L'AI dans le secteur de la santé : applications et meilleures pratiques

L'AI dans le secteur de la santé fait référence à l'application de l'intelligence artificielle, y compris le machine learning, le deep learning et l'AI générative, aux flux de travail cliniques, administratifs et de recherche dans l'ensemble des systèmes de santé. Les systèmes d'AI de santé ingèrent les données des patients, les EHR (electronic health records), l'imagerie médicale et la documentation clinique pour soutenir le diagnostic, la planification des traitements et l'efficacité opérationnelle. Ce guide est rédigé pour les professionnels de la santé, les leaders de l'IT en santé et les équipes d'informatique clinique qui évaluent les solutions d'AI, en donnant la priorité aux cas d'usage cliniques, aux pratiques de données et aux obligations réglementaires plutôt qu'aux comparaisons de fournisseurs.

L'AI dans la santé a une histoire plus longue que ce que la plupart des équipes cliniques imaginent. L'AI a commencé à s'intégrer dans la santé dans les années 1970, lorsque les premiers systèmes experts basés sur des règles tentaient de reproduire la prise de décision des médecins pour des tâches de diagnostic précises. Les modèles d'AI modernes ressemblent peu à ces premiers systèmes, mais l'objectif principal reste le même : utiliser des schémas dans les données pour soutenir, et non remplacer, le jugement clinique. Les sections ci-dessous présentent les domaines dans lesquels les outils d'AI sont utilisés aujourd'hui, la manière dont les organisations gèrent les données d'entraînement qui les alimentent, et les cadres réglementaires qui régissent leur utilisation clinique.

Portée et définitions : intelligence artificielle, modèles d'AI et algorithmes d'AI

L'intelligence artificielle est le vaste domaine de l'informatique axé sur la construction de systèmes qui exécutent des tâches nécessitant normalement l'intelligence humaine, telles que la reconnaissance de formes, la compréhension du langage et la prédiction. Au sein de l'AI appliquée à la santé, trois termes sont fréquemment utilisés de manière interchangeable mais décrivent des couches distinctes de la pile technologique.

Les modèles d'AI sont les artefacts entraînés qui associent des données d'entrée, telles que des données de patients ou des images médicales, à une sortie, telle qu'un score de risque ou une classification. Les algorithmes d'AI sont les procédures mathématiques, y compris les algorithmes de machine learning et les techniques de deep learning, utilisées pour entraîner ces modèles. L'AI générative est une catégorie spécifique de modèles d'AI capables de produire de nouveaux contenus, tels que des projets de documentation clinique ou des résumés d'antécédents médicaux, plutôt que de simplement classifier ou prédire des données existantes.

Les organisations de santé déploient généralement plusieurs types de modèles côte à côte : des modèles de classification supervisée pour l'aide au diagnostic, des modèles de séries temporelles pour la surveillance des patients, des modèles de traitement du langage naturel pour la documentation clinique et des modèles de vision par ordinateur pour l'analyse d'images médicales. Comprendre quel type de modèle sous-tend un outil d'AI donné aide les équipes cliniques à évaluer ses résultats de manière appropriée, car le texte fluide d'un modèle génératif présente des garanties de fiabilité différentes de celles des résultats d'un classificateur de diagnostic validé.

Où l'AI est-elle utilisée : applications et outils d'AI dans le secteur de la santé

Les outils d'AI touchent désormais presque toutes les étapes de la médecine clinique, de l'admission au suivi après la sortie. Dans les organisations du secteur de la santé et des sciences de la vie, les applications les plus matures se regroupent autour de quatre catégories : l'aide au diagnostic, l'automatisation administrative, la découverte de médicaments et l'engagement auprès des patients.

Les systèmes d'aide à la décision clinique signalent les patients à haut risque, font ressortir les protocoles de traitement pertinents et résument les antécédents médicaux au point d'intervention. Les algorithmes d'AI peuvent signaler les patients à haut risque dans les services d'urgence, offrant au personnel de triage une visibilité plus précoce sur le risque de détérioration que ne le permet l'examen manuel des dossiers. Les outils d'AI d'imagerie assistent les radiologues et les pathologistes en pré-analysant les scanners et en mettant en évidence les régions d'intérêt. Les solutions d'AI administratives gèrent le codage médical, le traitement des réclamations et les autorisations préalables, réduisant ainsi la charge de travail manuelle des prestataires de soins.

