L’intelligence artificielle et l’analytique avancée dans le système de santé français (Partie 2)

Share this post:

Face aux défis auxquels sont confrontés les systèmes de soins de santé, l’analytique avancée (AA) et l’intelligence artificielle (IA) sont des technologies à haut potentiel d’impact. Ces technologies peuvent équiper les systèmes de santé d’outils avancés pour renforcer les soins des patients et améliorer l’efficacité opérationnelle.

La deuxième partie de cet article reprend le fil qui avait été précédemment entamé. Elle vise à offrir un aperçu général du potentiel de ces technologies pour relever les défis de la santé en France. De plus, d’autres considérations nécessaires à leur mise en œuvre réussie seront abordées dans ce texte.

Le potentiel de l’analytique avancée et de l’intelligence artificielle dans le secteur de la santé

L’AA, en tant qu’approche bien établie, joue un rôle fondamental dans le paysage des soins. Cela implique l’examen systématique de vastes ensembles de données pour en dériver des typologies, des modèles et des tendances significatifs. Les professionnels de la santé de plusieurs pays exploitent déjà l’AA pour prendre des décisions fondées sur les données, améliorant ainsi les résultats pour les patients et rationalisant les processus administratifs.

L’IA représente une autre avancée technologique significative applicable au domaine de la santé. Il existe un chevauchement entre l’AA et l’IA puisque les deux impliquent l’analyse de données pour faire des prédictions et prescrire des actions. Cependant, l’analytique avancée utilise des méthodes statistiques pour analyser les données et découvrir des tendances. En revanche, l’IA utilise des algorithmes pour apprendre automatiquement à partir des données et faire des prédictions.

Un développement notable dans ce domaine est l’essor de l’IA générative, une variante distincte de l’IA « traditionnelle ». Elle est connue pour sa capacité à générer et à améliorer des contenus, principalement au travers d’interactions basées sur le langage naturel. Cette facette de l’IA ouvre de nouvelles voies pour l’automatisation des soins, la communication et l’expansion des interactions entre patients et praticiens.

En général, on peut dire que l’AA et l’IA « traditionnelle » sont meilleures pour l’analyse de données et la prédiction. Tandis que l’IA générative se distingue pour la création et l’interprétation de contenu et les interactions de langage naturel.

Exemples d’applications de l’analytique avancée et de l’intelligence artificielle dans le domaine de la santé

Il existe de nombreux cas d’usage où ces technologies ont un fort potentiel d’amélioration de l’efficacité des soins, de l’optimisation des processus à l’enrichissement de l’expérience patient. Voici quelques exemples.

L’efficacité opérationnelle et la planification

L’AA et l’IA sont deux outils puissants pour moderniser les opérations hospitalières. L’analyse en temps réel et les pronostics permettent aux prestataires de soins d’optimiser l’allocation des ressources (horaires du personnel, déploiement des ambulances, gestion des lits d’hôpitaux, etc.).

De plus, l’IA générative permet de rationaliser les processus administratifs tels que le remplissage et la gestion des dossiers. L’IA générative peut, par exemple, aider les praticiens à prendre des notes et résumer efficacement leurs consultations, améliorant ainsi l’exactitude et l’exhaustivité des dossiers médicaux.

Les fonctions administratives peuvent également bénéficier des progrès liés à l’IA, notamment en ce qui concerne les ressources humaines, la finance ou les achats. Il existe de nombreux cas d’usage potentiels, comme la rédaction de documents (offres d’emploi, courriels, rapports financiers, etc.) et la facilitation de tâches répétitives et d’analyse telles que la réconciliation de factures.

Optimisation des interactions avec les patients et les praticiens

L’IA générative peut transformer l’expérience des patients tout comme celle des professionnels de santé. Grâce à des chatbots plus puissants, elle permet une conversation plus précise et personnalisée.

Un exemple notable est la collaboration entre IBM et CVS Health pour gérer l’afflux d’appels liés à la COVID-19 pendant la pandémie. Cette solution alimentée par l’IA a géré les demandes de renseignements sur divers sujets relatifs à la maladie. Cela a considérablement réduit la durée des appels tout en permettant aux agents humains de se concentrer sur les cas complexes. Le système s’est adapté aux directives gouvernementales changeantes avec des réponses personnalisées pour différents états américains, améliorant ainsi le service client pendant le déploiement de la vaccination [1].

