Un système de gestion de l'information de laboratoire (LIMS) constitue le référentiel central des données produites en laboratoire. L'exploitation de ces données à l'aide de l'intelligence artificielle (IA) permet aux responsables de prendre des décisions fondées sur des informations. Mais qu'entend-on par "intelligence artificielle" ? Quand et comment un laboratoire peut-il commencer à l'intégrer dans ses processus, et quand sera-t-elle omniprésente dans le laboratoire ?
Qu'est-ce que l'IA ?
Les gens utilisent le terme "IA" à mauvais escient, parfois parce qu'ils ne comprennent pas ce que c'est, mais souvent parce qu'ils veulent faire de l'agitation autour du sujet. Une définition (tirée du dictionnaire anglais Oxford) est la suivante : "la théorie et le développement de systèmes informatiques capables d'effectuer des tâches nécessitant normalement l'intelligence humaine, telles que la perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre les langues". Mais cette définition ne rend pas clairement compte de ce que signifie un logiciel "intelligent". La définition de John McCarthy (2004) est plus proche de la vérité : "C'est la science et l'ingénierie de la fabrication de machines intelligentes, en particulier de programmes informatiques intelligents...." Cependant, des questions plus fondamentales se posent, notamment celle de savoir ce qu'est l'intelligence et comment nous saurons si une machine en est dotée.
Un morceau de silicium peut-il penser de la même manière qu'un être humain ? Eh bien, non, peut-être pas encore ! Mais nous nous en rapprochons peut-être. L'intelligence artificielle, telle qu'elle est souvent comprise, combine l'informatique et des ensembles de données solides pour permettre la résolution de problèmes. Elle peut considérablement accroître la puissance de l'analyse commerciale pour trouver des modèles et des réponses dans d'énormes ensembles de données, et elle soutient et développe les concepts de l'apprentissage automatique. Les algorithmes d'apprentissage profond permettent d'éliminer une partie du prétraitement des données généralement associé à l'apprentissage automatique. Ces algorithmes peuvent ingérer et traiter des données non structurées, comme du texte et des images, et automatiser l'extraction des caractéristiques, supprimant ainsi une partie de la dépendance à l'égard des experts humains.
Cependant, l'intelligence réelle est probablement plus complexe que cela. Il s'agit de ne pas suivre les règles ; il ne s'agit pas seulement de traduire une langue, il s'agit de savoir quand créer un nouveau mot lorsque la langue actuelle ne convient pas, et il s'agit de s'adapter à l'environnement dans lequel on se trouve. L'intelligence ne consiste pas à utiliser des probabilités mathématiques complexes pour predict quel sera le prochain mot d'un article et à répéter ce processus jusqu'à ce que l'article soit terminé. Il s'agit d'apprendre à partir d'un ensemble de données, de s'adapter à de nouvelles entrées et de reconnaître des schémas dans les données.
Si l'IA véritable est l'objectif à long terme, les technologies couramment utilisées aujourd'hui sont l'apprentissage automatique (Machine Learning) et l'analyse commerciale avancée (Advanced Business Analytics). Le terme "IA" est souvent utilisé de manière interchangeable avec ces concepts. Cependant, nous sommes peut-être plus près que nous ne le pensons d'un ordinateur qui réussirait le test de Turing. Ce test a été proposé par Alan Turing, qui, pour de nombreuses raisons, n'a pas encore réussi.
considéré comme le père de l'informatique moderne, dans son article de 1950 intitulé "Computing Machinery and Intelligence", dont l'essence est "Les machines peuvent-elles penser ?".
Les lacs de données et l'évolution vont favoriser l'adoption de l'IA
Disposer d'ensembles de données robustes pour travailler est la clé de toutes les solutions d'IA actuelles. C'est facile, direz-vous, parce que la numérisation a poussé les laboratoires à adopter des systèmes de gestion de l'information de laboratoire (LIMS). Mais, outre les données relatives aux échantillons, les laboratoires doivent également conserver des métadonnées pertinentes sur les échantillons. Qu'est-ce que les métadonnées et que dois-je conserver ? C'est la question à 10 000 dollars. Les métadonnées sont des informations qui donnent un contexte aux données de l'échantillon : D'où viennent-elles ? Comment a-t-il été collecté ? Sont-elles liées à d'autres échantillons ? Comment est-il stocké ? Qui en est le dépositaire ? Et ainsi de suite. Des données différentes auront des métadonnées différentes. Par exemple, si vous recueillez des données de surveillance auprès de troupeaux de vaches pour détecter l'encéphalopathie spongiforme bovine (ESB, ou maladie de la vache folle), les métadonnées pertinentes peuvent inclure la race, la localisation géographique, le code postal, les statistiques du troupeau, les animaux apparentés, les aliments pour animaux utilisés, le type d'insémination et même les antécédents vétérinaires. S'il s'agit d'un laboratoire d'analyse de l'eau, vous serez intéressé par les métadonnées relatives au point d'échantillonnage, à la date et à l'heure, à l'emplacement, à l'itinéraire de l'échantillon, à l'échantillonneur, etc.
