L'IA générative dans les soins de santé : Cas d'utilisation et application dans le monde réel

Génération de données

L'IA, comme les chatbots d'IA médicale, a besoin d'ensembles de données vastes et diversifiés pour apprendre, mais les lois sur la protection de la vie privée des patients, comme la loi HIPAA, rendent difficile le partage de données cliniques réelles entre les institutions. C'est là qu'intervient l'IA générative pour la génération de données synthétiques.

Au lieu d'accéder aux dossiers réels des patients, les chercheurs utilisent des modèles génératifs formés sur des ensembles de données dépersonnalisées. Ces modèles apprennent les schémas d'évolution des maladies, la corrélation entre les symptômes et les résultats de laboratoire, et l'influence des traitements sur les résultats. Ils génèrent ensuite des dossiers de patients entièrement synthétiques qui ressemblent à des données réelles et se comportent comme telles, mais qui ne sont liés à aucun individu.

Supposons qu'un hôpital veuille former un modèle d'IA pour repérer les signes précoces de septicémie. Il ne dispose que de 200 cas. Ce n'est pas suffisant. Le modèle d'IA analyse donc ces 200 cas réels et génère des milliers de cas synthétiques :

• Certains présentent les symptômes typiques de la septicémie.
• D'autres imitent des combinaisons rares telles qu'une fièvre retardée et des signes vitaux anormaux trois jours plus tard.
• Certains simulent même des patients présentant des symptômes trompeurs, ce qui permet de tester les cas limites.

Ces enregistrements synthétiques n'appartiennent à personne, mais ils se comportent comme des données réelles.

Cela ouvre de nouvelles voies pour tester des idées et explorer des scénarios de type "what if" en médecine, sans mettre en danger la vie privée des patients.

Diagnostic médical

Aux États-Unis, des hôpitaux comme la Mayo Clinic et le Mass General Brigham introduisent des données anonymes de patients, telles que des IRM, des tomodensitogrammes, des résultats de laboratoire et des notes cliniques, dans des outils de diagnostic par IA. 

En fait, 65 % des hôpitaux américains utilisent déjà des modèles d'IA prédictive dans une partie de leurs flux de travail de diagnostic.

La radiologie est un domaine qui a connu une adoption particulièrement rapide, l'IA aidant les médecins à dépasser les limites de l'œil humain. Les algorithmes sont entraînés à reconstruire des images floues et à mettre en évidence des zones préoccupantes comme les tumeurs ou les fractures.

Mais les applications les plus efficaces ne s'arrêtent pas à une seule image. Les grands modèles de langage peuvent combiner des données provenant de sources multiples, depuis les rapports de radiologie et les notes du médecin jusqu'aux valeurs de laboratoire, aux ordonnances et aux constantes du patient, afin de dresser un tableau plus complet de la situation.

Imaginez le dossier d'un patient qui se lit comme suit : "Léger essoufflement depuis deux semaines : "Léger essoufflement depuis deux semaines, nouvelle respiration sifflante, pas d'antécédents d'asthme".

Un assistant IA peut reconnaître un schéma potentiel d'insuffisance cardiaque précoce. Il vérifie alors les valeurs de laboratoire récentes du peptide natriurétique de type B (utilisé pour détecter le stress cardiaque) et l'historique des médicaments. Si le patient est âgé de plus de 65 ans, le système peut considérer que l'insuffisance cardiaque est plus probable que l'asthme, et le signaler pour examen par le clinicien.

Découverte de médicaments

En 2020, des scientifiques du MIT et de Harvard ont utilisé l'IA générative pour identifier un nouvel antibiotique, l'halicine, qui pourrait tuer les bactéries résistantes aux médicaments. 

Ce type d'avancée en matière d'IA modifie la manière dont les chimistes et les chercheurs pharmaceutiques abordent l'un des aspects les plus coûteux et les plus longs de la médecine.

