L’intelligence artificielle et l’analytique avancée dans le système de santé français (Partie 3)

Share this post:

Ce troisième article de notre série explore l’impact de l’intelligence artificielle (IA) et de l’analyse avancée (AA) sur le système de santé français. L’article précédent explorait plusieurs défis urgents : pénuries de ressources, déserts médicaux, inégalités dans l’accès aux soins de santé, augmentation des coûts et évolution des attentes des patients. Ces problèmes sont dus, entre autres, au vieillissement de la population et à la répartition inégale des professionnels de la santé. La position de la France dans les classements mondiaux des soins de santé a ainsi décliné, soulignant l’urgence d’un changement.

Ce nouvel article met en lumière des réussites internationales illustrant comment les technologies de l’IA et de l’AA ont permis de relever efficacement les défis mentionnés précédemment. Nous nous concentrerons en particulier sur trois domaines clés identifiés comme étant particulièrement impactants [1] :

• Amélioration de l’efficacité opérationnelle : l’IA automatise les tâches de routine et optimise les flux de travail, ce qui réduit les coûts et libère un temps précieux pour permettre aux professionnels de santé de se consacrer plus de temps aux soins des patients.

• Amélioration de la gestion de la santé de la population : en exploitant l’IA, les systèmes de santé peuvent mieux surveiller et gérer la santé de la population grâce à des analyses prédictives et des plans de soins personnalisés, menant ainsi à de meilleurs résultats pour les patients.

• Renforcement de l’innovation : L’IA stimule l’innovation en facilitant la création de nouvelles méthodes et de nouveaux dispositifs qui peuvent, par exemple, améliorer la précision des diagnostics, contribuant ainsi à faire progresser le secteur de la santé dans son ensemble.

Amélioration de l’efficacité opérationnelle

Améliorer l’efficacité opérationnelle dans le secteur de la santé est crucial pour offrir de meilleurs soins aux patients tout en réduisant les coûts. Cela est particulièrement pertinent dans la mesure où la France souffre d’une pénurie de ressources, où le ratio médecin/citoyen est de 3,3 pour 1 000, inférieur à la moyenne de l’UE de 3,9. Cela complique la demande croissante, en particulier dans les urgences et les hospitalisations complètes, qui ont augmenté ; plus de 50 % des hospitalisations en France sont des séjours complets, avec 12 % des patients réadmis dans les 30 jours. Parallèlement, la diminution annuelle du nombre de lits d’hospitalisation (de 6,4 pour 1 000 habitants en 2010 à 5,7 en 2020) aggrave la situation, entraînant des temps d’attente plus longs aux urgences, des coûts plus élevés et une qualité des soins réduite.[2], [3], [4], [5]

L’automatisation des flux de travail figure parmi les contributions les plus efficaces de l’IA et de l’AA à l’amélioration de l’efficacité opérationnelle. Ces technologies peuvent réduire en moyenne 30 % des heures de travail des médecins et autres personnels administratifs, avec des variations allant de 2 % à 48 % selon les rôles spécifiques. Les tâches les plus susceptibles d’être optimisées sont techniques et administratives plutôt que celles qui nécessitent des compétences générales et une expertise médicale. Cela inclut la rationalisation de la gestion des flux de patients, la planification, la gestion de la chaîne d’approvisionnement et des stocks, la surveillance des risques en temps réel, ainsi que des améliorations potentielles dans les fonctions de back-office telles que les RH, la finance et les achats. En outre, l’IA peut améliorer considérablement les résultats des soins de santé. Selon Frost & Sullivan, l’IA peut améliorer les résultats des traitements de 30 à 40 % grâce à des flux de travail et des diagnostics hospitaliers améliorés tout en réduisant les coûts de traitement de 50 %. [6], [7]

Des exemples concrets mettent en évidence ces avantages en pratique. L’un d’eux est UnityPoint Health, un réseau de soins de santé réparti dans l’Iowa, l’Illinois et le Wisconsin aux États-Unis. Le réseau a lancé une initiative visant à exploiter les outils d’IA pour la gestion des patients, en analysant de grandes quantités de données et en intégrant des algorithmes avancés pour prédire les réadmissions potentielles avant qu’elles ne surviennent. Cette solution faisait partie d’un cadre stratégique plus large visant à améliorer les soins aux patients, à réduire les réadmissions à l’hôpital et à diminuer les coûts des soins de santé grâce à des informations basées sur les données. Les résultats ont dépassé les attentes : en 18 mois, UnityPoint Health a réduit les réadmissions toutes causes confondues de 40 %, contribuant ainsi à des économies de 40 millions de dollars sur deux ans. Une allocation plus efficace des ressources hospitalières a également été réalisée en identifiant les transfusions de globules rouges inutiles, ce qui a permis d’économiser 17,4 millions de dollars supplémentaires. [8], [9],[10]

