Version classiqueVersion mobile

L’épistémologie historique

 | 
Jean-François Braunstein
, 
Iván Moya Diez
, 
Matteo Vagelli

Objets épistémiques, savoirs, sciences

L’émergence de l’épistémè computationnelle en médecine

Mathieu Corteel

Texte intégral

1À partir des analyses menées dans Les mots et les choses (1966), Foucault organise l’ensemble de son épistémologie historique – initiée avec sa thèse d’État Folie et déraison, histoire de la folie à l’âge classique soutenue en mai 1961 – autour de la notion d’épistémè. Cette notion permet à Foucault d’unifier ses travaux autour d’une méthode archéologique qui usera de l’archive afin de relever l’apriorité historique qui parcourt les discours scientifiques d’une époque précise. La discursivité dans le jeu historique de la discontinuité se révélera organisée, comme par effet de contraste, par un ensemble de conditions de possibilités distinctes selon les époques. L’ordre du discours classique différera du discours moderne selon un ordre spécifique qui fait émerger la positivité d’un savoir. L’intérêt heuristique de cette approche singulière de l’épistémologie historique apparaît dans la capacité à mettre en lumière des types de transformations qui ont eu cours dans la formulation du discours scientifique. Foucault remplace ainsi le thème du devenir historique par celui de l’épistémè afin de comprendre l’organisation du savoir par delà ses effets de surface, dans les labyrinthes des énonciations du « vrai ».

  • 1 M. Foucault, Les mots et les choses. Une archéologie des sciences humaines, Paris, Gallimard, 1966, (...)

Il ne sera donc pas question de connaissances décrites dans leur progrès vers une objectivité dans laquelle notre science d’aujourd’hui pourrait enfin se reconnaître ; ce qu’on voudrait mettre au jour, c’est le champ épistémologique, l’épistémè où les connaissances, envisagées hors de tout critère se référant à leur valeur rationnelle ou à leurs formes objectives, enfoncent leur positivité et manifestent ainsi une histoire qui n’est pas celle de leur perfection croissante, mais plutôt celle de leurs conditions de possibilité ; en ce récit, ce qui doit apparaître, ce sont, dans l’espace du savoir, les configurations qui ont donné lieu aux formes diverses de la connaissance empirique. Plutôt que d’une histoire au sens traditionnel du mot, il s’agit d’un archéologie1.

  • 2 M. Foucault, L’archéologie du savoir, Paris, Gallimard (Bibliothèque des sciences humaines), 1969, (...)
  • 3 M. Foucault, « Réponse à une question », Esprit, 371, mai 1968.

2Contre la genèse, la continuité et la totalisation de l’histoire des idées, Foucault va mettre en évidence l’émergence d’un ordre dans l’énonciation du savoir. L’épistémè relève les conditions de possibilité de la pratique du savoir théorique sans renvoi à la fonction donatrice du sujet – qui projette sur l’histoire une structure téléologique. Par cet effacement du thème anthropologique, Foucault met en lumière les failles et les instabilités du savoir qui se répercutent dans notre présent. Dans une dynamique de recherche portant sur le passé, ce sont les strates des discours scientifiques actuels qui se révèlent dans leur teneur propre par rémanence. Ainsi, l’approche d’une médecine des données numériques pourrait se faire dans un retour à la formation du discours nominaliste sur la maladie – qui apparaît au xixe siècle avec le tournant clinique. Bien que Foucault ne thématise pas l’épistémè dans Naissance de la clinique, il revient sur cet ouvrage dans L’archéologie du savoir en mettant en évidence que sa recherche dépasse la mise en lumière d’un « style » propre à la discursivité médicale du xixe siècle. Car si style il y a, il apparaît selon Foucault dans sa disparition. « Si on voulait définir ce discours par un système codifié et normatif, il faudrait reconnaître que cette médecine s’est défaite aussitôt qu’elle est apparue et qu’elle n’a guère trouvé à se formuler que chez Bichat et Laennec2. » La naissance de la clinique en tant que système clos de discours n’est concevable que par la mort de la clinique. Seulement, comme l’indique Foucault, l’épistémè ce n’est pas « la sommes des connaissances, ou le style général de ses recherches, mais l’écart, les distances, les oppositions, les différences, les relations de ses multiples discours scientifiques. L’épistémè n’est pas une sorte de grande théorie sous-jacente, c’est un espace de dispersion, c’est un champ ouvert3 ». Ainsi, il ne faut pas tomber dans le piège et réduire l’épistémè qui traverse la médecine clinique au système de l’énonciation descriptive. Foucault en fait lui même l’hypothèse : l’énonciation descriptive clinique n’a cessé de se déplacer ; effaçant progressivement cette position de sujet regardant propre au clinicien.

  • 4 M. Foucault, L’archéologie du savoir, op. cit., p. 47-48.

Cette description n’a cessé de se déplacer : soit parce que, de Bichat à la pathologie cellulaire, on a déplacé les échelles et les repères ; soit parce que, de l’inspection visuelle, de l’auscultation et de la palpation à l’usage du microscope et des tests biologiques, le système de l’information a été modifié ; soit encore parce que, de la corrélation anatomo-clinique simple à l’analyse fine des processus physiopathologique, le lexique des signes et de leur déchiffrement a été entièrement reconstitué ; soit enfin parce que le médecin a peu à peu cessé d’être lui-même le lieu d’enregistrement et d’interprétation de l’information, et parce qu’à côté de lui, en dehors de lui, se sont constitués des masses documentaires, des instruments de corrélation et des techniques d’analyse, qu’il a, certes, à utiliser, mais qui modifient, à l’égard du malade, sa position de sujet regardant4.