Le développement d'un seul médicament, y compris le coût des candidats non retenus, peut coûter entre 1 et 2 milliards de USD. Traditionnellement, il s'agit d'un jeu de chiffres : sélectionner des milliers de composés, procéder à des essais successifs et espérer que l'un d'entre eux atteigne son but. 

L'IA générative accélère considérablement le processus. Les chercheurs partent d'une demande de découverte de médicaments telle que "Concevoir une molécule qui inhibe les mutations KRAS G12C dans le cancer du poumon mais qui n'affecte pas les cellules saines". 

Ce message est introduit dans un modèle génératif formé à partir de bases de données de structures chimiques, d'interactions entre protéines et d'effets secondaires connus. En quelques heures, le modèle propose des structures moléculaires entièrement nouvelles qui répondent à ces critères, certaines s'inspirant de composés existants tandis que d'autres sont totalement inédites. 

Les chercheurs peuvent alors simuler la façon dont ces molécules se lient aux protéines cibles, réduisant ainsi la liste avant même d'effectuer une expérience en laboratoire.

Cela fonctionne également dans l'autre sens. Si les chercheurs introduisent des données sur l'expression des gènes de patients malades, le modèle peut déduire quel type de composé pourrait corriger le dysfonctionnement sous-jacent, même si ce composé n'existe pas encore.

Documentation clinique 

Au lieu de passer des heures à parcourir les dossiers médicaux électroniques (DME), les médecins peuvent désormais recevoir des résumés instantanés qui font apparaître des informations clés telles que les diagnostics, les médicaments, les tendances en matière de laboratoire et les antécédents thérapeutiques.

Ces résumés permettent aux prestataires d'être plus rapidement opérationnels, en particulier lors des changements d'équipe ou lorsque le nombre de patients est élevé.

Outre l'amélioration de l'accès à l'information, ces outils sont également utilisés pour automatiser la documentation. Les médecins passent souvent plus de temps à rédiger des notes qu'à traiter les patients. Mais avec les LLMs, les médecins peuvent dicter ou télécharger des détails sur le patient, et recevoir en retour un projet de note d'évolution ou de résumé de sortie. L'étape finale consiste en une révision et une approbation rapides.

Epic Systems, l'un des plus grands fournisseurs de DSE aux États-Unis, pilote activement la génération de notes assistée par l'IA en partenariat avec Microsoft. Dans une autre étude, les premiers résultats montrent que les cliniciens économisent en moyenne 3,3 heures par semaine grâce à la documentation assistée par l'IA. 

Ces systèmes introduisent également une couche de contrôle de la sécurité clinique. Les modèles d'IA signalent les problèmes potentiels tels que les interactions entre les médicaments et les allergies ou les instructions contradictoires enfouies dans le dossier. Bien qu'ils ne prennent pas de décisions, ils agissent comme une deuxième paire d'yeux, réduisant ainsi le risque d'erreur médicale.

Médecine personnalisée

L'IA générative peut prédire comment les individus réagiront aux traitements en analysant leur génétique et leurs antécédents médicaux. 

Entraînés sur de grands ensembles de données, les modèles d'IA trouvent des modèles subtils - comme la façon dont une variante génétique spécifique affecte le métabolisme des médicaments - et utilisent cette connaissance pour recommander des solutions sur mesure.

Traitement de la santé mentale

Ce même principe d'utilisation de l'IA générative pour modéliser des réponses personnalisées est également exploré dans le domaine de la santé mentale. 

Des entreprises comme Woebot Health développent des outils de thérapie cognitivo-comportementale (TCC) pilotés par l'IA. Ces systèmes analysent les interactions précédentes pour créer des dialogues thérapeutiques personnalisés et simuler des déclencheurs d'anxiété dans le monde réel, comme assister à une fête bondée ou recevoir des critiques au travail. Ils guident ensuite le patient à travers des stratégies d'adaptation en temps réel, offrant ainsi une continuité entre les séances de thérapie.