Les praticiens peuvent également améliorer leur expérience en communiquant mieux avec les patients et les fonctions administratives. Des chatbots avancés peuvent faciliter un accès aux données des patients et répondre aux questions administratives liées, par exemple aux RH, à l’informatique ou à d’autres processus administratifs.

La santé préventive et le diagnostic

Il existe de nombreux cas où les algorithmes d’AA et d’IA peuvent faciliter et améliorer la médecine préventive. Des pays comme les États-Unis et le Royaume-Uni utilisent fréquemment des algorithmes de prédiction des risques pour cibler des actions préventives, personnaliser les soins et améliorer leurs résultats. L’utilisation la plus fréquente se fait au travers d’algorithmes de prédiction des risques. Ils peuvent, entre autres, identifier les patients susceptibles de développer des conditions chroniques et des complications, ou étant à haut risque de réadmission. Cela permet aux professionnels de santé de contacter préventivement les patients et d’éviter des résultats indésirables.

De plus, ces technologies peuvent offrir un soutien en rendant les diagnostics plus efficaces et plus précis. Selon la Harvard School of Public Health, bien que son application en soit encore à ses débuts, l’utilisation de l’IA à des fins diagnostiques a le potentiel de réduire les dépenses de traitement jusqu’à 50 % et d’améliorer les résultats de santé de 40 % [2]. En outre, les médecins peuvent tirer parti de l’IA générative pour résumer rapidement un vaste corpus de littérature médicale en soutien du diagnostic ou de la prescription de traitement.

L’être humain derrière la technologie

Même si les progrès technologiques sont prometteurs, il est essentiel de reconnaître qu’ils ne constituent pas une solution miracle. Des changements systémiques sont nécessaires, tout en gardant à l’esprit le rôle crucial de l’élément humain. Les technologies telles que l’IA et l’AA ne cherchent pas à remplacer, mais plutôt à compléter et à améliorer les compétences du personnel médical. Leur objectif est de permettre aux professionnels de santé de se concentrer davantage sur les soins aux patients, en libérant du temps utile et en leur fournissant des outils qui améliorent leur efficacité. C’est à ce niveau que se pose la question des garanties d’un fonctionnement efficace qui ne compromette pas la sécurité des patients, des données et des employés.

Pour maximiser l’utilité de l’IA et de l’AA dans n’importe quel secteur, plusieurs conditions technologiques et opérationnelles doivent être remplies : l’intégrité des données, une architecture technologique appropriée et des systèmes garantissant la sécurité et la confidentialité des données sont essentiels pour assurer la confiance des utilisateurs. En outre, une surveillance, une maintenance et une adaptation continues aux évolutions technologiques sont nécessaires pour rester à la pointe de l’innovation.

Néanmoins, même avec une bonne architecture et des données de qualité, les modèles d’IA et d’AA peuvent présenter des risques. Les « biais », par exemple, sont un risque majeur. La propension des modèles à générer des résultats inéquitables ou incorrects en se basant sur des données partiales ou mal interprétées. Les biais peuvent être provoqués par différents facteurs : une mauvaise conception de l’algorithme, un ensemble de données non représentatifs ou un champ d’application prédéfini trop étroit [3]. Dans des domaines complexes et sensibles tels que la santé, de tels biais sont inacceptables.

Un exemple notable de biais est le cas de l’algorithme d’Optum, une filiale de UnitedHealth Group spécialisée dans les solutions technologiques de santé, aux États-Unis. L’algorithme utilisait les dépenses de santé, parmi d’autres facteurs, pour prédire les besoins en soins des patients. Cela a mené à un biais racial, car les individus des populations plus aisées, principalement caucasiennes et dépensant davantage pour les soins de santé, étaient jugés par l’algorithme comme étant plus « malades » que ceux des communautés afro-américaines moins nanties. Le problème résidait dans l’usage des dépenses comme indicateur du besoin en soins, ignorant ainsi les différences d’accès aux soins entre les différents groupes ethniques et socio-économiques. Ce cas illustre comment des biais peuvent se glisser même sans mention explicite de l’origine ethnique [4].