Les assistants de santé virtuels et les appareils connectés étendent les soins de santé basés sur l'AI au-delà de l'hôpital, permettant une surveillance continue des patients atteints de maladies chroniques. Les plateformes de télésanté intègrent de plus en plus de modèles d'AI directement dans le flux de travail des consultations, utilisant le traitement du langage naturel pour générer des résumés de visites en temps réel. À travers ces applications, le fil conducteur est que les outils d'AI sont conçus pour enrichir la pratique clinique, en faisant émerger des informations précises plus rapidement qu'un examen manuel, tout en laissant les décisions de diagnostic et de traitement aux professionnels de la santé.

Dossiers de santé électroniques et entraînement des modèles d'AI

Les dossiers de santé électroniques (EHR) sont la principale source de données pour la plupart des systèmes d'AI en santé. Les données des EHR comprennent des champs structurés tels que les résultats de laboratoire et les listes de médicaments, ainsi que des notes cliniques non structurées, ce qui en fait une source de données d'entraînement riche mais hétérogène. L'AI peut analyser les dossiers de santé électroniques pour prédire les risques de maladie, identifier les lacunes dans les soins et signaler les patients qui pourraient bénéficier d'une intervention plus précoce.

Un entraînement efficace des modèles d'AI sur les données des EHR nécessite des pratiques rigoureuses de collecte de données. Les systèmes de santé ont besoin de modèles de données standardisés, de pratiques de codage cohérentes et de formats interopérables avant que les algorithmes d'AI ne puissent apprendre de manière fiable à partir des dossiers historiques. Les organisations qui centralisent les données des EHR, la documentation clinique et les données d'imagerie sur une architecture de data lakehouse unifiée évitent les silos de données qui limitaient historiquement les projets d'AI en santé à des projets pilotes au sein d'un seul service.

L'interopérabilité est une deuxième exigence. Les systèmes de santé qui échangent des données via des API modernes et des normes basées sur FHIR peuvent entraîner des modèles d'AI sur des populations de patients plus larges et plus représentatives, ce qui améliore la généralisation. L'AI peut prédire les résultats pour les patients avec une précision de 70 à 72 % en utilisant les données des EHR lorsque les modèles sont entraînés sur des ensembles de données suffisamment grands et diversifiés, bien que la précision varie considérablement selon la pathologie, la qualité des données et la population représentée dans les données d'entraînement.

Documentation clinique et AI générative

La documentation clinique est l'un des cas d'usage de l'AI générative qui connaît la croissance la plus rapide dans le secteur de la santé. Les outils d'écoute ambiante capturent les échanges avec les patients et rédigent des notes cliniques structurées, réduisant ainsi le temps que les cliniciens passent à la saisie manuelle des dossiers. L'AI peut réduire les tâches administratives, améliorant ainsi l'efficacité des cliniciens et libérant plus de temps direct pour les prestataires de soins avec les patients.

Un flux de travail de documentation clinique typique commence par la transcription audio de la consultation avec le patient, suivie d'un modèle d'AI générative qui structure la transcription en une note formatée à l'aide de modèles standards. Les grands modèles de langage alimentent la plupart des outils modernes de transcription et de résumé, et de nombreuses implémentations intègrent également la Retrieval-Augmented Generation (RAG), une technique qui ancre les résultats d'un modèle dans une base de connaissances vérifiée plutôt que de s'appuyer uniquement sur l'entraînement interne du modèle. L'ancrage des notes générées par rapport à une base de connaissances RAG vérifiée réduit le risque d'apparition de détails cliniques inventés dans le dossier.

La validation clinique reste non négociable. Chaque note rédigée par l'AI nécessite un point de contrôle et de révision par un clinicien avant d'être intégrée au dossier médical permanent. Cette étape de supervision humaine n'est pas une solution de contournement temporaire ; c'est une caractéristique permanente d'une AI de documentation clinique responsable, car les modèles génératifs peuvent produire un texte fluide mais factuellement incorrect, un mode de défaillance qui comporte des implications directes pour la sécurité des patients dans un dossier clinique.