3Cela me semble permettre l’ouverture de l’archéologie du regard médical vers la médecine contemporaine. Le déplacement narratif, dont parle ici Foucault, qui conduit à la cessation du médecin comme lieu d’enregistrement et d’interprétation de l’information, prolonge la portée de l’épistémè à l’œuvre dans la médecine clinique du xixe siècle. Au-delà du style clinique, Foucault ouvre la recherche archéologique en posant cette question qui sera structurante pour la logique de cet article.

  • 5 Ibid., p. 48.

Si unité il y a, le principe n’en est donc pas une forme déterminée d’énoncés ; ne serait-ce pas plutôt l’ensemble des règles qui ont rendu simultanément ou tour à tour possibles des descriptions purement perceptives, mais aussi des observations médiatisées par des instruments, des protocoles d’expériences de laboratoires, des calculs statistiques, des constatations épidémiologiques ou démographiques, des règlements institutionnels, des prescriptions thérapeutiques5 ?

4L’ordre du discours qui apparaît au xixe siècle avec la médecine clinique est à comprendre à mon sens dans l’ouverture simultanée de l’ausculation sensible et de la médiation par le stéthoscope de Laennec. Et, plus important encore, elle est à comprendre dans le doublet cognitif et computationnel qui permet la formulation des diagnostics et des pronostics. C’est précisément ce double que je me propose ici d’étudier en mettant en évidence l’émergence de ce que je nomme l’épistémè computationnelle, qui est une discursivité scientifique particulière en médecine, car elle est entretenue dans un rapport entre le numérique et le verbal. Comme nous le verrons dans son déploiement historique, cette épistémè se sépare progressivement de l’énonciation du savoir humain pour devenir l’être de la machine.

  • 6 J. Piquemal, Essais et leçons d’histoire de la médecine et de la biologie, Paris, PUF, 1993. Voir l (...)

5En se défaisant de l’ordre des maladies dans le jardin des espèces linnéennes, la médecine clinique laissa transparaître, à travers le regard du praticien, les variations pathologiques propices au calcul de probabilités. L’attention portée aux fréquences des signes morbides va permettre progressivement à la mathématique de trouver une application dans le domaine médical. L’usage des statistiques pour réguler la population ouvre la médecine aux probabilités. Les statistiques qui se sont développées autour de l’épidémiologie au xviie siècle avec les travaux de John Graunt, notamment Natural and Political Observations Made Upon the Bill of Mortality, définirent la population en tant que phénomène naturel à normer. Avec les recherches sur les saignées de Pierre-Charles Alexandre Louis (1787-1892) et la méthode numérique de la Société médicale d’observation6, cette naturalisation permit de comprendre l’individu sous fond de population. Les études comparatives de la population naquirent de cette organisation normative du savoir. En développant les études cliniques randomisées du début du xixe siècle, on mêla le calcul de probabilités à l’étude de groupe.

6Le système de l’information s’est ensuite organisé sur les preuves (Evidence Based Medicine) en accumulant les résultats des données cliniques à une échelle populationnelle. Cela permet depuis au praticien d’intégrer les preuves issues de la recherche à l’expertise clinique individuelle. À mon sens, cette épidémiologie clinique, qui intègre les statistiques dans le rapport singulier entre praticien et patient, manifeste l’institution d’une organisation de la computation dans le savoir clinique. Seulement, la concrétisation de ce savoir est tardive. Au milieu du xxe siècle, les théories de l’information et la cybernétique la rendirent possible par le contrôle du probable sous les traits de la néguentropie – diffuse dans l’animal, l’homme et la machine. Sous la forme de systèmes d’aide à la décision médicale (SADM) se développe une métaphore computationnelle mêlant indifféremment la cognition du médecin et la computation de la machine. On tend ainsi, par l’usage de la loi des grands nombres, de la méthode bayésienne et des logiques du flou, à modéliser la formulation cognitive de diagnostic et pronostic. Cela sera abandonné dans les années 1980 quand les capacités combinatoires de la machine dépasseront celle de l’humain. L’on s’intéresse dès lors à la modélisation des données, au stockage d’information et à l’imagerie. À partir des années 2010, le développement du data mining permettant d’établir des corrélations sur un très grand nombre de données hétérogènes à très grande vitesse initie le big data en médecine.

7Sur fond d’une incertitude provenant de l’abandon de l’essentialisme nosographique se dessine à grands traits ce qui, dans le double du savoir clinique, prépare son dépassement. Il ne s’agit pas ici de délimiter le savoir clinique, mais plutôt de relever ce qui en son sein déborde son existence – la computation. À mon sens, il y a dans l’épistémè à l’œuvre dans la médecine du xixe siècle quelque chose de l’ordre de la computation que l’on retrouve dans l’usage des probabilités et des statistiques. Comment donc la computation se forme-t-elle dans la discursivité médicale ? En quoi cette discursivité s’autonomise-t-elle progressivement de la cognition ?

Le transfert des formes de l’intelligibilité en médecine clinique

  • 7 J.-N. Corvisart, « Préface à la traduction d’Auenbrugger », dans Nouvelle méthode pour reconnaître (...)
  • 8 M. Foucault, Naissance de la clinique, Paris, PUF, 2009, p. 93.

