Pour que l’intelligence artificielle (IA) transforme réellement le secteur de la santé, il ne faut plus la considérer comme un projet annexe, mais l’intégrer pleinement aux objectifs opérationnels existants, selon Deepti Pandita, experte en informatique clinique. Cette approche pragmatique, axée sur la résolution de problèmes concrets, est la clé pour obtenir des résultats mesurables.
« L’IA doit être au service de vos projets stratégiques et des défis auxquels votre établissement de santé est confronté », a expliqué la docteure Pandita, CMIO et vice-présidente de l’informatique clinique chez UCI Health, lors d’une récente entrevue. Elle préconise une méthode rigoureuse pour les établissements qui souhaitent tirer parti de l’IA.
Plutôt que de lancer des initiatives isolées, il est préférable de partir des enjeux stratégiques de l’hôpital – durée moyenne de séjour, flux des urgences, optimisation du cycle de revenus – et d’évaluer comment l’IA peut améliorer ou remplacer les tactiques actuelles. Cette approche permet de maintenir une gouvernance solide et de mesurer les résultats grâce à des indicateurs clés de performance (KPI) familiers.
La gouvernance doit être inclusive dès le départ, insiste la docteure Pandita. Les responsables opérationnels, les utilisateurs finaux, les scientifiques des données et les experts en éthique doivent tous avoir leur mot à dire dans la conception et la mise en œuvre des solutions. L’objectif n’est pas de débattre de l’IA en théorie, mais de s’assurer que ceux qui utiliseront l’outil contribuent à le façonner et à le défendre avant son déploiement.
Un autre aspect crucial est la clarté des rôles. De nombreuses organisations hésitent à savoir si l’IA nécessite une gouvernance distincte ou si elle peut être intégrée aux structures existantes. Selon la docteure Pandita, il faut considérer le processus d’adoption comme celui des autres technologies, tout en mettant en place une surveillance spécifique. « La gestion du cycle de vie d’une solution d’IA est différente de celle d’une technologie classique », explique-t-elle, soulignant la nécessité de points de contrôle adaptés pour tenir compte de l’évolution des modèles et des données.
Cette discipline s’étend au-delà des réunions de comités. Les mesures de succès doivent être directement liées aux problèmes de l’entreprise, et non à l’IA elle-même. Il est essentiel de définir des objectifs clairs, de documenter les hypothèses concernant les données et de prévoir des ajustements réguliers. Les échecs des projets pilotes sont souvent dus à des réalités opérationnelles négligées ou à des données mal synchronisées, et non à l’algorithme lui-même. La docteure Pandita recommande une expérimentation progressive, avec des étapes de validation claires, pour éviter de gaspiller des ressources dans des ajustements sans fin.
En matière de culture d’entreprise, l’IA doit évoluer progressivement, et non provoquer une révolution. Les établissements de santé ont déjà intégré d’autres technologies – passage du matériel sur site au cloud, des logiciels sous licence au SaaS – et l’IA suivra un processus de maturation similaire. L’éducation et la répétition sont essentielles pour transformer les appréhensions en habitudes, tout comme les règles de gouvernance transforment les projets pilotes en normes établies.
L’acquisition de solutions auprès de fournisseurs externes représente un risque opérationnel croissant. Les mises à niveau ou les fonctionnalités complémentaires peuvent modifier les données, la confidentialité et le profil de risque sans prévenir. La docteure Pandita souligne l’importance d’un processus d’achat rigoureux, incluant un questionnaire standard pour tout fournisseur mentionnant l’IA, afin de déterminer où les modèles sont hébergés, quelles données ils utilisent, comment les résultats sont vérifiés et qui est responsable en cas d’échec.
Une vigilance particulière est nécessaire face aux ajouts de fonctionnalités inattendus. Ces derniers doivent être signalés à la gouvernance avant d’être utilisés. Il est également important de tenir compte du contexte local – environnements universitaires, statuts des professeurs, réglementations spécifiques à chaque État – car une solution qui fonctionne ailleurs peut être inapplicable sans adaptation.
Pour concevoir des projets pilotes efficaces, il est essentiel d’adopter une approche centrée sur l’utilisateur. Impliquez dès le début les cliniciens de première ligne, identifiez un ambassadeur et maintenez sa participation tout au long du processus de construction, de test et de déploiement. Il peut être justifié d’allouer du temps formel (ou un équivalent temps plein) à ces « ambassadeurs » une fois que les projets sont à grande échelle.
La mesure des résultats doit combiner des indicateurs quantitatifs et qualitatifs, adaptés à différents publics. Les dirigeants financiers privilégieront les gains mesurables, tandis que les chefs cliniques évalueront la réduction de la charge de travail et du stress. La création de coalitions est donc essentielle pour obtenir l’adhésion de toutes les parties prenantes.
Enfin, la prise de décision doit être disciplinée. La docteure Pandita met en garde contre les biais liés aux coûts engagés lorsque les projets pilotes n’atteignent pas leurs objectifs, exhortant les équipes à respecter les délais et les critères prédéfinis. « Il faut prendre une décision claire : continuer ou abandonner », a-t-elle déclaré, soulignant que les prolongations ne doivent se faire qu’avec des changements spécifiques et testables.
La docteure Pandita envisage l’impact de l’IA sur le secteur de la santé au-delà de l’engouement initial, vers une pratique durable. Les cas d’utilisation se préciseront, se diversifieront et se normaliseront à mesure que la gouvernance et les opérations s’adapteront. Sa recommandation est une approche à la fois ferme et juste : être curieux d’essayer, mais suffisamment discipliné pour savoir s’arrêter. « Parfois, il faut être dur », conclut-elle.
À ne pas manquer
