”. Les Cahiers Du numérique, vol. 12, no. 1-2, Lavoisier, 30 June 2016, pp. 73-107. Crossref, https://doi.org/10.3166/lcn.12.1-2.73-107.
    Warner, Homer. “The Use of an Analog Computer for Analysis of Control Mechanisms in the Circulation”. Proceedings of the IRE, vol. 47, no. 11, Nov. 1959, pp. 1913-6. Crossref, https://doi.org/10.1109/jrproc.1959.287204.

    Cette bibliographie a été enrichie de toutes les références bibliographiques automatiquement générées par Bilbo en utilisant Crossref.

    Références bibliographiques

    Anderson C., « The End of Theory : The Data Deluge Makes the Scientific Method Obsolete », Wired Magazine, juin 2008, (Texte en ligne : http://www.wired.com/2008/06/pb-theory/), consulté le 27 mai 2016.

    Atoui H., Conception de Systèmes Intelligents pour la Télémédecine Citoyenne, Thèse Informatique, INSA Lyon, 2006 (Texte en ligne : http://theses.insalyon.fr/publication/2006ISAL0059/these.pdf).

    Baudrillard J., Simulacres et simulation, Paris, Galilée, 1981.

    10.3917/dbu.chron.2015.01.0031 :

    Bonenfant M., Mondoux A., Ménard M. et Ouellet M., « Big Data, médiation symbolique et gouvernementalité », dans Broudoux E., Chartron G. (dir), Big Data – Open Data : Quelles valeurs, quels enjeux ?, De Boeck Supérieur, Coll. Information et stratégie, 2015, p. 31-41.

    Bonenfant M., Ouellet M., Ménard M. et Mondoux A., « Big Data and Governance », dans A Digital Janus : Looking Foward, Looking Back, Oxford, Interdisciplinary Press, 2014, p. 185-195.

    Chandler C., Cornes, R., « Biometric Meausurement of Human Emotions », International Journal of Computing Science and Communication Technologies, vol. 4, no 2, 2012.

    10.3917/puf.cangu.2013.01 :

    Canguilhem G., Le normal et le pathologique, Paris, PUF, 1966.

    Colloc, J., « Un système multi-agents neuronal : vers des systèmes d’information épigénétiques », Systèmes d’Information et Management, vol. 5, no 4, 2000, p. 55-72.

    Colloc J., Sybord C., « Représentation et apprentissage des processus de décision en médecine : une approche à base de cas », dans Ritschard, Berchtold, Duc et Zighed (dir.), Apprentissage : des principes naturels aux méthodes artificielles, Paris, Hermès, 1998.

    10.1109/SSST.2003.1194567 :

    Colloc J., Sybord C., « A Multi-Agent Approach to Involve Multiple Knowledge Models and the Case Base Reasoning Approach in Decision Support Systems », dans Proceedings of 35th IEEE Southeastern Symposium on System Theory SSST’ 03, Morgantown, 17-18 mars 2003, p. 247-251.

    10.4000/espacepolitique.3493 :

    Colloc J., « Santé et Big Data : l’État et les individus, impuissants face aux pouvoirs des réseaux », L’Espace Politique, Revue en ligne de géographie politique et de géopolitique, no 26, 2015.

    10.3166/lcn.12.1-2.187-211 :

    Colloc J., « L’éthique des systèmes d’information autonomes vers une pensée artificielle », dans Enjeux du big data et identifications des données médicales, les Cahiers du Numérique, Éditions Lavoisier, vol. 12, no 1-2, 2016, p. 87-211.

    10.1177/0022146510383495 :

    Conrad P., Barker K. K., « The social construction of illness : key insights and policy implications », Journal of Health and Social Behavior, vol. 51, no 1, 2001, suppl. p. 67-79.