8Le tournant clinique du xixe siècle, qui se défait de la nosographie des espèces morbides, va se développer sur le principe de l’incertitude. Selon la célèbre formule de Corvisart : « toute théorie se tait ou s’évanouit toujours au lit du malade7 ». L’épistémologie médicale s’établit dès lors dans l’aveu d’une faiblesse face à la multiplicité des manifestations morbides. Pour ne pas réduire ces dernières dans des catégories trop étroites, la médecine clinique va établir son savoir à partir de nouveaux outils sémiotiques et sémantiques. L’ars medicinae se tourne vers des degrés de certitude autres par la précision descriptive de la profondeur des corps. La logique de composition des pathologies est décrite par l’approche nominale et incorporée du regard. La sémantique qui spatialise et la sémiotique qui temporalise les maladies dans la positivité du discours médical s’ordonne à une rigueur descriptive pour définir ses jugements. Le praticien produit par l’inférence empirique des symptômes un jugement synthétique a posteriori que l’on nomme « diagnostic » – il spatialise la maladie dans le discours. Puis, par le concours temporel de sa conscience, il produit une perception des fréquences autour des signes de la maladie. Il tend ainsi à restituer la logique de composition de la maladie par la formulation d’un jugement synthétique a priori qui ordonne l’ensemble des signes dans la formulation du pronostic. Comme l’écrit Foucault : « Le symptôme devient donc signe sous un regard sensible à la différence, à la simultanéité ou à la succession, et à la fréquence. Opération spontanée différentielle, vouée à la totalisation et à la mémoire, calculatrice aussi ; acte par conséquent qui joint, en un seul mouvement, l’élément et la liaison des éléments entre eux8. » Ce jugement propre à la cognition du médecin contient déjà en lui-même quelque chose de l’ordre du calcul de probabilités.

  • 9 Ibid., p. 97-98.

La médecine découvre que l’incertitude peut être traitée, analytiquement, comme la somme d’un certain nombre de degrés de certitude isolables et susceptibles d’un calcul rigoureux […] la probabilité est sans cesse invoquée, comme forme d’explication ou de justification, mais le degré de cohérence qu’elle atteint est faible. La raison n’est pas dans la théorie mathématique mais dans les conditions qui pouvaient la rendre applicable9.

9Cette incertitude au fondement de la médecine clinique trouvera dans le calcul de probabilités les moyens d’accroître la certitude par les nombres. Seulement, les conditions d’application sont rendues difficiles par l’organisation encore lacunaire de l’hôpital et l’orthodoxie hippocratique des cliniciens. Bien que les statistiques, depuis le xviie siècle, aient trouvé un domaine d’application en épidémiologie avec les taux de mortalité et de natalité développés par William Petty et John Graunt, il est plus difficile à l’époque d’organiser les données nosologiques au-delà des actes de naissance et de décès. Toutefois, les travaux sur les taux de mortalité ayant une dimension proprement politique, ils engendrèrent une restructuration du dispositif médical pour lutter contre les épidémies. La mise en évidence statistique des épidémies devait se faire au-delà de l’étude individuelle. C’est par la naturalisation de la population que se développe la régulation statistique des maladies. Avec le développement des méthodes combinatoires de Jacques Bernoulli et de Thomas Bayes au xviiie siècle, se développe l’idée que « le hasard corrige le hasard ». Cela va élargir la perspective régulatrice des épidémies aux dimensions de la population.

  • 10 Ibid., p. 29.

Ce qui constitue maintenant l’unité du regard médical, ce n’est pas le cercle du savoir dans lequel il s’achève, mais cette totalisation ouverte, infinie, mouvante, sans cesse déplacée et enrichie par le temps, dont il commence le parcours sans pouvoir l’arrêter jamais : déjà une sorte d’enregistrement clinique de la série infinie et variables des événements. Mais son support n’est pas la perception du malade en sa singularité, c’est une conscience collective de toutes les informations qui se croisent poussant en une ramure complexe et toujours foisonnante, agrandie enfin aux dimensions d’une histoire, d’une géographie, d’un État10.

  • 11 J.-F. Braunstein, Broussais et le matérialisme. Médecine et philosophie au xixe siècle, Paris, Méri (...)
  • 12 Cité par E. H. Ackerknecht, Medicine at the Paris Hospital, 1794-1848, Baltimore, The John Hopkins (...)
  • 13 P. C. A. Louis, Recherches sur les effets de la saignée dans quelques maladies inflammatoires et su (...)

10La sériation indéfinie du temps et des individus naturalise la population. Un premier double fomente ici l’épistémè computationnelle depuis sa provenance. L’individu-population cadre l’ordre du discours. Les traitements particuliers sont alliés aux statistiques portant sur une population naturalisée. L’exemple du débat sur les saignés entre Pierre-Charles Louis et François Broussais le montre bien11. La pratique de la saignée coup sur coup pour le traitement des fièvres défendue par Broussais – alors très influent – fut contestée par le calcul statistique. Louis qui considère, à l’inverse de Broussais, que les statistiques constituent « la base unique et fondamentale de toutes les sciences médicales12 », développa une approche quantitative des fièvres. Ce dernier accumula des centaines de fiches de patients au cours d’activités cliniques à l’hôpital de La Charité et des actes d’autopsie qui lui permirent d’établir des conclusions sur les soins adéquats pour le traitement des fièvres. Il utilisa 77 fiches de patients ayant eu la pleuropneumonie – que l’on a traité par des saignés. Il put ainsi comparer le pourcentage de mortalité des patients sur qui l’on avait pratiqué une saignée lors des premiers jours de la maladie et ceux sur qui la saignée avait été pratiquée à partir du cinquième jour. Il en conclut que les saignées sont néfastes au début du traitement. Il s’agit d’en limiter la pratique par la preuve numérique. « Ainsi, l’étude des symptômes généraux et locaux, la mortalité et les variations de la durée moyenne de la pneumonie, suivant l’époque à laquelle les émissions sanguines furent commencées ; tout dépose des bornes étroites de l’utilité de ce moyen de traitement dans la pneumonie13. »

