Référence bibliographique

Tan, N., Khan, M. I., & Saleh, M. A. (2024). The intersection of big data and healthcare innovation: Millennial perspectives on precision medicine technology. Journal of Open Innovation: Technology, Market, and Complexity, 10, 100376.

Mots-clés

Médecine de précision, Big Data, adoption technologique, gestion des données de santé, confiance institutionnelle, sécurité des données

La médecine de précision et le rôle du Big Data : une vision des Millennials

La médecine de précision (PM) est une approche innovante qui personnalise les traitements médicaux en fonction des caractéristiques individuelles des patients (génétique, mode de vie, environnement). L’essor du Big Data joue un rôle clé dans cette évolution, permettant d’analyser des volumes massifs de données pour améliorer le diagnostic et les soins personnalisés.

L’étude de Tan et al. (2024) examine l’attitude des Millennials singapouriens (nés entre 1981 et 1996) vis-à-vis de l’adoption de la médecine de précision. À travers une enquête quantitative menée auprès de 377 participants, cette recherche explore les déterminants de l’adoption technologique, en mettant l’accent sur des facteurs comme la sécurité des données, la confiance dans le gouvernement et l’utilité perçue de la médecine de précision.

Facteurs influençant l’adoption de la médecine de précision

L’étude s’appuie sur le Technology Acceptance Model (TAM) et l’Unified Theory of Acceptance and Use of Technology (UTAUT) pour analyser les facteurs déterminants de l’adoption de la PM.

1. Perception de l’utilité

1. • La perception que la médecine de précision améliore le diagnostic et le traitement est un facteur clé d’adoption (β = 0.485, p < 0.01).
   • Les Millennials considèrent que l’intégration des technologies basées sur le Big Data peut améliorer la gestion des maladies chroniques.

2. Confiance dans les institutions

1. • La confiance dans le gouvernement influence positivement l’adoption (β = 0.106, p < 0.05).
   • La confiance dans les médecins, bien que considérée importante, n’a pas eu d’effet significatif sur l’attitude des Millennials vis-à-vis de la PM.

3. Sécurité et confidentialité des données

1. • La perception d’une sécurité renforcée des données personnelles encourage l’adoption de la PM (β = 0.168, p < 0.05).
   • À l’inverse, la sensibilité perçue des données médicales n’a pas eu d’impact significatif sur l’attitude des participants (p > 0.05).

4. Influence des normes sociales

1. • Les recommandations de pairs et les normes sociales ont un effet modéré sur l’acceptation de la PM (β = 0.065, p < 0.05).
   • Les Millennials sont plus enclins à adopter la PM si elle est socialement valorisée et promue par des figures d’autorité en santé.

Défis et résistances à l’adoption de la médecine de précision

L’étude identifie plusieurs barrières qui freinent l’adoption de la PM :

• Complexité perçue de la technologie : Certains Millennials manquent de connaissances sur la PM, ce qui peut entraver leur engagement.
• Préoccupations liées à la protection des données : Malgré une confiance générale dans les institutions, des craintes persistent quant à l’usage abusif des informations médicales.
• Coût des traitements personnalisés : L’accessibilité économique de la PM est un facteur critique pour son adoption à grande échelle.
• Lenteur des réformes réglementaires : L’absence d’un cadre juridique clair peut limiter la confiance des utilisateurs dans les applications de la PM.

Recommandations pour favoriser l’adoption de la PM

1. Éducation et sensibilisation
   • Promouvoir une meilleure compréhension de la médecine de précision via des campagnes d’information et des formations pour les professionnels de santé.
2. Renforcement de la sécurité des données
   • Mettre en place des protocoles robustes pour garantir la confidentialité des informations médicales et renforcer la confiance du public.
3. Collaboration entre institutions publiques et privées
   • Encourager la coopération entre les gouvernements, les hôpitaux et les entreprises technologiques pour améliorer l’accessibilité et l’acceptabilité de la PM.
4. Politiques de soutien à l’innovation en santé
   • Développer des réglementations spécifiques à la médecine de précision afin d’encadrer son utilisation et d’assurer une transparence totale dans son application.
5. Personnalisation des recommandations médicales
   • Intégrer l’IA et le Big Data dans les plateformes de santé pour offrir des conseils personnalisés aux patients et maximiser l’efficacité des traitements.

Conclusion

L’adoption de la médecine de précision par les Millennials repose sur un équilibre entre confiance institutionnelle, perception de l’utilité et protection des données personnelles. L’étude de Tan et al. (2024) souligne que pour maximiser l’acceptation de ces technologies, il est essentiel d’adopter une approche transparente et participative impliquant les patients, les médecins et les autorités de régulation.

Le développement de la PM doit s’accompagner d’un cadre législatif clair et de stratégies de communication adaptées aux attentes des nouvelles générations. Une approche proactive en matière de sensibilisation et de cybersécurité est essentielle pour garantir le succès de cette innovation en santé.

Bibliographie

• Tan, N., Khan, M. I., & Saleh, M. A. (2024). The intersection of big data and healthcare innovation: Millennial perspectives on precision medicine technology. Journal of Open Innovation: Technology, Market, and Complexity, 10, 100376.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.
• Wang, H., Liu, Y., & Li, H. (2020). Factors influencing consumer acceptance of precision medicine: A study using UTAUT and TAM models. BMC Health Services Research, 20(1), 1003.
• Lysaght, T., Lim, H. Y., & Xafis, V. (2021). Trust in the government and willingness to share genomic data: A Singaporean perspective. Human Genomics, 15(1), 34.