Éducation et formation médicales

La formation médicale traditionnelle s'est toujours appuyée sur des études de cas statiques et des patients standardisés. Elles sont utiles, mais elles ne préparent pas complètement les étudiants à l'imprévisibilité du travail clinique réel. 

L'IA générative change la donne en introduisant de nouvelles simulations qui s'adaptent à la façon dont chaque élève réagit et apprend.

Virti, une société basée au Royaume-Uni, a développé des "patients virtuels" alimentés par l'IA afin d'améliorer la formation clinique à distance. Dans Virti, un étudiant peut avoir à.. :

• Annoncer une mauvaise nouvelle à un patient virtuel atteint d'un cancer
• Calmer un membre de la famille en colère qui exige des réponses
• Expliquer un diagnostic compliqué en termes simples

Les patients virtuels réagissent en temps réel à ce que l'étudiant dit ou fait, créant ainsi une expérience plus réaliste. 

Le patient virtuel de Virti évalue également la clarté et l'empathie avec lesquelles le stagiaire communique. Si un étudiant dit quelque chose comme "métastatique", le système peut lui suggérer de le reformuler en disant "le cancer s'est propagé" pour que le patient le comprenne mieux.

Virti suit également les performances des étudiants lors des simulations, fournissant aux formateurs des tableaux de bord qui mettent en évidence les domaines dans lesquels les apprenants peuvent éprouver des difficultés, comme la prescription excessive d'antibiotiques ou l'omission de diagnostics critiques.

Cette technologie d'IA devient de plus en plus populaire dans la pratique. Pendant la pandémie COVID-19, la technologie de Virti a formé plus de 300 médecins à l'hôpital Cedars-Sinai.

Éducation des patients

En ce qui concerne l'éducation des patients, l'IA générative permet un enseignement personnalisé en analysant l'état et les antécédents médicaux d'un patient. 

Des applications comme OneRemission utilisent des chatbots d'IA pour guider les survivants du cancer dans les soins post-traitement. Si un patient demande "Puis-je manger ce plat avec mes médicaments ?", le chatbot donne une réponse directe basée sur les antécédents médicaux du patient. 

Cette interaction va au-delà des conversations statiques. Un patient dont le diabète vient d'être diagnostiqué, par exemple, peut commencer par les bases : comment vérifier sa glycémie, quand prendre de l'insuline, quoi manger. Ensuite, il pourrait demander : "Que se passe-t-il si j'oublie une dose ?" ou "Puis-je manger des fruits ?". L'IA répond immédiatement en langage simple et non technique.

L'IA va également à la rencontre des gens là où ils se trouvent. Si une personne a un faible niveau de connaissances en matière de santé ou parle une autre langue, l'IA adapte sa façon d'expliquer les choses. Au lieu de dire "surveillez votre glycémie", elle pourrait dire "vérifiez votre glycémie à l'aide de cet appareil. Voici comment".

Pour que les patients restent sur la bonne voie, les chatbots d'IA envoient également des rappels opportuns tels que "Prenez votre pilule de 16 heures maintenant" ou "Votre rendez-vous de suivi est demain à 10 heures". 

Fonctions de back-office

Les hôpitaux sont peut-être à la pointe de la technologie dans les salles d'opération, mais dans les coulisses, beaucoup fonctionnent encore avec des feuilles de calcul, des PDF scannés et de longs courriels. Les services des ressources humaines, des finances et des opérations s'appuient souvent sur des systèmes obsolètes qui rendent inefficaces les flux de travail les plus élémentaires.

L'IA générative contribue à moderniser ces fonctions de back-office en transformant les processus manuels en systèmes automatisés.

Prenons l'exemple des finances. Au lieu de demander au personnel d'examiner manuellement chaque facture, certains hôpitaux utilisent désormais l'IA pour scanner les bons de commande, les faire correspondre aux contrats des fournisseurs, repérer les incohérences comme les frais en double, et les acheminer vers l'approbateur approprié. 