    10.4000/lettre-cdf.1719 :

    Corvol P., « Claude Bernard et la médecine expérimentale au Collège de France », La lettre du Collège de France, no 36, décembre 2013 (Texte en ligne : http://lettre-cdf.revues.org/1719), consulté le 30 mai 2016.

    10.2196/jmir.3.2.e22 :

    Della Mea V., « What is e-Health : The death of telemedicine ? », Journal of Medical Internet Research, vol. 3, no 2, 2001.

    10.1136/bmj.2.5804.9 :

    De Dombal F.T., Leaper D., Staniland J.R., Mc Cann A.P., Horrocks J.C., « Computer aided diagnosis of acute abdominal pain », British Medicine Journal, no 2, 1972, p. 9-13.

    10.1136/bmj.1.5904.376 :

    De Dombal F.T., Leaper D.J., Horrocks J.J. et al., « Human and computer aided diagnosis of abdominal pain : further report with emphasis on performance of clinicians », British Medicine Journal, no 1, 1974, p. 376-380.

    Eco U., Sémiotique et philosophie du langage, Paris, PUF, 1988 [1984].

    Ellul J., La technique ou l’enjeu du siècle, Paris, Armand Colin, 1954.

    Foucault M., Folie et Déraison. Histoire de la folie à l’âge classique, Paris, Plon, 1961.

    Foucault M., Naissance de la clinique. Une archéologie du regard médical, Paris, PUF, 1963.

    Foucault M., « Leçon du 14 mars 1979 », dans Senellart M. (dir.), Naissance de la biopolitique : Cours au Collège de France, Paris, Gallimard/Seuil, 1978-1979, p. 221-244.

    Foucault M., Le gouvernement de soi et des autres : Cours au Collège de France (1982-1983), Paris, Seuil, 2008.

    Freitag M., Le naufrage de l’université et autres essais d’épistémologie politique, Québec, Nuit Blanche Éditeur, et Paris, La Découverte, 1995.

    Future of Life, Autonomous Weapons : An Open Letter From AI & Robotics Researchers, site de l’Institut Future of Life (Texte en ligne : http://futureoflife.org/open-letter-autonomous-weapons), juillet 2015.

    Galinon-Mélénec B., « Du diagnostic médical au diagnostic social, le signe-trace au fil des jours », dans Galinon-Mélénec B., L’Homme-trace. Perspectives anthropologiques des traces contemporaines, Paris, CNRS Éditions, série L’Homme-trace, tome I, 2011, p. 171-189.

    Galinon-Mélénec B., « Le numérique, entre innovations et risques », dans Galinon-Mélénec B., Zlitni S. (dir.), Traces numériques. De la production à l’interprétation, Paris, CNRS Éditions, série L’Homme– trace, tome II, 2013, p. 55-76.

    Galinon-Mélénec B., « Expérience incarnée, construction cognitive et jugement : Le rôle des « signes-traces » du corps dans la signification », dans Boutaud J.-J., Berthelot-Guiet K. (dir.), « La vie des signes au sein de la communication : vers une sémiotique communicationnelle », Revue Française des Sciences de l’Information et de la Communication, 2013 (Texte en ligne : http://rfsic.revues.org/487).

    10.1038/nature07634 :

    Ginsberg J., Mohebbi M. H., Patel R.S., Brammer L., Smolinski M.S., Brilliant L., « Detecting influenza epidemics using search engine query data », Nature, vol. 457, no 7232, 2009, p. 1012-1014.

    Gori R., Del Volgo M-J., La santé totalitaire : essai sur la médicalisation de l’existence, Paris, Denoël, 2004.

    10.1007/b98229 :

    Haag A., Goronzy S., Schaich P., Williams J., « Emotion recognition using bio-sensors : First Steps Towards an Automatic System », Lecture Notes in Computer Science, no 3068, 2004, p. 36-48.

    Ibm, IBM Watson Health, Accueil, site d’IBM (Texte en ligne : http://www.ibm.com/smarterplanet/us/en/ibmwatson/health/), consulté le 27 mai 2016.