Les améliorations opérationnelles vont au-delà des environnements cliniques pour inclure des fonctions administratives telles que les finances, les ressources humaines et les achats. Par exemple, l’automatisation basée sur l’IA peut optimiser les processus financiers en automatisant la facturation, le codage et la gestion des réclamations, réduisant ainsi les erreurs et accélérant les cycles de remboursement. Les recherches de l’Institute of Business Value (IBV) d’IBM montrent que la fonction RH peut bénéficier d’une automatisation allant de 25 à 50 % de l’efficacité dans le recrutement, l’engagement des employés et les services administratifs. Cela peut être réalisé grâce à la vérification des profils alimentée par l’IA, aux chatbots et à d’autres solutions permettant de résumer les tendances d’embauche des concurrents sur des marchés spécifiques, de fournir des réponses aux questions sur les déménagements et les affectations, ainsi qu’aux demandes d’avantages sociaux, etc. Un autre exemple est l’approvisionnement, où l’IA peut considérablement améliorer la gestion des stocks en prévoyant les besoins avec une plus grande précision, réduisant ainsi les erreurs de prévision des coûts de 67 %. Cette optimisation conduit à des commandes plus efficaces, entraînant des économies de coûts et une réduction des déchets.

Amélioration de la gestion de la santé de la population

Au-delà de l’amélioration de l’efficacité opérationnelle, l’IA et l’AA peuvent jouer un rôle clé dans la gestion de la santé de la population, un enjeu essentiel pour répondre à la demande croissante de soins en France. Pour améliorer les résultats des patients et faire face à cette demande, les hôpitaux français doivent prioriser l’amélioration des diagnostics et des soins préventifs. Cet objectif est crucial compte tenu du vieillissement de la population, avec 21 % des citoyens français âgés de plus de 65 ans en 2022, et 46 % (6,4 millions) d’entre eux souffrant de maladies chroniques. Ces défis sont aggravés par la prévalence de cinq principales pathologies chroniques – maladies cardiovasculaires, diabète, maladies respiratoires, cancer et troubles psychiatriques – qui touchent actuellement une personne assurée sur cinq, le nombre de cas augmentant de 100 000 chaque année. [11], [12]

L’IA et l’AA peuvent avoir un impact majeur dans la gestion de la santé de la population en permettant l’analyse de grands ensembles de données pour identifier les tendances et schémas en matière de santé publique. Ces technologies aident à prédire l’apparition de maladies chroniques, à personnaliser les plans de soins préventifs et à optimiser l’allocation des ressources en fonction des besoins de la population. Elles peuvent analyser les données des patients pour repérer les individus à haut risque, permettant ainsi des interventions précoces qui réduisent l’incidence de problèmes de santé graves. De plus, les outils basés sur l’IA favorisent une meilleure gestion des maladies chroniques en surveillant les progrès des patients et ce, en ajustant les plans de traitement en temps réel, améliorant ainsi les résultats globaux en matière de santé. L’Université de l’Utah Health, le Regenstrief Institute et Hitachi ont collaboré sur une solution d’IA innovante qui vise à améliorer les traitements complexes pour les patients atteints de diabète de type 2. Le modèle utilise des données regroupées pour planifier des plans et des schémas de traitement efficaces. Après sa mise en œuvre, le modèle a réussi à prédire les schémas thérapeutiques optimaux pour plus de 83 % des patients. La solution s’est avérée particulièrement efficace lorsqu’il a fallu combiner plusieurs médicaments à la fois. [13]

Renforcement de l’innovation

L’innovation dans le secteur de la santé fait face à des défis considérables, tels que des obstacles réglementaires, des coûts élevés et la complexité de l’intégration de nouvelles technologies dans les systèmes existants. Ces obstacles freinent souvent l’adoption de progrès susceptibles d’améliorer les soins aux patients et l’efficacité opérationnelle. Malgré les contraintes réglementaires, l’IA et l’AA peuvent contribuer à surmonter les préoccupations du secteur de la santé en automatisant les processus de recherche, en optimisant l’efficacité des essais cliniques et en fournissant des analyses prédictives pour identifier les tendances émergentes. Par exemple, une fois la description d’un essai fournie, de grands modèles linguistiques (Large Language Model) et des chatbots peuvent améliorer le processus de mise en correspondance des patients en générant une liste de candidats appropriés en fonction de leur âge, de leur état de santé et de leurs antécédents de traitement. De telles avancées soulignent l’impact transformateur de l’IA sur la gestion des essais cliniques et représentent un potentiel de réduction des délais d’essai jusqu’à 20 %, des coûts de 15 % et d’économies, par exemple, d’environ 2 millions d’euros et jusqu’à 5 mois pendant la phase 2 des essais. [14], [15], [16]