Pour éviter biais et autres risques comme les hallucinations, phénomène où un modèle d’IA produit des informations incorrectes ou non sensées, dans le cas de l’IA générative, un engagement en faveur d’une approche responsable fondée sur des principes moraux est nécessaire. Pour cette raison, les principes éthiques doivent être au cœur de ces technologies, et des principes tels que l’IA de confiance (systèmes transparents, explicables, éthiques et fiables) sont essentiels [5]. En fin de compte, ce sont les humains et leurs compétences qui permettent de mettre en œuvre la technologie avec succès et en toute sécurité : le raisonnement moral humain guide l’établissement de lignes directrices éthiques pour l’utilisation de l’IA.

En complément des prérequis technologiques et des principes de confiance, un modèle opérationnel adéquat est aussi essentiel. Il garantit l’alignement de la stratégie d’IA avec les objectifs de l’organisation, facilitant l’intégration des technologies dans les processus existants. Ce modèle permet également la scalabilité des technologies, tout en assurant la conformité aux normes éthiques et réglementaires. En outre, il favorise la gestion des talents et le développement des compétences nécessaires, créant un environnement propice à l’innovation. Pour déployer efficacement l’IA, l’AA et ces savoir-faire, un modèle opérationnel complet, de la vision stratégique à l’exécution en première ligne, est essentiel, et certains éléments clés ne doivent pas être négligés :

• Objectif et stratégie
• Développement des talents
• Infrastructure de données et de technologie
• Gouvernance éthique
• Alignement organisationnel
• Engagement des dirigeants
• Méthodes de travail
• Indicateurs de performance

Il n’y a pas de modèle unique adapté à toutes les situations. La maturité technologique, la taille de l’organisation, ainsi que d’autres facteurs tels que la diversité des sources de données sont des éléments clés à considérer. En conséquence, le modèle opérationnel doit être adaptable pour répondre aux besoins spécifiques de chaque organisation et évoluer en fonction des avancées technologiques et des besoins changeants des pratiques médicales [6].

Conclusion

L’intégration de l’AA et de l’IA représente une opportunité de transformation pour le secteur de la santé en France. Alors que les défis se complexifient, il est évident que ces technologies recèlent un immense potentiel pour améliorer les soins aux patients, rationaliser les processus opérationnels et stimuler l’innovation.

L’essence d’une transformation réussie des soins de santé réside dans la recherche d’un équilibre entre les connaissances humaines, l’innovation technologique, les principes éthiques et les éléments opérationnels. Si les technologies de pointe jouent un rôle crucial, le facteur humain reste indispensable. Cette orientation stratégique sur un combinaison synergique d’éléments humains et technologiques dévoile un horizon prometteur pour le secteur de la santé.

Le prochain article de cette série, approfondira l’un des défis spécifiques auquel est confronté le système de santé français. Il explorera comment l’IA et l’AA peuvent constituer des outils puissants pour le résoudre et des cas d’usages spécifiques provenant de différents pays.

[1] IBM. (2021). IBM Announces Breakthrough Hybrid Cloud and AI Capabilities to Accelerate Digital Transformation at 2021 Think Conference https://newsroom.ibm.com/2021-05-11-IBM-Announces-Breakthrough-Hybrid-Cloud-and-AI-Capabilities-to-Accelerate-Digital-Transformation-at-2021-Think-Conference

[2] IBM. (2023). The Benefits of AI in Healthcare. https://www.ibm.com/blog/the-benefits-of-ai-in-healthcare/

[3] IBM. (2019). Machine Learning and Bias https://developer.ibm.com/articles/machine-learning-and-bias/

[4] Johnson, C. Y. (2019). Racial bias in a medical algorithm favors white patients over sicker black patients. https://www.washingtonpost.com/health/2019/10/24/racial-bias-medical-algorithm-favors-white-patients-over-sicker-black-patients/

[5] IBM. (n.d.). AI ethics https://www.ibm.com/impact/ai-ethics

[6] IBM. An operating model for AI at scale. https://www.ibm.com/downloads/cas/EQA04AW8

Luis Antonio Jimenez Rivera

Associate Partner Enterprise Strategy, IBM Consulting France