    Institut Français de l’Ennéagramme, « Qu’est-ce que l’Ennéagramme ? », L’Ennéagramme, dans site de l’Institut français de l’Ennéagramme (Texte en ligne : http://www.enneagramme.com/Theorie/9_desc.htm), consulté le 14 septembre 2016.

    10.1353/book.1850 :

    Jutel A.G., Putting a name to it : Diagnosis in contemporary society, Baltimore, Johns Hopkins University Press, 2011.

    Kirkpatrick M., « Google CEO Schmidt : ‘‘People aren’t ready for the Technology Revolution’’ », Readwrite, 2010 (Texte en ligne : http://readwrite.com/2010/08/04/google_ceo_schmidt_people_arent_ready_for_the_tech/), consulté le 16 septembre 2016.

    10.1126/science.130.3366.9 :

    Ledley R.S., Lusted L.B., « Reasoning foundations of medical diagnosis », Science, vol. 130, no 3366, 1959, p. 9-21.

    10.1001/jama.1966.03100240067015 :

    Ledley R.S., « Computer aids to medical diagnosis », Journal of the American Medical Association, vol. 196, no 11, June 1996.

    Lipovetsky G., L’ère du vide : essais sur l’individualisme contemporain, Paris, Gallimard, 1983.

    Marr B., Big Data : Using SMART Big Data, Analytics and Metrics To Make Better Decisions and Improve Performance, New Jersey, John Wiley & Sons, 2015.

    Mayer-Schönberger V. et Cukier K., Big Data : A revolution that will transform how we live, work and think, London, John Murray Publishers, 2013.

    Microsoft Cognitive Services, Emotion Api. Home, dans site de la compagnie Microsoft (Texte en ligne : https://www.microsoft.com/cognitive-services/en-us/emotion-api), consulté le 16 septembre 2016.

    Mitchell J., From Telehealth to E-health : The Unstoppable Rise of E-Health, Canberra, Department of Communications, Information Technology and the Arts, 1999.

    Mumford L., Le Mythe de la machine, 2 volumes, Paris, Fayard, 1967-1970.

    10.22230/cjc.2015v40n4a2869 :

    Ouellet M., Ménard M., Bonenfant M. et Mondoux A., « Big Data et quantification de soi : La gouvernementalité algorithmique dans le monde numériquement administré », Canadian Journal of Communication, vol. 40, no 4, 2015, p. 597-613.

    Peirce C.S., Collected papers of Charles Sanders Peirce, Cambridge, Mass., Harvard University Press, 1974.

    10.1136/medethics-2013-101762 :

    Pickersgill M.D., « Debating DSM-5 : diagnosis and the sociology of critique », Journal of Medical Ethics, vol. 40, no 8, 2014, p. 521-525.

    10.1186/2047-2501-2-3 :

    Raghupathi W., Raghupathi V., « Big data analytics in healthcare : promise and potential », Health Information Science and Systems, vol. 2, no 3, 2014, p. 1-10.

    10.3917/res.177.0163 :

    Rouvroy A., Berns T., « Gouvernementalité algorithmique et perspectives d’émancipation », Réseaux, no 1, 2013, p. 163-196.

    10.1016/j.jbi.2015.06.012 :

    Shen Y., Colloc J., Jacquet-Andrieu A., Lei K., « Emerging Medical Informatics with Case-Based Reasoning for Aiding Clinical Decision in Multi-Agent System », Journal of Biomedical Informatics, vol. 56, 2015, p. 307-317.

    Shortliffe E.H., Computer-Based Medical Consultations : MYCIN, New York, Elsevier, Artificial intelligence series, 1976.

    10.1136/jamia.2000.0070326 :

    Shortliffe E.H., Rindfleisch T.C., « Presentation of the Morris F. Collen Award to Joshua Lederberg, PhD », Journal of the American Medical Informatics Association, vol. 7, no 3, 2000, p. 326-332.