Les entreprises pharmaceutiques ont également commencé à révolutionner le développement de médicaments en utilisant des solutions similaires. Par exemple, AstraZeneca a utilisé l’IA pour comprendre la structure des protéines et prédire les mécanismes responsables de la progression de la maladie en analysant de grandes quantités de données biologiques et cliniques. Les algorithmes ont permis de traiter de grands ensembles de données, d’intégrer des informations issues de la génomique et de créer des modèles pour identifier les voies ou cibles biologiques les plus susceptibles d’être liées à une maladie. Cela accélère le processus de recherche et optimise l’approche de développement. [17]

Mise en œuvre en France et obstacles à l’adoption

Ces technologies ont également été déployées en France. Pour tirer parti de leur potentiel, certains hôpitaux français exploitent l’IA et l’AA pour la prévision des flux de patients aux urgences, la gestion des lits et la recherche. Par exemple, le CHU de Rennes a intégré l’IA dans la pratique médicale, en déployant des outils logiciels basés sur l’IA, la recherche et les opérations quotidiennes. Un exemple remarquable est le logiciel d’IA « Paros », utilisé pour détecter le cancer de la prostate à partir d’examens IRM, améliorant la précision et l’efficacité du diagnostic en utilisant les données de 6 000 IRM. De plus, l’outil d’IA « BoneView » a été majeur pour les services d’urgence, réduisant les temps d’attente des patients de 70 minutes en moyenne. Il a également amélioré la sécurité du diagnostic en permettant une détection des fractures plus rapide et plus précise par rapport aux évaluations radiologiques standard. [18], [19]

Néanmoins, une utilisation aussi étendue de l’IA et de l’AA est loin d’être une mise en œuvre mondiale. Même si plus de 80 % des dirigeants et présidents d’établissements médicaux comprennent l’importance de l’IA dans les soins de santé, ils sont confrontés à 3 préoccupations principales qui ralentissent son intégration :

• 85 % des établissements trouvent difficile de prioriser les domaines de mise en œuvre de l’IA, car de nombreux secteurs requièrent une attention particulière, tandis que les coûts d’application sont élevés.

• 66 % sont préoccupés par la déshumanisation : les médecins et les patients se méfient toujours de l’IA, car ils craignent des inexactitudes et une mauvaise interprétation du diagnostic.

• 65 % sont préoccupés par la complexité accrue des compétences, du travail et de l’organisation des tâches suite à l’intégration de la technologie. [20]

Ces préoccupations soulignent l’importance des facteurs clés de succès qui vont au-delà de la technologie elle-même pour réussir une transformation. Cela inclut des actions centrées sur l’identification et le suivi de la valeur apportée par ces solutions, ainsi que sur la transformation du modèle opérationnel pour soutenir leur réussite. Une fois la valeur des différentes initiatives identifiée, il devient possible de créer une feuille de route de transformation axée sur cette valeur. De plus, en abordant les éléments critiques du modèle opérationnel (tels que les personnes et compétences, les processus, l’organisation et la gouvernance), l’organisation dispose des capacités nécessaires pour adopter et exploiter efficacement ces technologies, tout en tenant compte de leurs forces et de leurs limites. En fin de compte, une approche globale est essentielle pour garantir un succès durable et maximiser l’impact des initiatives de transformation, comme évoqué dans l’article précédent de cette série.

Les prestataires de soins de santé peuvent trouver plus pratique d’initier l’intégration de l’IA et de l’AA dans les fonctions de back-office telles que la finance, les ressources humaines et les achats. Ces domaines comportent des risques plus faibles d’inexactitudes et de sensibilité des données, offrant ainsi des terrains d’essai pour améliorer progressivement la maturité de l’IA. En commençant par ces domaines, les institutions peuvent tester les applications d’IA, démontrer leur valeur et favoriser la confiance dans la technologie. Par la suite, elles pourront étendre progressivement les solutions d’IA aux environnements cliniques, où l’impact sur les soins aux patients est plus significatif. Cette approche graduelle aide les prestataires de soins de santé à développer progressivement leur confiance dans l’IA et l’AA, garantissant ainsi une utilisation éthique et responsable, ce qui se traduit par de meilleurs résultats pour les patients et une meilleure efficacité opérationnelle. [21]