Outils d'AI pour l'imagerie médicale et le diagnostic

L'imagerie médicale est le domaine clinique qui possède le plus long historique d'outils d'AI approuvés par les autorités réglementaires. D'ici 2025, 77 % des dispositifs médicaux d'AI approuvés par la FDA relèveront de la radiologie, ce qui reflète à la fois le volume de données d'imagerie disponibles pour l'entraînement et la nature relativement bien définie des tâches de classification d'images par rapport à un raisonnement clinique plus ouvert.

Les systèmes d'AI analysent désormais les images médicales à travers de multiples modalités. Les modèles de deep learning entraînés sur des scanners CT peuvent signaler les signes précoces du cancer du poumon, identifiant souvent des nodules plus petits ou plus discrets que ceux détectés de manière fiable lors d'un examen manuel. Des architectures convolutionnelles similaires prennent en charge le dépistage de la rétinopathie diabétique à partir de photographies rétiniennes et la détection du cancer du sein par mammographie, deux des cas d'usage de l'AI d'imagerie les plus largement validés en médecine clinique.

Lors de l'évaluation des outils d'AI d'imagerie, les organisations de santé doivent confirmer l'approbation de la FDA ou le statut de marquage CE, demander des données publiées sur la sensibilité et la spécificité pour des populations comparables à leur propre base de patients, et établir un flux de travail dans lequel les résultats de l'AI servent de second lecteur plutôt que de décision finale. Cette approche préserve les avantages d'une détection précoce tout en maintenant la responsabilité du radiologue ou du pathologiste référent.

Découverte de médicaments et interactions médicamenteuses

La recherche et le développement pharmaceutiques représentent l'une des applications à plus forte valeur ajoutée de l'AI dans le secteur de la santé, compte tenu du coût et des délais pluriannuels du développement traditionnel de médicaments. L'AI peut améliorer les processus de découverte de médicaments, en accélérant la mise à disposition des traitements grâce à la réduction de l'espace de recherche de candidats médicaments viables avant le début des validations coûteuses en laboratoire.

Modèles d'AI dans la découverte de médicaments

Les modèles de prédiction de la structure des protéines, notamment AlphaFold et ses successeurs, ont changé la façon dont les équipes de recherche abordent l'identification des cibles. Au lieu de s'appuyer uniquement sur la cristallographie expérimentale, les chercheurs peuvent générer des prédictions structurelles de haute confiance par calcul, puis donner la priorité à la validation en laboratoire humide (wet-lab) pour les cibles les plus prometteuses. Cela modifie le flux de travail de la découverte de médicaments : l'identification des cibles commence de plus en plus par un modèle informatique avant de passer à une confirmation biologique ou biochimique. L'AI peut réduire considérablement le temps de découverte de médicaments lors des essais cliniques, en particulier dans les phases initiales de criblage où les modèles d'AI filtrent des milliers de composés candidats pour obtenir une liste restreinte qui mérite d'être étudiée expérimentalement.

Détection des interactions médicamenteuses grâce à l'AI

Les algorithmes d'exploration de la littérature scientifique analysent les recherches cliniques publiées, les rapports d'événements indésirables et les bases de données de pharmacovigilance afin d'identifier des interactions médicamenteuses jusqu'alors non documentées. Ces algorithmes d'AI traitent des volumes de textes de recherche médicale non structurés bien au-delà de ce que les équipes d'analyse manuelle de la littérature peuvent couvrir. L'intégration de modèles de détection des interactions médicamenteuses aux systèmes de surveillance des événements indésirables permet aux organisations de santé de signaler plus tôt les signaux de sécurité émergents, soutenant ainsi à la fois la sécurité des patients individuels et une surveillance plus large de la santé publique.

Solutions d'AI opérationnelles : tâches administratives et flux de travail

La charge administrative est systématiquement citée par les prestataires de soins de santé comme l'un des principaux facteurs d'épuisement professionnel des cliniciens, et les solutions d'AI ciblant les tâches de routine y répondent directement. L'AI peut réduire la charge administrative des prestataires de soins de santé en automatisant le codage médical, la vérification de l'éligibilité aux assurances, la documentation des autorisations préalables et le traitement des demandes de remboursement.

