Prise de décision fondée sur les données

Bon nombre des décisions que nous prenons chaque jour sont fondées sur des modèles, ou plutôt sur des représentations du fonctionnement d'une chose. Ces modèles sont parfois mentaux, comme lorsque nous regardons une pièce vide et que nous imaginons comment la décorer. Les modèles peuvent également être visuels, comme lorsque nous nous référons à Google Maps lorsque nous nous rendons dans une nouvelle destination. Nous utilisons fréquemment ces modèles pour nous aider à prendre de meilleures décisions et pour simplifier les tâches.

Les modèles que nous utilisons pour prendre des décisions peuvent également être mathématiques, comme les modèles abstraits qui utilisent un langage mathématⁱque pour décrire le comportement d'un système.7 Ce type particulier de modèle relève de la science de la décision : l'application interdisciplinaire des sciences du comportement, des affaire^s, de l'informatique et de la technologie, basée sur les données.6 En substance, la science de la décision consiste à utiliser les données pour optimiser le processus de prise de décision.

Bien que la plupart des gens n'utilisent pas explicitement la science décisionnelle dans leur vie quotidienne, elle est couramment utilisée par les entreprises et les économistes pour entreprendre des analyses de risque, des analyses coût-^bénéfice et coût-efficacité, des modèles de simulation, etc.7.

Big data : De grandes quantités d'informations que les entreprises et les statisticiens accumulent, souvent auprès des consommateurs. Elles proviennent souvent de l'exploration de données.

Exploration de données : Processus utilisé par les entreprises pour transformer des données brutes en matériel utilisable et informatif. Ces données sont souvent utilisées pour construire des programmes d'apprentissage automatique.

Analyse coût-bénéfice : Méthode systématique d'estimation des forces et des faiblesses d'une approche. Elle permet aux entreprises de mieux comprendre quelle approche leur apporterait le maximum d'avantages et d'écoⁿomies.3

Science des données : Un domaine interdisciplinaire qui utilise des algorithmes, des méthodes et des techniques scientifiques pour extraire des informations à partir de données structurées et non structurées. Les sciences des données considèrent les données comme un outil d'^optimisation et d'amélioration de l'activité ; elles s'appuient sur le big data et l'apprentissage automatique.2

Science de la décision : Application de techniques quantitatives complexes pour faciliter et éclairer le processus de prise de décision. Les sciences de la décision considèrent les données comme un outil permettant d'élaborer des hypoth^èses et de prendre des décisions en utilisant la logique et la probabilité.2

Apprentissage automatique : Une branche de l'intelligence artificielle qui implique la création d'applications et de programmes informatiques qui apprennent à partir de données et améliorent leur précision au fil du temps. Les machines sont entraînées à trouver des modèles dans les données.

Analyse des risques : L'analyse des risques est un processus qui permet d'estimer la probabilité qu'un événement négatif se produise, dans les entr^eprises, les gouvernements ou les industries environnementales.4 L'analyse des risques garantit un équilibre entre la prise de risques et la réduction des conséquences négatives potentielles.

Les sciences de la décision découlent de plusieurs approches, dont l'analyse des risques, l'analyse coûts-avantages et la science des données. Il est important de se rappeler que les sciences de la décision sont enracinées dans les processus sous-jacents de la prise de décision ; c'est pourquoi elles peuvent être liées à d'autres domaines, mais sont fondamentalement différentes du domaine de la science des données, par exemple.

L'analyse des risques désigne globalement le processus d'évaluation de la probabilité qu'un événement indésirable se produise au sein d'une entreprise, d'un gouvernement ou même dans le secteur de l'environnement. Une application dans le domaine de la science de la décision consiste à protéger la santé publique en communiquant des informations su^r les risques sanitaires dans un cadre utile à la prise de décision.4 C'est d'autant plus important aujourd'hui que le public est de plus en plus conscient de l'impact des risques environnementaux et de la pollution sur sa propre santé. C'est pourquoi les gouvernements, les organismes de santé et les organisations privées doivent prendre des décisions en connaissance de cause afin de pouvoir répondre aux souhaits et aux besoins du public. Le risque est toutefois limité par le fait qu'il est basé sur la probabilité, ce qui signifie ^qu'il est virtuellement impossible d'être précis lorsqu'on le calcule. En outre, l'analyse des risques ne peut pas tenir compte de l'impact des événements extrêmes.4,7