Conclusion

L’IA et l’AA ont un potentiel considérable pour relever les défis critiques auxquels est confronté le système de santé français. En améliorant l’efficacité opérationnelle grâce à l’automatisation des tâches cliniques et de back-office, l’IA peut réduire les coûts et libérer un temps précieux pour les professionnels de santé, contribuant ainsi directement à l’amélioration des soins aux patients. Dans la gestion de la santé de la population, l’IA permet des analyses prédictives et des plans de soins personnalisés, qui sont essentiels pour la gestion des maladies chroniques dans une population vieillissante. De plus, l’IA favorise l’innovation en accélérant les processus de recherche et en améliorant la précision des diagnostics, comme le montrent des exemples de réussite internationale.

Cependant, pour réussir cette transformation, il est nécessaire de surmonter des obstacles majeurs, tels que des coûts de mise en œuvre élevés, des préoccupations concernant la déshumanisation et des complexités réglementaires. Une approche progressive, débutant par les fonctions de back-office et s’étendant progressivement aux applications cliniques, peut aider à instaurer la confiance et garantir une utilisation éthique et responsable. En adoptant une stratégie globale incluant une gouvernance solide, le développement des compétences et le suivi de la valeur, le système de santé français peut exploiter le potentiel de l’IA et de l’AA pour offrir de meilleurs résultats pour les patients et une plus grande efficacité opérationnelle, tout en restaurant sa position dans les classements mondiaux des soins de santé.

[1] McKinsey – https://www.mckinsey.com/industries/healthcare/our-insights/transforming-healthcare-with-ai

[2] OCDE – https://www.oecd-ilibrary.org/docserver/518727bb-en.pdf?expires=1717412070&id=id&accname=guest&checksum=AE7DE68691DAE269AFB83EB487A701D7

[3] DREES – https://drees.solidarites-sante.gouv.fr/publications-communique-de-presse/etudes-et-resultats/en-2021-le-nombre-de-sejours-hospitaliers

[4] DREES – https://drees.solidarites-sante.gouv.fr/sites/default/files/2023-12/ER1289.pdf

[5] Kaduceo – https://kaduceo.com/fr/resources/etat-de-lart-prediction-des-readmissions-hospitalieres

[6] Medhealth Outlook – https://medhealthoutlook.com/optimizing-healthcare-operations-ais-role-in-streamlining-management-and-administration/

[7] Frost & Sullivan – https://www.frost.com/news/press-releases/600-m-6-billion-artificial-intelligence-systems-poised-dramatic-market-expansion-healthcare/

[8] CIO – https://www.cio.com/article/193682/healthcare-analytics-success-stories.html

[9] Managed Healthcare Executive – https://www.managedhealthcareexecutive.com/view/how-three-hospitals-use-predictive-analytics-reduce-readmissions

[10] FIERCE Healthcare – https://www.fiercehealthcare.com/providers/dozens-and-dozens-data-analytics-projects-drive-100m-savings-revenue-gains-unitypoint

[11] Le Contemporain – https://www.lecontemporain.net/2024/02/luc-marie-joly-le-probleme-ne-se-trouve.html

[12] Commission Européenne – https://health.ec.europa.eu/system/files/2023-12/2023_chp_fr_french.pdf

[13] Science Daily –  https://www.sciencedaily.com/releases/2022/03/220325122431.htm

[14] Un exemple budget d’un essai clinique – https://www.linkedin.com/pulse/clinical-trial-budget-example-patricio-ledesma/

[15] Université de Cincinnati – https://med.uc.edu/depart/psychiatry/research/clinical-research/crm/trial-phases-1-2-3-defined#:~:text=Phase%20II%20studies%20determine%20the,several%20months%20to%20two%20years

[16] Nature – https://www.nature.com/articles/d41586-024-00753-x

[17] AstraZeneca – https://www.integrait.co/artificial-intelligence-in-clinical-trials-astrazeneca/

[18] France Bleu – https://www.francebleu.fr/infos/sante-sciences/le-chu-de-rennes-pionnier-en-matiere-d-intelligence-artificielle-5116528

[19] Gleamer – https://www.gleamer.ai/insights/optimizing-emergency-department-efficiency-with-ai-a-case-study-of-boneview

[20] EY – https://www.chu-nancy.fr/index.php/chru-et-ey-1er-barometre-de-maturite-de-l-ia-dans-les-chu

[21] COE – https://www.coe.int/fr/web/bioethics/potential-impact-of-ai-on-the-doctor-patient-relationship#{%22123746107%22:[]}

Luis Antonio Jimenez Rivera

Associate Partner Enterprise Strategy, IBM Consulting France