Un déploiement type d'AI opérationnelle cartographie les tâches administratives par volume et complexité, puis séquence l'automatisation en commençant par les processus au volume le plus élevé et les plus basés sur des règles, comme le codage des visites de routine, avant de passer à des scénarios de remboursement plus complexes. Les diagrammes de flux de travail qui tracent une demande de remboursement depuis sa soumission jusqu'à sa décision aident les équipes opérationnelles à identifier les étapes où l'examen assisté par AI réduit les taux de rejet et le travail de correction.

Au-delà des demandes de remboursement, les outils d'allocation des ressources basés sur l'AI aident les systèmes de santé à attribuer les ressources telles que le personnel, la capacité en lits et les équipements en fonction du volume de patients prévu. L'estimation du retour sur investissement opérationnel de ces déploiements implique généralement de comparer le temps de traitement et les taux d'erreur avant l'automatisation avec les indicateurs post-déploiement sur une période pilote définie, ce qui donne aux systèmes de santé une base solide pour faire évoluer à plus grande échelle les projets pilotes réussis.

Aide à la décision clinique et algorithmes d'AI

Les systèmes d'aide à la décision clinique appliquent des algorithmes d'AI pour synthétiser les données des patients, les directives cliniques et les protocoles de traitement en recommandations exploitables directement sur le lieu de soins. Les types d'algorithmes vont des systèmes basés sur des règles, qui appliquent une logique clinique explicite, aux algorithmes de machine learning entraînés sur des résultats historiques, jusqu'aux modèles de deep learning plus complexes capables d'identifier des schémas subtils dans des données de grande dimension, telles que les flux continus de signes vitaux.

L'explicabilité est une exigence essentielle pour l'aide à la décision clinique, ce qui la distingue de nombreuses autres applications d'AI. Les professionnels de la santé doivent comprendre pourquoi un algorithme a signalé un patient particulier ou recommandé un protocole de traitement spécifique, et pas seulement recevoir le résultat lui-même. Le partage d'indicateurs d'explicabilité, comme les variables d'entrée qui ont le plus influencé une recommandation donnée, renforce la confiance des cliniciens et répond aux attentes réglementaires émergentes pour les systèmes d'AI à haut risque.

Les protocoles de validation avant le déploiement doivent inclure des tests rétrospectifs par rapport aux résultats historiques des patients, des tests prospectifs en mode fantôme (shadow-mode) où l'algorithme fonctionne en parallèle des soins standard sans influencer les décisions, et un suivi continu des performances après la mise en service. Cette approche de validation par étapes permet de détecter la dégradation des performances ou les biais avant qu'ils n'affectent les soins aux patients.

Pratiques en matière de données : collecte de données, confidentialité et utilisation des EHR

Les systèmes d'AI nécessitent des données de haute qualité pour garantir la précision et l'équité, ce qui fait des normes de collecte de données le fondement de tout programme d'AI en santé. Les normes de collecte de données cliniques doivent spécifier les sources de données acceptables, les tailles d'échantillon minimales pour les données d'entraînement et les exigences de documentation sur la manière dont chaque ensemble de données a été assemblé et étiqueté.

La désidentification et la pseudonymisation sont des pratiques courantes avant que les données de santé n'entrent dans un pipeline d'entraînement de modèle. Les techniques vont de la simple suppression de champs à des approches plus sophistiquées qui préservent l'utilité analytique tout en réduisant le risque de ré-identification. Les organisations opérant dans l'Union européenne doivent également tenir compte de l'Espace européen des données de santé, un cadre qui permet l'utilisation secondaire des données de santé pour la recherche et l'innovation en AI sous réserve de garanties définies, distincte de l'utilisation primaire de ces données dans les soins directs aux patients.

Les considérations relatives aux données transfrontalières ajoutent une complexité supplémentaire pour les consortiums de recherche multinationaux. La centralisation des données des patients sur un cadre de gouvernance des données régi, avec une traçabilité claire depuis les propres sources de données jusqu'à l'entraînement du modèle, fournit aux équipes de conformité la piste d'audit que les régulateurs exigent de plus en plus.