Dans les RH, l'IA alimente les chatbots internes qui répondent aux questions des employés telles que "Où puis-je trouver la politique en matière de PTO ?" Au lieu d'attendre des heures (ou des jours) que le service informatique ou les RH répondent, les employés obtiennent des réponses instantanément, même à 2 heures du matin.

Ces outils en coulisses ne sont peut-être pas aussi visibles que les modèles de diagnostic ou les assistants virtuels, mais ils permettent de détecter les erreurs et de libérer le personnel pour qu'il se concentre sur des tâches plus importantes. 

Et les hôpitaux ne sont pas la seule partie du système de santé à s'attaquer aux flux de travail obsolètes. Les compagnies d'assurance utilisent des chatbots d'IA pour gérer des tâches telles que la mise à jour des polices et le traitement des demandes d'indemnisation, ce qui offre un modèle clair sur la façon dont les hôpitaux peuvent apporter la même efficacité à leurs propres opérations.

Automatisation des appels de suivi des vaccins grâce à l'IA vocale

Lors du déploiement du vaccin COVID-19 en Italie, les équipes de santé publique avaient besoin d'un moyen de surveiller les effets secondaires chez des milliers de patients. S'appuyer sur des contrôles en personne ou des appels téléphoniques n'était pas extensible, et les retards risquaient de faire passer à côté de réactions graves.

engineon a créé un robot vocal utilisant Botpress pour appeler les patients de manière proactive, leur poser des questions sur les symptômes post-vaccinaux et enregistrer les réponses, tout en respectant les lois européennes sur la protection de la vie privée. 

Les données ont été introduites directement dans le système d'analyse de engineon, ce qui a permis aux responsables de la santé de réagir rapidement aux événements indésirables.

Cela s'est traduit par une précision de réponse de 95 %, 80 000 euros d'économies annuelles et plus de 6 000 heures de travail libérées. 

Assistant clinique mains libres pour les médecins

Le centre médical de l'université Vanderbilt était confronté à un problème croissant : l'épuisement professionnel des soignants. 

La documentation et les tâches administratives prenaient du temps et faisaient grimper les coûts de main-d'œuvre. Pour alléger le fardeau, le Dr Yaa Kumah-Crystal a mené une action visant à intégrer des outils d'IA à commande vocale dans les flux de travail cliniques quotidiens.

En collaboration avec Epic Systems, l'équipe a mis au point V-EVA: un assistant vocal qui permet aux médecins d'accéder à des informations clés sur les patients en les demandant verbalement. Au lieu de lire des dossiers ou d'écouter de longues réponses audio, les prestataires voient instantanément à l'écran des résumés adaptés à leurs besoins.

Les médecins utilisent désormais des commandes vocales pour commander des examens de laboratoire et demander des mises à jour en gardant les mains libres. Au fur et à mesure que l'IA s'améliore, on s'attend à ce qu'elle fasse encore plus, comme écouter les conversations et anticiper les besoins cliniques.

Chatbot d'IA pour traiter les questions de santé publique à grande échelle

Lors de l'épidémie de COVID-19 au Québec, le ministère de la santé et des services sociaux (MSSS) a dû faire face à une vague de demandes de renseignements de la part du public, concernant aussi bien les symptômes et les tests que l'aide financière et les règles de santé publique. Les centres d'appels n'ont pas pu répondre à la demande.

Pour répondre rapidement, le MSSS a déployé un chatbot AI Botpress seulement deux semaines. Il a été formé pour répondre à un grand nombre de questions relatives à COVID, disponible 24 heures sur 24 et 7 jours sur 7, et toujours au fait des dernières directives sanitaires.

La ligne téléphonique de triage COVID-19 gérée par un robot vocal d'IA

Lors de la première vague de COVID-19, Mass General Brigham a mis en place une ligne d'assistance téléphonique pour répondre aux questions des patients. Mais en quelques heures, le volume d'appels a explosé. 

