L’intelligence artificielle générative ne se limite plus à la démonstration de concept dans le secteur de la santé : son intégration sécurisée et efficace aux flux de travail cliniques est désormais le principal défi. Pour réussir, il ne suffit plus d’obtenir des résultats impressionnants, mais de concevoir des systèmes capables de gérer la complexité des soins tout en préservant le jugement humain.
Si l’IA est souvent perçue comme un simple outil de conversation, à l’image de ChatGPT, cette approche est insuffisante pour répondre aux besoins du milieu médical. Les établissements de santé sont confrontés à un volume considérable de données complexes, souvent non structurées et en constante évolution. L’IA doit donc évoluer vers des systèmes “agentiques”, capables d’observer, de synthétiser et d’agir de manière proactive, sans attendre une requête spécifique.
Selon Andrew Crowder, vice-président de l’ingénierie chez Carta Healthcare, le contexte est primordial pour garantir la performance des modèles d’IA. « Même les modèles les plus avancés ont besoin de directives, et ces directives proviennent du contexte », explique-t-il. Dans le domaine de la santé, ce contexte est particulièrement complexe, car il ne s’agit pas seulement des données fournies, mais aussi de la manière, du moment et de la forme sous laquelle elles sont présentées.
Un dossier médical peut contenir une quantité d’informations trop importante pour être traitée en une seule fois, et une grande partie de ces données peut être non pertinente pour une question donnée. Il est donc essentiel de comprendre l’intention clinique pour déterminer quelles informations sont importantes et à quel moment les transmettre au modèle. Une simple note du patient peut être interprétée comme une liste de faits, mais elle constitue également un récit. Une analyse incomplète de ce récit peut conduire à une réponse techniquement correcte, mais cliniquement inutile.
L’évolution actuelle de l’IA consiste à doter les modèles d’outils leur permettant de décider comment les utiliser. Par exemple, un modèle peut avoir besoin de récupérer des données structurées sur les médicaments dans une base de données ou de numériser un résumé de sortie au format PDF avant de répondre à une question clinique. Ces outils – récupération, analyse, références croisées – permettent au modèle de dépasser le simple traitement du langage et de résoudre des problèmes plus complexes avec une plus grande précision.
Cette approche transforme le rôle du modèle, qui ne se contente plus de répondre aux questions, mais qui raisonne sur la manière d’y parvenir. Par exemple, face à une note clinique, le modèle peut déterminer qu’elle manque d’informations suffisantes pour déterminer si un patient a reçu un certain médicament. Au lieu de deviner, il peut alors interroger un journal de médicaments, vérifier une base de données ou croiser des résultats de laboratoire. L’essentiel est que le modèle prenne cette décision de manière autonome.
Cette orchestration est particulièrement importante dans les flux de travail d’abstraction de données cliniques, où les réponses dépendent souvent de sources multiples et d’un contexte subtil. Des composants capables d’analyser des documents, de récupérer des données, de valider les résultats et de transférer des informations entre les étapes sont indispensables. Un modèle doté d’outils est plus adaptable et résilient face à la variabilité des données.
La formulation des questions joue également un rôle crucial dans la précision des réponses. Il s’agit moins d’un style d’écriture que d’une ingénierie : tester, affiner et ajuster le langage pour obtenir les meilleurs résultats dans chaque scénario. « Pensez-y comme si vous écriviez une lettre d’amour, elles sont personnelles », illustre Andrew Crowder. « Votre structure, votre ton et même votre longueur dépendent de qui vous êtes, de ce que vous voulez transmettre et de qui est le destinataire. »
La mise à l’échelle de l’IA générative présente de nouveaux défis en termes de débit, de latence et de coût. Cependant, dans le domaine de la santé, la principale préoccupation reste la confiance. Les cliniciens doivent savoir d’où proviennent les réponses, si elles sont exactes et si le système est fiable. La confiance augmente lorsque les résultats sont explicables, lorsque les modèles sont transparents quant à l’incertitude et lorsque les systèmes sont adaptés aux données et aux flux de travail locaux.
Les systèmes de qualité clinique les plus sûrs intègrent des garde-fous, des flux de travail qui relient les résultats du modèle aux preuves, aux citations et à une piste d’audit. Il s’agit d’une approche d’intelligence hybride, où la machine et l’expert humain se partagent la responsabilité. Le modèle est le moteur, mais l’humain conserve le contrôle, s’assurant que le système est orienté dans la bonne direction.
En conclusion, l’intelligence ne réside pas uniquement dans le modèle, mais dans l’ensemble du système qui l’entoure : les outils, les flux de travail, les personnes et les décisions qui guident son utilisation. Le déploiement réussi de l’IA dans les soins de santé exige des systèmes capables d’extraire, de structurer et de valider les données à grande échelle, tout en intégrant des garanties qui permettent aux cliniciens de garder le contrôle.
À ne pas manquer