11Les études comparatives à partir de données cliniques numérisées permirent à partir du xixe siècle d’améliorer les traitements individuels des patients. Plus célèbres, les études comparatives de Semmelweis sur les fièvres puerpérales organisèrent l’hygiène dans les pratiques d’accouchement – non sans opposition de la part des obstétriciens qui ne donnait aucun crédit à ses preuves numériques. Ces quelques exemples constituent la préhistoire des essais cliniques randomisés (Random control trial) – qui s’organisent en double aveugle sur des groupes –, et de la médecine fondée sur les preuves (Evidence based medicine) – qui use des connaissances de nombreuses recherches pour personnaliser le traitement.

  • 14 M. Foucault, Naissance de la clinique, op. cit., p. 89.
  • 15 Ibid., p. 90.

12La relation visible-invisible du nominalisme clinique articule une seconde duplicité. La « lecture active » – qui lit la maladie dans l’opacité du corps – duplique le corps dans sa profondeur. Le visible met au jour l’invisible par palpation, écoute, gustation et olfaction – le symptôme se donne au sens. « Le symptôme – de là sa place royale – est la forme sous laquelle se présente la maladie : de tout ce qui est visible, il est le plus proche de l’essentiel ; et de l’inaccessible nature de la maladie, il est la transcription première14. » Par la suite, le symptôme converti en signe va définir une nouvelle dimension éloignée du phénomène morbide. Il se sépare de l’aspect phénoménal de l’approche clinique. Se développe alors une logique transcendantale qui restitue un ordre de composition pathologique par un jeu de synthèses. Le signe constitue temporellement la morbidité. Il définit la positivité du savoir clinique par la formulation de jugements synthétiques a priori à portée prédictive. « À travers l’invisible, le signe indique le plus loin, l’en dessous, le plus tard. En lui, il est question de l’issue, de la vie et de la mort, du temps et non de cette vérité immobile, de cette vérité donnée et cachée, que les symptômes restituent en leur transparence de phénomène15. »

  • 16 M. Foucault, Naissance de la clinique, op. cit., p. 145.

13Le signe est dynamique ; il se perçoit dans le rythme des battements cardiaques ou dans le mouvement respiratoire. Par temporalisation, c’est la logique de composition de la maladie qui apparaît. La maladie n’apparaît que dans le double sémantique et sémiotique qui s’organise dans la conscience du médecin, témoin des manifestations morbides. Les diagnostics et pronostics en médecine clinique sont ainsi le résultat d’une approche nominale de la maladie. Avec le développement de l’anatomo-pathologie de Bichat et Laennec, le signe change de rapport sémiotique. Il ne signifie plus une maladie mais une lésion des tissus. À partir du moment où la mort est comprise comme processus distinct de la vie et de la maladie, les lésions mettent en évidence les relations entre les diverses affections organiques. « Les processus de la mort qui ne s’identifient ni à ceux de la vie ni à ceux de la maladie sont de nature pourtant à éclairer les phénomènes organiques et leurs perturbations16. » Ce que Bichat va établir, c’est une mise en relief des organes et de leurs affections par le processus de la mort. À partir de cela, le statut sémiotique change. Le mutisme des symptômes peut être contourné. De même, Laennec, avec le développement du stéthoscope, parvient à prélever le signe en l’absence de symptôme. Les lésions asymptomatiques telles que les arythmies cardiaques se manifestent dans l’invisible. L’invisible rend visible. L’anatomo-pathologie modifie l’ordre de la clinique en établissant un rapport sémiotique définit par la profondeur du corps. Par la temporalité du signe, c’est une nouvelle spatialité qui apparaît dans les strates tissulaires et qui déconstruit l’essence de la maladie. En un sens, cette nouvelle approche sémiotique fonde une certitude qui, par delà l’aspect probabilitaire du savoir médical, dessine des certitudes anatomo-pathologiques.

  • 17 Ibid., p. 163-164.

Pour Laennec, la valeur du signe n’a plus de rapport avec l’extension symptomatique ; son caractère marginal, restreint, presque imperceptible, lui permet de traverser, comme de biais, le corps visible de la maladie (composé d’éléments généraux et incertains) et d’en atteindre d’un trait la nature. Par le fait même, il se dépouille de la structure statistique qu’il avait dans la perception clinique pure […] le signe ne peut donc renvoyer à une actualité lésionnelle, et jamais à une essence pathologique17.

  • 18 M. Foucault, BNF, Archives, boîte xci, Cahier vert 2 avril 1961.

14L’aspect strictement nominal de l’anatomo-pathologie efface le probable qui l’a vu naître. Du probable on n’obtient que du probable ; du nombre, que du nombre. Les statistiques n’ont pas leur place dans l’ordre du savoir clinique. Michel Foucault définit lui-même dans ses cahiers la médecine clinique comme « une méthode statistique occultée18 ». La conscience du praticien élude la computation dans la pratique théorique de Laennec et de Bichat.

  • 19 M. Foucault, Naissance de la clinique, op. cit., p. 105.