    Simondon G., Du mode d’existence des objets techniques, Paris, Aubier, 1958.

    Skrabanek P., La fin de la médecine à visage humain, Paris, Odile Jacob, 1995.

    10.1001/jama.1966.03110160109032 :

    Sterling T.D., Nickson J., Seymour V.P., « Is Medical Diagnosis a General Computer Problem ? », Journal of the American Medical Association, vol. 198, no 3, 1966, p. 281-286.

    Stiegler B., La technique et le temps, vol. 2 : La désorientation, Paris, Galilée, 1996.

    Stiegler B., La technique et le temps, vol. 3 : Le temps du cinéma et la question du mal-être, Paris, Galilée, 2004.

    10.3166/lcn.12.1-2.73-107 :

    Sybord C., « Big Data et conception d’un système d’information d’aide à la décision clinique : vers une gestion sociocogniticielle de la responsabilité médicale ? », Les Cahiers du numérique, Enjeux du Big Data et identification des données médicales, vol. 12, no 1, 2015, p. 73-108.

    10.1109/JRPROC.1959.287204 :

    Warner H.R., « The use of an analog computer for analysis of control mechanisms in the circulation », Proceedings of the IRE, vol. 47, no 11, 1959, p. 1913-1916.

    Notes de bas de page

    1 « L’interface du programme d’application (API) Emotion prend une expression faciale dans une image comme une source d’information et renvoie la confidence sous forme d’un ensemble d’émotions pour chaque visage dans l’image » (Microsoft Cognitive Services, 2016).

    2 Ibid.

    3 « 5 exabytes d’information ont été créés depuis le début de la civilisation jusqu’à 2003, mais cette quantité d’information est maintenant créée àtous les deux jours et ce rythme s’accélère sans cesse. »

    4 « L’analytique du Big Data a le potentiel d’améliorer les soins, de sauver des vies et de diminuer les coûts. Par ailleurs, les applications de l’analytique de Big Data dans le domaine de la santé bénéficient de l’explosion des données pour extraire des informations permettant de formuler de meilleures décisions ».

    5 « Depuis quelque temps, il est devenu de plus en plus apparent que les ordinateurs électroniques peuvent aider sur certains aspects du diagnostic médical et dans le traitement des données médicales ».

    6 « Un dispositif à travers lequel les individus “se construisent” eux-mêmes et les uns et les autres. »

    7 « Starting a military AI arms race is a bad idea, and should be prevented by a ban on offensive autonomous weapons beyond meaningful human control. », Future of Life Institute : http://futureoflife.org/open-letter-autonomous-weapons/.

    Auteurs

    • Joël Colloc

      Médecin, Professeur des universités, Informatique
      NORMANDIE UNIV, UNIHAVRE, UNICAEN, UNIROUEN, CNRS, IDEES, UMR 6266.
      http://www.litislab.fr/
      joel.colloc@univ-lehavre.fr

    • Maude Bonenfant

      Professeur des universités, Sciences de l’Information et de la communication
      Université du Québec à Montréal
      http://www.uqam.ca
      maudebonenfant@hotmail.com

    Précédent Suivant
    Table des matières

    Le texte seul est utilisable sous licence Licence OpenEdition Books. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    L'Asie-monde

    L'Asie-monde

    Chroniques sur l'Asie et le Pacifique 2002-2011

    Jean-François Sabouret (dir.)

    2011

    La Turquie au Moyen-Orient

    La Turquie au Moyen-Orient

    Le retour d’une puissance régionale ?

    Dorothée Schmid (dir.)

    2011

    The Asian side of the world

    The Asian side of the world

    Editorials on Asia and the Pacific 2002-2011

    Jean-François Sabouret (dir.)

    2012

    L'Asie-Monde - II

    L'Asie-Monde - II

    Chroniques sur l'Asie et le Pacifique 2011-2013

    Jean-François Sabouret (dir.)

