Flahy exploite les graphes de connaissances pour optimiser la décision médicale

Présentation de Flahy et de son approche

Flahy Inc., start‑up spécialisée en santé numérique, a mis en place une plateforme d’aide à la décision clinique qui s’appuie sur l’intelligence artificielle. Selon le fondateur Jagjit Singh, le couche de connaissance relie la couche de données brute aux modèles d’IA, en indiquant quels faits sont pertinents pour chaque patient. Cette architecture vise à transformer des informations biologiques et cliniques disparates en un contexte exploitable par les algorithmes de prédiction.

Architecture du graphe de connaissances

Le cœur du système repose sur un graphe de connaissances hébergé avec la technologie Neo4j Inc. Flahy a passé plusieurs années à peupler ce graphe de relations entre mutations génétiques, marqueurs biochimiques, résultats d’essais cliniques et protocoles de traitement. Chaque nœud représente une entité médicale (gène, biomarqueur, médicament) et chaque arête encode une relation validée (par exemple, « mutation X augmente le risque de maladie Y »). Cette structuration permet aux modèles d’IA de traverser le graphe pour identifier les chemins les plus pertinents, ce qui, selon Singh, constitue un « problème de traversée » inhérent aux décisions longitudinales.

Défis d’intégration des données longitudinales

Intégrer les relevés de dispositifs portables (capteurs de fréquence cardiaque, glucomètres, etc.) dans le même graphe représente un défi technique majeur. Flahy a développé des moteurs propriétaires capables d’ingérer ces flux continus et de les mapper à des nœuds temporels, assurant ainsi la cohérence des données au fil du temps. Le principal obstacle réside dans la normalisation des formats hétérogènes et la préservation de la sémantique médicale lors de la conversion en arêtes du graphe.

Implications pour la décision clinique

Le produit grand public FlahyLife combine les données biologiques du patient avec les informations du graphe pour proposer des recommandations de prévention, de dépistage précoce ou de sélection de traitement. Singh souligne que la capacité du système à « connecter le graphe » permet de raisonner de façon explicable : le modèle indique quels faits du graphe ont conduit à la suggestion, facilitant ainsi la validation par les cliniciens. Cependant, l’efficacité dépend de la qualité et de la mise à jour continue des relations stockées, ainsi que de la capacité du moteur à gérer des traversées à grande échelle sans latence excessive.