Réglementation et responsabilité : l'AI Act et la conformité

Le paysage réglementaire de l'AI dans le secteur de la santé est passé de recommandations volontaires à des obligations juridiques contraignantes. L'AI Act européen sera pleinement applicable d'ici 2026 et établit un cadre réglementaire basé sur les niveaux de risque dans lequel la plupart des systèmes d'AI clinique, y compris les outils de diagnostic et de recommandation de traitement, sont classés comme présentant un risque élevé. L'AI Act exige que les systèmes d'AI à haut risque respectent des normes de sécurité strictes, notamment une gestion des risques documentée, une gouvernance des données, une documentation technique et une surveillance humaine tout au long du cycle de vie du système.

Les obligations diffèrent pour les modèles d'AI à usage général, tels que les grands modèles de langage que les organisations de santé affinent ou déploient pour un usage clinique spécifique, par rapport aux systèmes d'AI conçus pour un objectif unique et défini. Les fournisseurs de modèles à usage général sont confrontés à des exigences de transparence et de documentation au niveau du modèle, tandis que les organisations de santé qui déploient ces modèles pour un usage clinique à haut risque héritent d'obligations supplémentaires en tant que déployeurs dans le cadre réglementaire.

Aux États-Unis, la FDA développe des cadres pour les dispositifs médicaux d'AI qui prennent en compte les modèles capables d'apprentissage continu après leur autorisation initiale, ce qui rompt avec le modèle traditionnel d'approbation des dispositifs construit autour d'un produit fixe et immuable. Tout déploiement d'AI en santé traitant des données de patients doit également être conforme aux réglementations HIPAA pour protéger les données des patients, quel que soit le parcours réglementaire clinique applicable. Une liste de contrôle de conformité pratique pour les déploiements d'AI en santé devrait confirmer les garanties de conformité HIPAA, la classification des risques applicable selon l'AI Act, le statut d'autorisation de la FDA le cas échéant, et les procédures de surveillance humaine documentées avant la mise en service.

Cadre de mise en œuvre pour le déploiement de solutions d'AI

Les organisations de santé qui réussissent avec les solutions d'AI suivent généralement une feuille de route allant du projet pilote à l'échelle, plutôt qu'un déploiement à l'échelle de l'entreprise dès le premier jour. Une phase pilote, limitée à une seule ligne de services cliniques ou à un seul flux de travail administratif, permet de faire émerger les problèmes de qualité des données, les frictions dans les flux de travail et les obstacles à l'adoption par les cliniciens avant d'investir plus largement.

Le déploiement en mode fantôme (shadow-mode), où le système d'AI fonctionne en parallèle avec les flux de travail cliniques existants sans influencer les décisions en direct, est l'étape recommandée entre le pilote et la production pour tout outil d'AI touchant directement aux soins des patients. Cette période permet aux systèmes de santé de comparer les résultats générés par l'AI avec les résultats cliniques réels et l'examen manuel, quantifiant ainsi la précision avant que les cliniciens ne se fient aux recommandations du système.

L'engagement des parties prenantes doit s'étendre au-delà de l'équipe informatique pour inclure les cliniciens praticiens, les responsables de la conformité et les défenseurs des droits des patients dès les premières étapes de la planification. Un rythme de suivi trimestriel garantit qu'un outil d'AI validé lors de son lancement continue de fonctionner de manière fiable à mesure que les populations de patients et les distributions de données sous-jacentes évoluent au fil du temps.

Éthique, biais et sécurité des patients dans les soins de santé basés sur l'AI

L'intégration de l'AI est confrontée à des défis tels que la confidentialité des données et les biais algorithmiques, et le traitement de ces deux aspects est une condition préalable à un déploiement responsable plutôt qu'un ajout optionnel. Les stratégies d'atténuation des biais doivent inclure l'audit des données d'entraînement pour vérifier leur représentativité parmi les groupes démographiques, le test des performances du modèle séparément au sein de sous-populations plutôt que de s'appuyer uniquement sur la précision globale, et l'établissement d'un processus pour réentraîner ou retirer les modèles qui présentent un écart de performance pour un groupe de patients donné.

La surveillance humaine est une exigence, et non une recommandation, pour les cas d'usage clinique à haut risque. Chaque recommandation générée par l'AI qui influence le diagnostic ou le traitement doit être validée par un professionnel de la santé avant d'affecter les soins aux patients, et cet évaluateur doit avoir l'autorité et la formation nécessaires pour passer outre le résultat du système. Les pratiques de transparence et de consentement importent tout autant : les patients doivent être informés lorsque des outils d'AI contribuent à leurs soins, dans un langage qui explique le rôle du système d'AI sans nécessiter d'expertise technique pour être compris.