15La méthode numérique s’élude par la duplicité de la cognition-computation. Il se produit dans le regard clinique quelque chose qui a trait à une probabilité subjective. Par la prise en compte des fréquences, les pronostics s’articulent par un usage latent du calcul de probabilités. « La clinique ouvre un champ rendu visible par l’introduction dans le domaine pathologique de structures grammaticales et probabilitaires19. » Cette double organisation épistémique s’établit dans ce que Foucault nomme un transfert des formes de l’intelligibilité. La subjectivité est formalisée.

  • 20 Ibid.

Le modèle grammatical, acclimaté dans l’analyse des signes, reste implicite et enveloppé sans formalisation au fond du mouvement conceptuel : il s’agit du transfert des formes de l’intelligibilité. Le modèle mathématique est toujours implicite et invoqué ; il est présent comme principe de cohérence d’un processus conceptuel qui s’est accompli hors de lui : il s’agit de l’apport du thème de formalisation. Mais cette ambiguïté fondamentale n’est pas éprouvée comme telle20.

16La formalisation mathématique établit implicitement des modélisations morbides par la combinatoire des signes. En cela il y a un double rapport latent dans l’approche clinique entre cognition et computation qui n’est pas éprouvé en tant que tel par le médecin. Il est intéressant de remarquer que le double de la computation et le double de la population sont élidés dans l’approche anatomique de Bichat et Laennec. Ces derniers établissent ainsi un différenciation dans l’ordre du savoir. Il y a un rejet de la computation et de la population dans la positivité du savoir anatomo-pathologique, car ces thèmes lèsent la singularité de l’approche clinique. Dès le xixe siècle, la computation et la cognition vont définir une dynamique d’identité et de différence. La probabilité subjective occulte la formalisation mathématique et la probabilité objective efface la conscience du médecin.

Identité et différence. La constitution historique du big data en médecine

17Il est intéressant de remarquer que dans la seconde moitié du xxe siècle, avec le développement des théories de l’information, apparaît une métaphore computationnelle qui va inverser l’ordre du discours. La probabilité objective va envelopper la cognition dans son modèle et effacer la conscience sous les traits d’un épiphénomène. Le développement de la médecine basée sur des preuves (Evidence based medicine) au début du xxe siècle réactualise le double du patient et de la population dans ce nouvel ordre de discours. Le patient s’efface en tant que cas et le médecin minimise l’apport de sa conscience pour combattre l’entropie. La personnalisation du soin provient de l’accumulation des données issues de la pratique médicale – diagnostic, traitement etc. – dans un geste de régulation néguentropique commun au corps médical.

18Les problématiques de traitement qui apparaissent avec les maladies iatrogènes – produits d’une erreur de diagnostic, de pratique chirurgicale ou des effets secondaires des médicaments – vont fonder l’accumulation des données issues de la recherche afin d’aider à la décision. À partir des méthodes d’essais cliniques randomisés, les résultats permettent d’établir un calcul des risques qui va fonder le geste clinique contemporain. Il faudra d’abord calculer le risque pour s’inscrire dans le « dire vrai » de la médecine. Avec la médecine fondée sur les preuves, c’est l’accumulation des données cliniques qui permet d’établir le diagnostic le plus efficient. L’intuition et l’expérience clinique du médecin doivent être mises sous la tutelle des données issues de la recherche. On voit bien là que le double de la population réapparaît sous un jour nouveau.

  • 21 F. A. Nash, « Differential Dignosis an Apparatus to Assist the Logical Faculties », The Lancet, 263 (...)
  • 22 WHO, « History of the Development of ICD », dans International Statistical Classification of Diseas (...)

19Corrélativement à ce nouveau régime de preuve, les systèmes d’aide à la décision médicale se concrétisent. Avec l’apparition des théories de l’information de Shannon et de leur extension cybernétique, se met en place un agencement de la cognition et de la computation sous fond du Même. La métaphore computationnelle va prendre le pas sur la cognition. Avec la conception du cerveau et du corps humain comme modèles informationnels, s’élabore la cognition en tant qu’épiphénomène. Sa modélisation n’est qu’affaire de technologie. Le développement des systèmes experts va amener dans les années 1970 à la création de SAD (systèmes d’aide à la décision) qui entendent remplacer le médecin dans la formulation de diagnostics et pronostics. La première expérimentation de système informatique d’aide au diagnostic date des années 1950. F. A. Nash développa une machine composée de réglettes de papier et de curseurs qui référençait 300 maladies différentes21. Il s’agissait là d’une classification statistique des maladies qui fut développé à partir de la classification des causes de décès de Jacques Bertillon (1893) – reprise par l’OMS en 1948. Il s’agit du CIM (classification internationale des maladies) qui, à partir de sa neuvième révision (CIM-9) en 1975, définira un système de codage international pour s’adapter aux travaux statistiques à l’échelle de la population – selon les spécialités de la médecine22.

  • 23 A. Fagot-Largeault, Médecine et philosophie, Paris, PUF, 2010, p. 160.