Pour remédier à ce problème, l'équipe a mis au point un assistant vocal doté d'une intelligence artificielle et formé aux protocoles de dépistage des CDC. Le robot posait des questions sur les symptômes, proposait les étapes suivantes et orientait les patients vers des soins d'urgence, un médecin de premier recours ou les urgences.

En se déchargeant des appels de routine, le robot d'IA a considérablement réduit les temps d'attente et a aidé des milliers de patients à obtenir des conseils plus rapidement. 

Aujourd'hui, cette dynamique initiale d'utilisation de l'IA se poursuit : 1 médecin sur 10 du Mass General Brigham utilise l'IA générative, maintenant pour aider à la documentation.

Un outil vocal doté d'IA pour les personnes handicapées

Vocable est une application gratuite qui aide les personnes souffrant de troubles de la parole à communiquer en utilisant les mouvements de la tête, du visage ou des yeux pour générer des réponses naturelles, alimentées par l'IA.

La première version utilisait la caméra frontale d'un appareil mobile pour suivre les mouvements de la tête et du visage, ce qui permettait aux utilisateurs de sélectionner des mots et des phrases à l'écran. Il s'agissait d'un grand pas en avant par rapport aux appareils de CAA (communication améliorée et alternative) traditionnels, qui coûtent souvent plus de 15 000 dollars et offrent des fonctionnalités limitées.

Mais elle restait mécanique. Pour y remédier, l'équipe a intégré le ChatGPT. Désormais, Vocable comprend ce que dit un soignant et génère des réponses intelligentes en temps réel.

Sur Apple Vision Pro, l'expérience va encore plus loin. Les utilisateurs peuvent naviguer dans l'interface grâce au suivi oculaire dans un affichage totalement immersif.

Le résultat est un outil de communication moderne pour les survivants d'accidents vasculaires cérébraux, les personnes atteintes de SLA ou de SEP, les patients non verbaux et d'autres personnes qui ont du mal à parler.

1. Définir vos objectifs

Ne construisez pas un chatbot juste pour en avoir un. Déterminez exactement ce qu'il doit faire.

• Doit-il prendre des rendez-vous ?
• Envoyer des rappels de prescription ?
• Triage des symptômes et orientation des patients vers les soins ?

Chaque objectif conduit à des fonctionnalités, des intégrations et des décisions de conception différentes. Par exemple, si vous souhaitez un triage des symptômes, vous aurez besoin d'un agent LLM qui comprend le langage naturel et peut traiter des entrées ouvertes telles que : "J'ai mal à la gorge et de la fièvre depuis deux jours - dois-je venir ? "J'ai mal à la gorge et j'ai de la fièvre depuis deux jours - dois-je venir ?"

Pas d'objectif clair = bot désordonné sans valeur claire.

2. Choisir la bonne plateforme d'IA

Tous les créateur chatbots ne travaillent pas pour les hôpitaux ou les cliniques. Choisissez une plateforme conçue pour les soins de santé ou facilement adaptable à ces derniers. Pour vous aider à démarrer, voici 9 des meilleurs créateurs de chatbots IA.

Recherchez des flux de travail personnalisables, afin de pouvoir définir une logique pour le triage, les rappels ou l'accueil, et des intégrations avec les DSE, les portails de patients et les outils de planification.

Confirmez également qu'il prend en charge la conformité (par exemple, HIPAA) et l'évolutivité. Vous ne voulez pas avoir à reconstruire lorsque votre projet pilote se développe. 

Et assurez-vous que la plateforme que vous avez choisie inclut de solides mesures de sécurité pour les chatbots, comme le cryptage des données et les contrôles d'accès basés sur les rôles. 

3. Intégration aux systèmes centraux

Un chatbot autonome ne sera pas d'une grande utilité. Pour obtenir une valeur réelle de votre mise en œuvre de chatbot, intégrez-le à vos systèmes principaux afin qu'il puisse réellement faire des choses, comme par exemple :

• Extraire les données du patient de votre DSE pour personnaliser les interactions
• Vérifier la disponibilité des rendez-vous en temps réel
• Traiter les questions de facturation en se connectant aux outils d'assurance et de réclamation.
• Suivre les données d'utilisation via des plateformes d'analyse telles que Looker ou Tableau

Sans intégration, votre chatbot n'est qu'une FAQ fantaisiste.