Une fois que nous avons toutes ces données, nous avons besoin d'un endroit où les stocker pour qu'elles soient facilement accessibles. C'est là que les entrepôts de données et les lacs de données entrent en jeu. Ils permettent de rassembler de grands volumes de données, provenant généralement de nombreuses sources différentes. Généralement, c'est sur ces grandes collections de données que les algorithmes d'apprentissage automatique et d'intelligence artificielle seront exécutés. Cependant, le fait de rassembler toutes ces données peut révéler un autre problème de données important, celui de la compatibilité des données. Il peut s'agir simplement de s'assurer que les données sont dans un format standard ou de veiller à ce que les éléments de données provenant de différents systèmes soient identifiés de la même manière. Il s'agit d'un problème qui, par exemple, a affecté le domaine clinique, où des problèmes tels que des identifiants multiples existent souvent pour le même test. C'est là que la normalisation et la standardisation des données deviennent importantes.
Analyse des données
La fonction des laboratoires en dehors du domaine de la R&D est d'analyser des échantillons et de rapporter les résultats. Le premier résultat se présente souvent sous la forme d'un certificat d'analyse ou d'un rapport. Il n'est donc pas surprenant que de nombreux laboratoires n'aient pas investi dans une fonctionnalité d'analyse de base de données générale pour le LIMS. De tels outils existent pourtant. Les fournisseurs de LIMS ont tendance à utiliser Power BI ou Tableau comme outils d'analyse. PowerBI est particulièrement utile car il est "gratuit", au moins au niveau de base, pour les entreprises clientes qui possèdent déjà Microsoft.
L'utilisation d'outils d'analyse de données est une étape sur la voie de l'IA. Vous devez toutefois poser des questions précises pour obtenir les réponses que vous souhaitez. Montrez-moi où se trouvent les foyers d'ESB. Quelles sont les rivières les plus contaminées dans mes échantillons d'eau et quels sont les agriculteurs qui appliquent des pesticides à proximité ? Les outils d'analyse permettent de trouver des tendances et des valeurs aberrantes dans les grands ensembles de données : un taux d'échec croissant pour certains tests lorsque l'opérateur A est dans le laboratoire, et un instrument Y qui tombe en panne plus souvent que la plupart des instruments du même type. Cependant, cela suffit-il à répondre à la vraie question : pourquoi les laboratoires se donneraient-ils la peine d'investir dans l'analyse commerciale, l'apprentissage automatique et l'IA ?
Où l'IA gagne-t-elle du terrain ?
Les comptables dictent souvent les domaines dans lesquels l'analyse des données est la plus utilisée, car ils pensent savoir où l'argent investi sera rentabilisé. Dans le domaine des laboratoires, les laboratoires de R&D, plutôt que les laboratoires de contrôle de qualité, sont plus susceptibles de conserver et de réutiliser leurs données. Dans l'industrie pharmaceutique, il n'est pas rare que les résultats des données d'un programme de développement de médicaments fassent l'objet d'une nouvelle analyse en fonction de limites différentes ou soient utilisés dans d'autres programmes de développement, par exemple. L'orientation des programmes d'apprentissage profond vers les lacs de données au sein des grandes entreprises pharmaceutiques est un domaine où l'analyse des données et son rejeton moderne, l'IA, porteront leurs fruits.
Beaucoup, sinon tout, dépend de la qualité des données, et en particulier des métadonnées. Le vieil adage selon lequel "les déchets qui entrent sont les déchets qui sortent" n'a jamais été aussi vrai. Des millions de dollars peuvent être gaspillés à lancer de nouvelles idées contre un mur pour voir ce qui colle, quel que soit le degré d'automatisation ou d'"intelligence" du processus d'analyse des données, si les données ne sont pas à la hauteur.
L'automatisation des laboratoires et l'IA au service de l'efficacité
Les systèmes robotiques sont de plus en plus utilisés pour des tâches telles que la manipulation d'échantillons, la distribution de liquides et l'analyse de données, ce qui permet de réduire les erreurs humaines et d'augmenter le rendement. Au fil du temps, les algorithmes d'IA évalueront la charge de travail globale et jongleront avec l'allocation des ressources pour maximiser l'efficacité globale.