L'analyse coûts-avantages a été conceptualisée en 1848 par l'ingénieur Jules Dupuit, mais n'a été mise en œuvre dans les politiques publiques qu'en 1958. L'analyse coûts-avantages a ensuite été étendue à des sujets liés à l'abus de substances et aux déchets chimiques. Aujourd'hui, elle est le plus souvent utilisée en économie, en particulier en économie du bien-être, ainsi que dans les politiques publiques. Sa caractéristique est de mesurer les coûts et les bénéfices dan^s la même unité, ce qui signifie que les bénéfices sont souvent mesurés en termes financiers.7 Toutefois, une limite est que pour les projets à long terme, une analyse coûts-bénéfices peut ne pas être en mesure de prendre en compte des questions financières telles que l'inflation ou les taux d'intérêt.3

La science des données a été officiellement baptisée en 2001 par l'informaticien William S. Cleveland. Cleveland a soutenu que les statistiques devraient aller au-delà de la théorie ou de l'exploration de données et être utilisées pour l'innovation. Aujourd'hui, la science des données est extrêmement puissante, car elle informe pratiquement tous les aspects de notre vie ; elle est la source d'information de base pour tout ce qui concerne la technologie. La science des données a des effets considérables sur notre prise de décision quotidienne.

La science de la décision est donc un terme générique qui englobe de nombreuses techniques quantitatives, telles que l'analyse des risques et l'analyse coûts-avantages, qui sont utilisées pour améliorer la prise de décision. Elle analyse les décisions en tant qu'unités d'analyse, ce qui signifie qu'elle peut éclairer les décisions en matière de droit, d'éducation, de réglementation environnementale, de santé publique et de politique publique, et qu'elle l'a déjà fait. La science de la décision diffèr^e d'autres approches, telles que la science des données, en ce sens qu'elle s'attache à faire des choix sur la base des données disponibles, plutôt qu'à produire de nouvelles données.7

Prendre des décisions peut être incroyablement difficile et stressant pour les individus. Imaginez cependant à quel point il est difficile de prendre une décision pour l'avenir d'une entreprise ou d'un gouvernement tout entier. Malgré l'énorme quantité de données que les entreprises et les gouvernements reçoivent et l'expertise de leurs groupes de travail, il y a toujours un risque d'interférence par des biais cognitifs et des opinions subjectives.

La science de la décision atténue certains biais et fournit aux entreprises et aux gouvernements une prédiction claire et remarquablement précise du résultat potentiel d'une décision. En outre, en calculant les risques et les bénéfices d'une décision, les entreprises ou les décideurs politiques peuvent mieux comprendre ce qui les attend avant de faire un choix définitif.

Dépistage génétique prénatal en Ontario

Le dépistage prénatal non invasif (DPNI) est disponible en Ontario depuis 2013. Le ministère de la Santé et des Soins de longue durée (MSSLD) a financé publiquement de nombreux tests de dépistage génétique prénatal depuis 1993 ; toutefois, le TPN n'était accessible qu'aux personnes disposées à le payer lorsqu'il est devenu disponible pour la première fois. Le NIPT a vanté sa capacité à améliorer la précision et la sécurité des tests génétiques, ce qui a suscité l'intérêt du public. En réponse, le ministère a nommé en 2014 un Groupe de dépistage génétique prénatal (GDGP) chargé de donner des conseils sur les pratiques de dépistage en cours et de formuler des recommandations pour améliorer le dépistage génétique prénatal en Ontario^. Plus précisément, le ministère a demandé une évaluation économique qui comprenait les coûts et les résultats de performance associés au NIPT.1