20À cette même époque, dans les années 1970, on voit apparaître les premiers systèmes de data mining (exploration des données) à partir de calculs de probabilités. Le système MYCIN développé à Stanford en 1970 par Edward Shortliffe permit d’établir des diagnostics sur la base de six cents règles prédéfinies et de réponses binaires des patients « oui/non ». Il ne fut toutefois employé que dans le domaine expérimental. Il y eut néanmoins, comme le note Anne Fagot-Largeault, une extension pédagogique dans la formation clinique. « En fait, MYCIN a été doté d’un système pédagogique auxiliaire (GUIDON) qui utilise la compétence de MYCIN pour guider l’apprentissage du raisonnement clinique, en ajustant ses objectifs au niveau de l’étudiant ; pour ce système, le “bon” diagnostic est celui que donne MYCIN23. » La formalisation du jugement médical prend source dans la computation. Si bien que la cognition se formalise numériquement. On a là une inversion du transfert des formes de l’intelligibilité. Le fond indifférencié devient la machine et sa faculté de computation. La sémiotique est première, avant la lecture active du médecin. Cela élide le regard clinique. Ce modèle qui entend se substituer à la conscience du médecin réifie cette dernière en son double computationnel. Ces projets de substitution du médecin par des systèmes experts furent toutefois abandonnés dans les années 1980. Le problème majeur provient de l’effet « boîte noire » : au bout d’un certain nombre de règles, la machine devient difficile à appréhender par un esprit humain, ce qui fait qu’elle devient autoréférentielle.

21Avec le développement du stockage d’information et de l’imagerie médicale dans les années 1980-1990, la computation change de rapport épistémologique en se différenciant de la cognition. Le médecin reste l’instance légiférant l’ordre du discours ; quant à la machine, elle définit un nouveau régime temporel. L’accélération des calculs itératifs, la capacité de stockage et la corrélation des données hétérogènes vont faire apparaître le big data dans les années 2010. Les prouesses numériques de la machine ne sont plus substitutives mais nécessairement complémentaires de la cognition médicale. La capacité de calcul excédant infiniment la cognition, la différence s’achemine dans l’épistémè computationnelle pour définir une intrication du discours langagier et du calcul numérique. La machine va devenir une instance en soi du savoir médical. Avec l’accumulation des données biométriques (ADN, histologie, etc.), des données de l’imagerie, des données cliniques et des données populationnelles, le big data va permettre une prospection offrant des capacités prédictives encore inexplorées.

22Cette différence épistémique conduit à la définition du big data. Cette dernière est résumée selon cinq V. 1e V = Volume : le traitement s’établit sur une quantité de données de l’ordre du pétaoctets 1015 octets. 2e V = Vélocité : le traitement des données se fait en temps réel. 3e V = Variété : les données sont hétérogènes. 4e V = Véracité, la qualité des données est importante ; il faut donc évaluer ces dernières pour savoir si elles sont erronées ou incomplètes. 5e V = Valeur, il s’agit de l’utilité des données pour les services auxquels elles s’appliquent. Dans le domaine de la médecine clinique, les points 4 et 5 sont cruciaux, car la validité des données et les ordres d’importance sont ce qui permet l’efficience du système. Ces deux critères sont établis par la cognition humaine qui doit s’assurer de la véracité et de la valeur des données. En cela la signifiance et la subjectivation humaine s’intègrent dans l’ordre du savoir entre la cognition humaine et la computation de la machine. La métaphore computationnelle s’efface donc par une différenciation du savoir entre computation et cognition.

23Le traitement de données massives (big data) s’organise aujourd’hui dans plusieurs domaines du savoir médical. Il s’établit 1) en bioinformatique aux niveaux histologique et génétique ; 2) en neuroinformatique au niveau de l’imagerie cérébrale ; 3) en informatique clinique au niveau des données du patient et 4) en informatique de santé publique (Public health informatic) au niveau des données de la population. Chaque domaine entretient des relations avec les autres. Il est d’ailleurs envisagé de coupler ces domaines dans un système de bio-informatique translationnelle (Translational bioinformatics). Toutefois chaque domaine définit une organisation différente des modélisations informatiques des pathologies selon la valeur et la véracité (points 4 et 5).

  • 24 T. Haferlach et al., « Clinical Utility of Microarray-Based Gene Expression Profiling in the Diagno (...)

24En bio-informatique, une méthode de traitement de données massives (big data) nommée « différence de valeur quantile normalisée » (Difference of quantile normalized value) – qui utilise une « machine de support vectoriel » (Support vector machine) – permet une classification plus précise des leucémies. L’algorithme établit des corrélations factorielles permettant une plus large appréhension de la maladie. Cette méthode de différence de valeur quantile normalisée exploitant les données hétérogènes de la bio-informatique (gènes et cellules) permet ainsi une compréhension élargie de la leucémie. Une étude de 2010 démontre la capacité de l’algorithme à définir des sous-classes (micro array) permettant de subdiviser les leucémies myéloïdes et lymphoïdes en 18 sous-classes24. Le test mené sur 3 334 patients établit la machine de support vectoriel sur un set de 182 millions de données génétiques. Le résultat est établi avec un coefficient de certitude à 92,2 % dans le rapport croisé entre les données, les facteurs et les catégories. Cela permet de démontrer une classification factorielle des leucémies et de particulariser les traitements.

  • 25 J. Annese, « The Importance of Combining MRI and Large-Scale Digital Histology in Neuroimaging Stud (...)

25Au niveau de la neuro-informatique, le traitement de données massives (big data) se développe dans des projets tels que le Human Connectom Project. Le projet californien entend définir une cartographie du cerveau par une accumulation et une mise en corrélation de données issues de l’imagerie par résonnance magnétique (IRM). Afin d’augmenter la clarté de la cartographie, certaines études développent des méthodes permettant de coupler les données IRM avec des données histologiques provenant du prélèvement de tissus. Cela permet de localiser de manière plus précise les phénomènes neuropathologiques25.