    2015

    The Asian side of the world - II

    The Asian side of the world - II

    Chronicles of Asia and the Pacific 2011-2013

    Jean-François Sabouret (dir.)

    2015

    Le Président de la Ve République et les libertés

    Le Président de la Ve République et les libertés

    Xavier Bioy, Alain Laquièze, Thierry Rambaud et al. (dir.)

    2017

    De la volatilité comme paradigme

    De la volatilité comme paradigme

    La politique étrangère des États-Unis vis-à-vis de l'Inde et du Pakistan dans les années 1970

    Thomas Cavanna

    2017

    L'impossible Présidence impériale

    L'impossible Présidence impériale

    Le contrôle législatif aux États-Unis

    François Vergniolle de Chantal

    2016

    La révolution néolithique dans le monde

    La révolution néolithique dans le monde

    Jean-Paul Demoule (dir.)

    2010

    Sous les images, la politique…

    Sous les images, la politique…

    Presse, cinéma, télévision, nouveaux médias (xxe-xxie siècle)

    Isabelle Veyrat-Masson, Sébastien Denis et Claire Secail (dir.)

    2014

    Pratiquer les frontières

    Pratiquer les frontières

    Jeunes migrants et descendants de migrants dans l’espace franco-maghrébin

    Françoise Lorcerie (dir.)

    2010

    Les rhétoriques de la conspiration

    Les rhétoriques de la conspiration

    Emmanuelle Danblon et Loïc Nicolas (dir.)

    2010

    Voir plus de livres
    1 / 12
    L'Asie-monde

    L'Asie-monde

    Chroniques sur l'Asie et le Pacifique 2002-2011

    Jean-François Sabouret (dir.)

    2011

    La Turquie au Moyen-Orient

    La Turquie au Moyen-Orient

    Le retour d’une puissance régionale ?

    Dorothée Schmid (dir.)

    2011

    The Asian side of the world

    The Asian side of the world

    Editorials on Asia and the Pacific 2002-2011

    Jean-François Sabouret (dir.)

    2012

    L'Asie-Monde - II

    L'Asie-Monde - II

    Chroniques sur l'Asie et le Pacifique 2011-2013

    Jean-François Sabouret (dir.)

    2015

    The Asian side of the world - II

    The Asian side of the world - II

    Chronicles of Asia and the Pacific 2011-2013

    Jean-François Sabouret (dir.)

    2015

    Le Président de la Ve République et les libertés

    Le Président de la Ve République et les libertés

    Xavier Bioy, Alain Laquièze, Thierry Rambaud et al. (dir.)

    2017

    De la volatilité comme paradigme

    De la volatilité comme paradigme

    La politique étrangère des États-Unis vis-à-vis de l'Inde et du Pakistan dans les années 1970

    Thomas Cavanna

    2017

    L'impossible Présidence impériale

    L'impossible Présidence impériale

    Le contrôle législatif aux États-Unis

    François Vergniolle de Chantal

    2016

    La révolution néolithique dans le monde

    La révolution néolithique dans le monde

    Jean-Paul Demoule (dir.)

    2010

    Sous les images, la politique…

    Sous les images, la politique…

    Presse, cinéma, télévision, nouveaux médias (xxe-xxie siècle)

    Isabelle Veyrat-Masson, Sébastien Denis et Claire Secail (dir.)

    2014

    Pratiquer les frontières

    Pratiquer les frontières

    Jeunes migrants et descendants de migrants dans l’espace franco-maghrébin

    Françoise Lorcerie (dir.)

    2010

    Les rhétoriques de la conspiration

    Les rhétoriques de la conspiration

    Emmanuelle Danblon et Loïc Nicolas (dir.)