La protection de la vie privée des patients va au-delà de la conformité réglementaire pour s'inscrire dans la pratique quotidienne, y compris les contrôles d'accès pour déterminer qui peut interroger les données des patients et la journalisation des audits pour chaque événement d'accès. Ces pratiques protègent les patients individuels tout en préservant la confiance dont dépendent les soins de santé basés sur l'AI à l'échelle de la population.

Évaluation, suivi et indicateurs de performance pour les systèmes d'AI

Les indicateurs de performance clinique pour l'AI en santé vont au-delà des chiffres de précision généralement rapportés dans l'industrie de l'AI. La sensibilité, la spécificité, la valeur prédictive positive et le calibrage au sein des sous-groupes de patients importent tous davantage dans un contexte clinique qu'un simple score de précision global. L'AI peut prédire des maladies avec une précision de 70 à 72 % dans plusieurs cas d'usage validés, mais ce chiffre ne signifie pas grand-chose sans les données de sous-groupe et de calibrage correspondantes spécifiques à la population de déploiement.

Les plans de collecte de données en conditions réelles doivent spécifier comment les résultats post-déploiement seront suivis par rapport aux performances de validation pré-déploiement du modèle. Les outils d'AI qui prédisent le sepsis des heures avant l'apparition des symptômes, par exemple, nécessitent de surveiller non seulement la précision des prédictions, mais aussi le temps de réponse clinique en aval et les résultats pour les patients suite à chaque alerte.

La fréquence de surveillance post-déploiement dépend du niveau de risque clinique : les outils d'aide à la décision à haut risque justifient une surveillance continue, tandis que les solutions d'AI administratives à faible risque peuvent suivre un cycle d'examen trimestriel. Le suivi des données et des versions de modèles via MLflow fournit aux équipes cliniques et de conformité un enregistrement reproductible de la version du modèle qui a généré une recommandation donnée.

Effectifs, formation et opportunités de carrière dans l'AI en santé

La santé optimisée par l'AI redéfinit les compétences dont les professionnels de la santé ont besoin, sans pour autant éliminer le jugement clinique qui est au cœur des soins aux patients. Les cliniciens ont de plus en plus besoin de comprendre comment les modèles d'AI génèrent leurs résultats, quelles limites en matière de collecte de données et de données d'entraînement peuvent affecter la fiabilité, et comment réagir lorsque la recommandation d'un outil d'AI entre en conflit avec le jugement clinique.

Les modules de formation destinés au personnel clinique doivent couvrir des compétences pratiques en AI : interpréter les scores de confiance des modèles, reconnaître les modes de défaillance tels que les biais démographiques, et comprendre les limites de ce qu'un outil d'AI donné a été validé pour accomplir. Des rôles interdisciplinaires apparaissent à l'intersection de la médecine clinique et de la science des données, notamment des informaticiens cliniques, des spécialistes de la gouvernance des données de santé et des responsables du déploiement de l'AI chargés du processus de passage du pilote à l'échelle décrit ci-dessus. Les systèmes de santé qui investissent dès maintenant dans ces compétences sont mieux positionnés pour évaluer de manière critique les nouveaux outils d'AI à mesure que l'innovation en matière d'AI dans la santé s'accélère.

Tendances futures : AI générative et modèles d'AI avancés dans le secteur de la santé

L'AI devrait améliorer la médecine personnalisée d'ici 2025, en adaptant les protocoles de traitement à chaque patient en fonction de données génomiques, cliniques et de mode de vie, plutôt que de moyennes de population. L'AI permettra une médecine de précision adaptée à chaque patient à mesure que les modèles d'AI multimodaux seront assez matures pour raisonner conjointement sur l'imagerie médicale, les données EHR structurées et les données génomiques au sein d'un système unique, plutôt que de nécessiter des modèles distincts pour chaque type de données.

Le rôle de l'AI générative dans les flux de travail cliniques devrait également s'étendre au-delà de la documentation pour englober des domaines tels que la génération de données d'entraînement synthétiques, ce qui peut aider à pallier la rareté des données pour la recherche sur les maladies rares tout en préservant la confidentialité des patients. L'AI devrait générer entre 60 et 110 milliards de dollars de valeur annuelle pour le secteur de la santé, un chiffre stimulé par les gains combinés en matière d'efficacité administrative, d'aide à la décision clinique et d'accélération de la découverte de médicaments, plutôt que par une seule application.