  • 26 A. J. Campbell, J. A. Cook, G. Adey, B. H. Cuthbertson, « Predicting Death and Readmission After In (...)
  • 27 Y. Zhang et al., « Real-Time Clinical Decision Support System with Data Stream Mining », Journal of (...)

26En médecine clinique, l’algorithme APACHE II, déjà utilisé dans plusieurs hôpitaux, permet de calculer à partir d’une modélisation des données du patient et de l’hôpital, les probabilités de réadmission et de mortalité d’un patient en unité de soins intensifs. Ce calcul prédictif prévient le risque de laisser repartir un patient trop tôt en régulant le séjour de ce dernier dans l’unité selon les spécificités et la gravité de sa pathologie. En élaborant ce type de système, les programmateurs entendent assurer une efficience et une synergie plus grandes du service par une particularisation du traitement26. L’algorithme par « arbre de décision » (very fast decision tree) rend possible cette particularisation via des prédictions sur l’état de santé à venir du patient appareillé de capteurs (electronic patient record). La machine développe, par un suivi constant du patient, une prévention des risques en élaborant des diagnostics et pronostics. Ce dispositif fonctionne par une mise en corrélation des données de tous les patients et des traitements effectués sur ces derniers. Cette combinatoire de données cliniques favorise l’identification préventive des aggravations potentielles d’une maladie27. On retrouve ici la particularisation du traitement en fonction des données de la population.

  • 28 J. Ginsberg, « Detecting Influenza Epidemics Using Search Engine Query Data », Nature, 457, 2009, p (...)
  • 29 A. Signorini, A.-M. Segre, P.-M. Polgreen, « The Use of Twitter to Track Levels of Disease Activity (...)
  • 30 Voir, sur ce point, les rapports de l’OCDE de l’ONU et de l’OMS : OECD, ICTs and the Health Sector: (...)

27Le modèle le plus connu est sans conteste celui développé en informatique de santé publique pour l’étude des épidémies. La méthode apparaît historiquement en 2009 avec la cartographie dynamique des épidémies proposée par Jeremy Ginsberg28 (ingénieur chez Google). Le système de Ginsberg fonctionne par la combinatoire de données hétérogènes référencées selon les mots-clés se rapportant aux symptômes du virus. Comme les personnes infectées recherchent généralement sur le moteur de recherche de Google leurs symptômes afin de comprendre leurs maux, l’algorithme use de leur activité pour prospecter l’évolution dudit virus. Cela fit naître le Flu Trends de Google, aujourd’hui en libre accès. La perspective synoptique de ce dispositif permet ainsi de mettre en évidence en temps réel l’évolution de la grippe. Une autre étude datant de 2011 établit quant à elle une cartographie similaire à partir des hashtags de Twitter. Elle visait à l’époque à établir une simulation de la propagation de l’épidémie de H1N129. Cette méthode de suivi en temps réel des virus prend source dans le stockage massif de données des réseaux sociaux. L’ONU, L’OMS et l’OCDE considèrent aujourd’hui que ces systèmes prédictifs constituent un outil efficient pour endiguer les épidémies avant qu’elles ne se développent30. Ces systèmes sont actuellement la source de nombreux projets internationaux.

  • 31 J. Chen et al., « Translational Biomedical Informatics in the Cloud: Present and Future », BioMed R (...)

28Enfin, le développement le plus spéculatif du traitement de données massives (big data) en médecine apparaît avec le projet de mise en corrélation de toutes les données présentes dans chacun des domaines médicaux. L’idée serait de préserver les domaines médicaux en tant que sous-classes de la bio-informatique translationnelle (translational bioinformatics) afin d’éviter de fausser la véracité et la valeur des données. Le but de ce dispositif est d’améliorer la connaissance des pathologies au niveau clinique afin de favoriser le traitement des patients31. L’idée prédominante du projet tient à la quantité de données. Dans la logique de la loi des grands nombre, plus l’on a de données numériques, plus grande est la certitude.

29Le traitement de données massives (big data) en médecine s’organise dans les sciences médicales par la mise en relation des données de la population et de l’individu. Sa provenance historique est en cela double. La computation dans l’ordre du savoir médical émerge par la rencontre de la médecine clinique – apparue en France à la fin du xviiie siècle – et de l’épidémiologie – apparue en Angleterre au xviie siècle. L’histoire longue de la médecine entretient avec l’usage contemporain de la computation un rapport de continuité et de discontinuité historique. Relever ce jeu de la continuité et de la discontinuité dans les mutations discursives du savoir médical permet d’éviter l’erreur qui consiste à confondre la structure du savoir avec ses outils technologiques. Le traitement de données massives (big data) constitue davantage le déploiement technologique d’une multiplicité de discours médicaux stratifiés qu’un changement de paradigme. Il est important en cela de se défaire d’une approche téléologique de l’histoire afin d’enrichir notre compréhension des sciences médicales contemporaines.

  • 32 M. Foucault, L’archéologie du savoir, op. cit., p. 72-74.