Le but du dépistage génétique prénatal est d'identifier les anomalies chromosomiques du fœtus, telles que le syndrome de Down (trisomie 21), chez les femmes d'âge maternel avancé (plus de 35 ans). Les premières méthodes de dépistage étaient appelées amniocentèse et comportaient un risque de perte fœtale compris entre 0,01 et 0,5 %. Les analyses plus modernes sont peu invasives et font désormais partie des examens de routine pour les femmes de plus de 35 ans. En Ontario, quatre tests de dépistage étaient disponibles à l'époque. En examinant les mesures de dépistage existantes, le nombre de femmes qui y ont eu recours et leur efficacité, le comité a recommandé que le NIPT soit proposé aux femmes, malgré les risques. En outre, il a été recommandé que l'introduction du TNIP dans le système public pourrait conduire à une plus grande détection des cas de syndrome de Down, ainsi qu'à moins de tests invasifs et moins de pertes de grossesse liées à ces tests. La commission note cependant que le NIPT devrait être utilisé principalement comme un test d'urgence, car le rendre obligatoire entraînerait un coût quatre à cinq fois plus élevé. Dans cette situation, la commission a procédé à une analyse des risques et à une analyse coûts-bénéfices pour déterminer si le NIPT serait un test raisonnable à intégrer dans le système de santé.

Éclairer les lignes directrices en matière de santé publique

Le groupe de travail américain sur les services préventifs a été créé en 1984 dans le but d'améliorer la santé des Américains en formulant des recommandations fondées sur des données probantes concernant les services cliniques. Ces services comprennent les dépistages, les services de conseil et les médicaments préventifs. Le groupe de travail fonde ses recommandations sur celles d'autres agences, sur des preuves empiriques tirées d'études et sur des données relatives à la population. Elle recommande par exemple d'améliorer le dépistage du cancer du poumon.

Dans sa déclaration, le groupe de travail révèle que le cancer du poumon est la deuxième forme de cancer la plus répandue et la première cause de décès aux États-Unis. Il souligne que le facteur de risque le plus important pour le cancer du poumon est le tabagisme, ainsi que l'âge avancé. Sur la base des données existantes issues d'une étude exploratoire et des traitements et interventions existants, le groupe de travail estime que les adultes âgés de 50 à 80 ans qui ont fumé 20 paquets par an devraient subir chaque année un dépistage du cancer du poumon par tomodensitomé^trie à faible dose. Ce dépistage devrait être poursuivi jusqu'à ce que la personne n'ait pas fumé pendant 15 ans.5

Le processus qui sous-tend les recommandations proposées par l'US Preventive Services Task Force illustre l'utilité d'utiliser les sciences de la décision, y compris l'analyse coût-bénéfice et l'analyse des risques. En tenant compte des risques et des coûts associés à l'intégration du dépistage et des scanners dans la prévention du cancer du poumon, les auteurs peuvent formuler des recommandations utiles.

L'importance de la science des décisions

Si vous souhaitez en savoir plus sur les sciences de la décision et leur importance, cet article fait la distinction entre la science des données et la science de la décision et approfondit les applications de cette dernière.

Science des données

Si vous êtes intéressé par le domaine connexe de la science des données, cet article présente son histoire et la manière dont elle imprègne notre vie quotidienne.

1. Beck, D., Toole, J., John-Baptiste, A., (2015). Décider de l'optimisation des ressources : Improving Prenatal Genetic Screening in Ontario in : Speechley, M., & Terry, A.L. [eds] Western Public Health Casebook 2015. London, ON : Public Health Casebook Publishing.
2. Decision scientist vs. data scientist. (n.d.). Data Science Central. https://www.datasciencecentral.com/profiles/blogs/decision-scientist-vs-data-scientist
3. Comment se déroule le processus d'analyse coût-bénéfice. (n.d.). Investopedia. https://www.investopedia.com/terms/c/cost-benefitanalysis.asp
4. Comment fonctionne l'analyse de risque. (n.d.). Investopedia. https://www.investopedia.com/terms/r/risk-analysis.asp
5. Recommandation : Cancer du poumon : Screening | United States preventive services Taskforce. (n.d.). United States Preventive Services Taskforce. https://uspreventiveservicestaskforce.org/uspstf/recommendation/lung-cancer-screening
6. Qu'est-ce que la science de la décision ? (2017, 5 juin). NDMU Online. https://online.ndm.edu/news/analytics/what-is-decision-science/
7. Qu'est-ce que la science de la décision ? (2020, 20 octobre). Centre pour la science des décisions en matière de santé. https://chds.hsph.harvard.edu/approaches/what-is-decision-science/