L'IA pourrait contribuer à la maintenance prédictive des équipements de laboratoire, en prévoyant le moment où les instruments pourraient tomber en panne ou nécessiter une maintenance, ce qui permettrait de réduire au minimum les temps d'arrêt. De la même manière, l'IA peut être utilisée pour la surveillance en temps réel et le contrôle de la qualité dans les processus de fabrication, en identifiant le moment où les résultats commencent à dériver et en garantissant des tolérances de processus plus strictes. Ces techniques d'apprentissage adaptatif contribueront à améliorer la rentabilité et ne représentent qu'une étape relativement modeste par rapport aux limites de processus plus "fixes" que nous utilisons aujourd'hui.
Des lendemains qui chantent
Comme nous l'avons vu, le laboratoire de contrôle qualité type qui utilise un LIMS enregistre des résultats pour des fonctions de contrôle qualité très spécifiques. La teneur en alcool de la bière, la sécurité alimentaire, la préservation de la qualité de l'eau des rivières, la vérification de la pureté et de la valeur d'un métal précieux, etc.
Ces laboratoires voient la valeur d'un LIMS pour l'automatisation et l'efficacité (suppression du papier, accélération de la fonction de rapport, intégration des systèmes, etc.) L'analyse des données au sein de ces laboratoires est généralement très orientée : aidez-moi à obtenir mon rapport mensuel, montrez-moi quels tests sont les plus ou les moins rentables pour le laboratoire. Qui pourrait bénéficier d'une formation plus poussée ? L'analyse des données, sous la forme de Power BI ou d'un outil similaire, fournit les algorithmes nécessaires et même une fonction de recherche naturelle pour aider à dériver ces données rapidement.
Cependant, peu de laboratoires non spécialisés dans la recherche et le développement disposent des ressources nécessaires pour effectuer des recherches sur leurs données afin d'en tirer de nouvelles idées. La science dans ce domaine progressera donc plus lentement. Les avant-gardistes sont toutefois les sociétés pharmaceutiques qui réaffectent et interrogent rigoureusement leurs données. On peut toutefois facilement imaginer que les grands ensembles de données tels que ceux du NHS britannique constitueraient une riche source de données pour aider à développer de nouveaux traitements (par exemple pour la maladie de Parkinson ou la mucoviscidose). De telles propositions soulèvent toutefois des questions de confidentialité et de propriété des données, un aspect que la mise en œuvre de l'IA dans divers domaines a mis en évidence.
La plupart des laboratoires devraient aujourd'hui s'attacher à améliorer la qualité de leur lac de données afin qu'il puisse être utilisé à ces fins à l'avenir. En veillant à ce que votre laboratoire utilise un LIMS et conserve les données sous forme numérique, vous les préparez à l'analyse des données, ou à des recherches dirigées, à la recherche de retombées en termes d'efficacité au sein du laboratoire ou dans l'ensemble des opérations de l'entreprise. Les recherches dirigées à l'aide d'outils d'analyse de données seront suffisantes pour beaucoup, mais l'IA et l'apprentissage profond sont de plus en plus importants dans les laboratoires de R&D, où l'utilisation des données pour répondre à de nouvelles questions et la réaffectation des travaux antérieurs pour de futurs médicaments créent une nouvelle source de profit pour l'entreprise. L'IA ne pénétrera que lentement dans la communauté des laboratoires au sens large, à mesure que l'IA deviendra plus facile à intégrer.
sera probablement une extension des outils d'analyse de données que vous utilisez déjà dans le cadre de votre solution LIMS actuelle.
Préparer l'avenir de l'IA dans votre laboratoire
Alors que les laboratoires poursuivent leur parcours de transformation numérique, l'accent doit rester mis sur la construction d'une base de données solide. La mise en œuvre d'un système de gestion des informations de laboratoire (LIMS) configurable et entièrement intégré est la première étape pour libérer le potentiel de l'IA et de l'analytique avancée. En vous assurant que les données de votre laboratoire sont précises, structurées et accessibles, vous préparez le terrain pour une automatisation plus intelligente, une prise de décision améliorée et une croissance durable.
Le LIMS Matrix Gemini offre la flexibilité et l'évolutivité dont votre laboratoire a besoin pour évoluer avec la technologie. Ses capacités de configuration uniques - sans codage personnalisé - permettent une gestion transparente des données, une automatisation des flux de travail et une préparation aux futures avancées basées sur l'IA.
Transformez vos données de laboratoire en informations exploitables. Contactez-nous dès aujourd'hui pour savoir comment Matrix Gemini LIMS peut assurer l'avenir de votre laboratoire.