4. Construire et tester

Concevez le flux de la conversation comme vous le feriez pour un processus clinique. Établissez un plan :

• Que doit dire le robot en premier ?
• Quelles sont les questions de suivi à poser ?
• Comment gère-t-il les entrées confuses ou l'escalade ?

Une fois que le flux est clair, construisez votre chatbot.

5. Réitérer

Enfin, testez-le de manière itérative.

Simulez des chats de patients, trouvez les points faibles et corrigez-les. Demandez l'avis du personnel de première ligne et des utilisateurs réels. Ajustez le ton et les réponses jusqu'à ce que le système fonctionne comme prévu.

L'amélioration ne s'arrête pas après le lancement. Les meilleurs robots évoluent en fonction de leur utilisation dans le monde réel.

Comment savoir si mon organisme de santé est prêt à mettre en œuvre l'IA générative ?

Vous saurez que votre organisme de santé est prêt à mettre en œuvre l'IA générative si vous avez des problèmes bien définis à résoudre - comme la réduction du temps de documentation ou l'amélioration de l'analyse des données - et si votre équipe est ouverte à l'adoption de nouveaux outils numériques. L'état de préparation implique également de disposer de systèmes de données sécurisés (comme les DSE) auxquels l'IA peut s'intégrer, et d'obtenir l'aval des dirigeants pour piloter de petits projets d'IA ciblés avant de passer à l'échelle supérieure.

Quelles sont les lois sur la confidentialité des données des patients à prendre en compte lors de l'utilisation de l'IA générative dans les soins de santé ?

Lorsque vous utilisez l'IA générative dans le domaine de la santé, vous devez vous conformer aux lois sur la confidentialité des patients telles que l'HIPAA aux États-Unis (ou le GDPR en Europe), qui régissent la manière dont les informations de santé protégées (PHI) sont stockées et partagées. Cela signifie que tous les outils d'IA que vous déployez doivent prendre en charge le cryptage, des contrôles d'accès stricts, des journaux d'audit et des processus de dépersonnalisation des données si elles sont utilisées pour des modèles de formation ou d'analyse.

L'IA générative est-elle suffisamment sûre pour la prise de décisions cliniques ou doit-elle être utilisée uniquement pour des tâches administratives ?

L'IA générative n'est pas encore assez fiable pour remplacer le jugement clinique et devrait être utilisée comme un outil d'assistance plutôt que comme un décideur dans les soins aux patients. Elle est sûre pour les tâches administratives, comme la rédaction de notes et le traitement des questions courantes des patients, mais les diagnostics médicaux ou les plans de traitement doivent toujours être supervisés par un humain pour éviter les erreurs.

Combien de temps faut-il généralement pour déployer un chatbot d'IA dans un établissement de soins de santé ?

Le déploiement d'un chatbot d'IA dans un établissement de santé peut prendre de quelques semaines à plusieurs mois, en fonction de sa complexité. Un chatbot FAQ de base peut être lancé en 2 à 4 semaines, tandis qu'un chatbot sophistiqué qui se connecte aux DSE, gère les conversations conformes à l'HIPAA ou effectue un triage peut prendre de 2 à 6 mois pour le développement, les tests et les approbations de conformité.

Existe-t-il des spécialités médicales spécifiques où l'IA générative est plus utile ?

Oui, l'IA générative est particulièrement utile dans des spécialités comme la radiologie (pour interpréter les images et rédiger des rapports), la pathologie (pour résumer les résultats), l'oncologie (pour résumer des plans de traitement complexes), la santé mentale (pour les robots thérapeutiques conversationnels) et les domaines à forte charge administrative comme les soins primaires, où elle aide à générer de la documentation clinique et à gérer efficacement la communication avec les patients.