30Ainsi, force est de constater qu’une certaine discursivité médicale est depuis la fin du xviiie siècle entretenue dans un rapport à la computation. L’incertitude, au fondement du « dire vrai » de la médecine clinique, use implicitement de la computation dans une formalisation sémiotique des fréquences. Par un jeu d’identité et de différence entre cognition et computation, l’on voit apparaître au cours de l’histoire une temporalité excédant la conscience et effaçant le médecin en tant que sujet unifiant le savoir. Le savoir s’externalise par des technologies diverses. « Dans l’analyse proposée, les diverses modalités d’énonciation, au lieu de renvoyer à la synthèse d’un sujet, manifestent sa dispersion32. » Il y a dans cette épistémè computationnelle de la médecine clinique quelque chose qui tient lieu de la dispersion du sujet. La positivité des sciences médicales apparaît ainsi dans la conscience élidée du sujet énonçant la vérité du pathologique. Le développement de la computation en médecine ne doit pas en cela être comprise comme une rupture épistémologique. Le discours de révolution et de changement de paradigme hante la compréhension de la médecine contemporaine. Le geste archéologique foucaldien rend cette dynamique cohérente par delà la bibliothèque idéale des révolutions scientifiques. Le véritable geste critique face à ce type de discours ne provient pas d’une analytique des méthodes et des formules logiques mais bien d’une mise en lumière de leur aspect faussement révolutionnaire. Démontrer qu’il ne s’agit pas d’un nouveau paradigme mais du prolongement des modalités d’un savoir antérieur constitue en cela une véritable approche critique de l’épistémologie médicale actuelle.

Notes

1 M. Foucault, Les mots et les choses. Une archéologie des sciences humaines, Paris, Gallimard, 1966, p. 13.

2 M. Foucault, L’archéologie du savoir, Paris, Gallimard (Bibliothèque des sciences humaines), 1969, p. 48.

3 M. Foucault, « Réponse à une question », Esprit, 371, mai 1968.

4 M. Foucault, L’archéologie du savoir, op. cit., p. 47-48.

5 Ibid., p. 48.

6 J. Piquemal, Essais et leçons d’histoire de la médecine et de la biologie, Paris, PUF, 1993. Voir la deuxième partie : « Succès et décadence de la méthode numérique en France à l’époque de Pierre-Charles-Alexandre Louis ».

7 J.-N. Corvisart, « Préface à la traduction d’Auenbrugger », dans Nouvelle méthode pour reconnaître les maladies internes de la poitrine, Paris, 1808, p. vii.

8 M. Foucault, Naissance de la clinique, Paris, PUF, 2009, p. 93.

9 Ibid., p. 97-98.

10 Ibid., p. 29.

11 J.-F. Braunstein, Broussais et le matérialisme. Médecine et philosophie au xixe siècle, Paris, Méridiens-Klincksieck (Philosophie), 1986.

12 Cité par E. H. Ackerknecht, Medicine at the Paris Hospital, 1794-1848, Baltimore, The John Hopkins Press, 1967, p. 10.

13 P. C. A. Louis, Recherches sur les effets de la saignée dans quelques maladies inflammatoires et sur l’action de l’émétique et des vésicatoires dans la pneumonie, Paris, 1835, p. 21.

14 M. Foucault, Naissance de la clinique, op. cit., p. 89.

15 Ibid., p. 90.

16 M. Foucault, Naissance de la clinique, op. cit., p. 145.

17 Ibid., p. 163-164.

18 M. Foucault, BNF, Archives, boîte xci, Cahier vert 2 avril 1961.

19 M. Foucault, Naissance de la clinique, op. cit., p. 105.

20 Ibid.

21 F. A. Nash, « Differential Dignosis an Apparatus to Assist the Logical Faculties », The Lancet, 263/6817, 1954.

22 WHO, « History of the Development of ICD », dans International Statistical Classification of Diseases and Related Health Problem, Genève, 2004 [2e éd.], vol. 2, p. 103-110.

23 A. Fagot-Largeault, Médecine et philosophie, Paris, PUF, 2010, p. 160.

24 T. Haferlach et al., « Clinical Utility of Microarray-Based Gene Expression Profiling in the Diagnosis and Subclassification of Leukemia: Report from the International Microarray Innovations in Leukemia Study Group », Journal of Clinical Oncology, 28/15, 2010, p. 2529-2537.

25 J. Annese, « The Importance of Combining MRI and Large-Scale Digital Histology in Neuroimaging Studies of Brain Connectivity and Disease », Frontiers in Neuroinformatics, 6/13, 2012.

26 A. J. Campbell, J. A. Cook, G. Adey, B. H. Cuthbertson, « Predicting Death and Readmission After Intensive Care Discharge », British Journal of Anesthesia, 100/5, p. 656-662.

27 Y. Zhang et al., « Real-Time Clinical Decision Support System with Data Stream Mining », Journal of Biomedicine and Biotechnology, 8, 2012.

28 J. Ginsberg, « Detecting Influenza Epidemics Using Search Engine Query Data », Nature, 457, 2009, p. 1012-1014.

29 A. Signorini, A.-M. Segre, P.-M. Polgreen, « The Use of Twitter to Track Levels of Disease Activity and Public Concern in the U.S. During the Influenza A H1N1 Pandemic », PLOS ONE, 6/5, 2011.

30 Voir, sur ce point, les rapports de l’OCDE de l’ONU et de l’OMS : OECD, ICTs and the Health Sector: Towards Smarter Health and Wellness Models, OECD Publishing, 2013 ; ONU, A World That Counts: Mobilising Data Revolution for Sustainable Development (http://www.undatarevolution.org/report/, consulté en mars 2019) ; WHO, Comparative Analysis of national pandemic influenza preparedness plan, WHO Publishing, 2011.

31 J. Chen et al., « Translational Biomedical Informatics in the Cloud: Present and Future », BioMed Research International, 8, 2013.

32 M. Foucault, L’archéologie du savoir, op. cit., p. 72-74.

Auteur

Sorbonne université

Le texte et les autres éléments (illustrations, fichiers annexes importés) sont sous Licence OpenEdition Books, sauf mention contraire.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search