La veille scientifique continue devrait suivre les modèles d'AI émergents capables de traiter simultanément plusieurs modalités de données, les directives réglementaires mises à jour à mesure que les dispositions de l'AI Act deviennent pleinement applicables, et les preuves évolutives de l'efficacité de la santé optimisée par l'AI pour améliorer de manière mesurable les résultats des patients à grande échelle, par rapport aux domaines où une validation supplémentaire est encore nécessaire.

Foire aux questions

Comment l'AI est-elle utilisée dans le secteur de la santé aujourd'hui ?

L'AI dans la santé soutient la prise de décision clinique, l'analyse de l'imagerie médicale, la documentation clinique, l'automatisation administrative et la découverte de médicaments. Les prestataires de soins de santé utilisent des outils d'AI pour identifier les patients à haut risque, rédiger des notes cliniques à partir des consultations et analyser les images médicales pour détecter les premiers signes de maladie, toujours sous supervision humaine avant que les résultats n'affectent les soins aux patients.

Quelle est la précision de l'AI pour prédire les résultats des patients ?

L'AI peut prédire les résultats des patients avec une précision de 70 à 72 % à l'aide des dossiers de santé électroniques, bien que la précision varie selon la pathologie, la qualité des données et la diversité des données d'entraînement. Les organisations de santé devraient demander des données de performance au niveau des sous-groupes, et pas seulement un chiffre de précision global, avant de s'appuyer sur un modèle prédictif dans la pratique clinique.

Quel est l'impact de l'AI Act européen sur l'AI dans la santé ?

L'AI Act européen classe la plupart des systèmes d'AI cliniques comme présentant un risque élevé et sera pleinement applicable d'ici 2026. Il impose aux organisations de santé qui déploient des systèmes d'AI à haut risque de maintenir une gestion des risques documentée, une gouvernance des données, une documentation technique et une supervision humaine tout au long du cycle de vie de chaque système.

L'AI remplace-t-elle les professionnels de la santé ?

Non. Les systèmes d'AI sont conçus pour soutenir le jugement clinique, et non pour le remplacer. Une supervision humaine est requise pour les cas d'usage cliniques à haut risque, ce qui signifie qu'un professionnel de la santé examine les recommandations générées par l'AI avant qu'elles n'influencent les décisions de diagnostic ou de traitement pour chaque patient.

Comment l'AI protège-t-elle la confidentialité des patients dans le secteur de la santé ?

Les systèmes d'AI qui traitent des données de patients doivent être conformes aux réglementations HIPAA aux États-Unis et à des cadres équivalents tels que l'Espace européen des données de santé ailleurs. Les organisations de santé appliquent la désidentification, la pseudonymisation et des contrôles d'accès aux données des patients avant qu'elles n'entrent dans les pipelines d'entraînement des modèles d'AI.

De quelles données les modèles d'AI ont-ils besoin pour les applications de santé ?

Les modèles d'AI en santé s'entraînent sur des dossiers de santé électroniques, de l'imagerie médicale, de la documentation clinique et, de plus en plus, sur des données d'appareils connectés. Les systèmes d'AI nécessitent des données d'entraînement de haute qualité et représentatives pour garantir la précision et l'équité au sein des populations de patients que le modèle servira à terme.

Ressources, références et lectures complémentaires

Les organisations de santé qui développent ou évaluent des capacités d'AI devraient suivre les directives réglementaires du cadre évolutif de la FDA pour les dispositifs médicaux d'AI et le calendrier de mise en œuvre de l'AI Act de la Commission européenne, ainsi que les ensembles de données de référence couramment utilisés pour évaluer les performances des modèles en radiologie, en NLP clinique et en analyse prédictive. Databricks accompagne les organisations du secteur de la santé dans la création de systèmes d'AI gouvernés et à l'échelle de la production sur une architecture data lakehouse unifiée, Unity Catalog fournissant la couche de gouvernance qui sous-tend l'entraînement conforme des modèles d'AI sur les données cliniques et de recherche.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original