    2010

    Accès ouvert

    Accès ouvert freemium

    ePub

    PDF

    PDF du chapitre

    Suggérer l’acquisition à votre bibliothèque

    Acheter

    Édition imprimée

    • amazon.fr
    • decitre.fr
    • mollat.com
    • leslibraires.fr
    • placedeslibraires.fr
    ePub / PDF

    1 « L’interface du programme d’application (API) Emotion prend une expression faciale dans une image comme une source d’information et renvoie la confidence sous forme d’un ensemble d’émotions pour chaque visage dans l’image » (Microsoft Cognitive Services, 2016).

    2 Ibid.

    3 « 5 exabytes d’information ont été créés depuis le début de la civilisation jusqu’à 2003, mais cette quantité d’information est maintenant créée àtous les deux jours et ce rythme s’accélère sans cesse. »

    4 « L’analytique du Big Data a le potentiel d’améliorer les soins, de sauver des vies et de diminuer les coûts. Par ailleurs, les applications de l’analytique de Big Data dans le domaine de la santé bénéficient de l’explosion des données pour extraire des informations permettant de formuler de meilleures décisions ».

    5 « Depuis quelque temps, il est devenu de plus en plus apparent que les ordinateurs électroniques peuvent aider sur certains aspects du diagnostic médical et dans le traitement des données médicales ».

    6 « Un dispositif à travers lequel les individus “se construisent” eux-mêmes et les uns et les autres. »

    7 « Starting a military AI arms race is a bad idea, and should be prevented by a ban on offensive autonomous weapons beyond meaningful human control. », Future of Life Institute : http://futureoflife.org/open-letter-autonomous-weapons/.

    L'Homme-trace

    X Facebook Email

    L'Homme-trace

    Ce livre est diffusé en accès ouvert freemium. L’accès à la lecture en ligne est disponible. L’accès aux versions PDF et ePub est réservé aux bibliothèques l’ayant acquis. Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks

    Suggérer l’acquisition à votre bibliothèque Acheter ce livre aux formats PDF et ePub

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    L'Homme-trace

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Colloc, J., & Bonenfant, M. (2017). Des traces humaines dans le Big Data : du diagnostic médical à la transduction machinique du corps. In B. Galinon-Melenec (éd.), L’Homme-trace (1‑). CNRS Éditions. https://doi.org/10.4000/books.editionscnrs.29851
    Colloc, Joël, et Maude Bonenfant. « Des traces humaines dans le Big Data : du diagnostic médical à la transduction machinique du corps ». In L’Homme-trace, édité par Béatrice Galinon-Melenec. Paris: CNRS Éditions, 2017. https://doi.org/10.4000/books.editionscnrs.29851.
    Colloc, Joël, et Maude Bonenfant. « Des traces humaines dans le Big Data : du diagnostic médical à la transduction machinique du corps ». L’Homme-trace, édité par Béatrice Galinon-Melenec, CNRS Éditions, 2017, https://doi.org/10.4000/books.editionscnrs.29851.

    Référence numérique du livre

    Format

    Galinon-Melenec, B. (éd.). (2017). L’Homme-trace (1‑). CNRS Éditions. https://doi.org/10.4000/books.editionscnrs.29821
    Galinon-Melenec, Béatrice, éd. L’Homme-trace. Paris: CNRS Éditions, 2017. https://doi.org/10.4000/books.editionscnrs.29821.
    Galinon-Melenec, Béatrice, éditeur. L’Homme-trace. CNRS Éditions, 2017, https://doi.org/10.4000/books.editionscnrs.29821.
    Compatible avec Zotero Zotero

    1 / 3

    CNRS Éditions

    CNRS Éditions

    • Mentions légales
    • Plan du site
    • Se connecter

    Suivez-nous

    • Facebook
    • X
    • Flux RSS

    URL : http://www.cnrseditions.fr

    Email : cnrseditions@cnrseditions.fr

    Adresse :

    15 rue Malebranche

    75005

    Paris

    France

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement