TECHNOLOGIE SANTÉ : Pouvez-vous donner des exemples de cas d’utilisation dans lesquels l’IA a aidé les prestataires à réduire les dommages évitables aux patients ?
FROWNFELTER : Un exemple est un diabétique qui est admis à plusieurs reprises à l’hôpital. Comment un système de santé avec tous ces processus en place aide-t-il ce patient qui continue d’être admis à l’hôpital ? Un hôpital aura un bon processus en place pour explorer une douzaine de possibilités à la fois. C’est de la médecine réactive, et c’est parfois un bon processus, mais ce n’est pas précis pour ce patient.
L’intelligence artificielle dans ce contexte aidera à identifier les moteurs sous-jacents de ce patient qui pourraient être moins visibles et à les faire remonter à la surface afin qu’ils puissent être traités pour aider le patient dans son cheminement vers une meilleure santé.
Je fais référence à un cas précis où nous avons identifié un patient diabétique comme étant à risque de dépression lorsqu’il est examiné plus attentivement. Au début, elle n’était pas disposée à en discuter, mais après que le prestataire ait doucement creusé un peu plus profondément, ils ont non seulement aidé à découvrir une dépression qui pouvait être traitée, mais aussi des difficultés avec ses activités quotidiennes et la prise de son insuline. Ils ont pu régler ces problèmes et lui apporter leur soutien. Elle a pu perdre 20 livres, a été soignée pour une dépression et a cessé d’être admise à l’hôpital. Ce n’était pas de la magie ; c’est parce que nous avons aidé à identifier ce qui était invisible et sous-reconnu. C’est le rôle que l’IA doit jouer aujourd’hui dans l’espace clinique.
TECHNOLOGIE SANTÉ : Comment les organismes de santé peuvent-ils s’assurer que les données qu’ils incluent sont impartiales et utiles ?
FROWNFELTER : Nous devons supposer que toutes les données ont une tendance, n’est-ce pas ? Vous pouvez appeler une tendance ou un modèle un biais, en fait, donc la solution pour éliminer toutes les tendances qui ne sont pas appropriées ou pertinentes est d’avoir de plus grandes quantités de données. Nous appelons cela représentation. Si j’ai une ville avec 2 millions de patients et que j’ai un modèle basé sur 100 patients, cela ne représentera pas très bien cette ville, n’est-ce pas ? Mais si j’ai un modèle construit sur 500 000 patients choisis au hasard dans la ville, ce sera probablement une bonne représentation du reste de ces 2 millions de patients.
La représentation est un concept permettant de surmonter les erreurs inhérentes aux petits échantillons ou qui ne se traduisent pas dans une autre population. Jvion utilise la représentation comme principe fondamental. Nous avons plus de 35 millions de patients dans notre univers de données et nous couvrons 99 % des 48 États contigus en raison de cette taille d’échantillon. Vous ne pouvez pas représenter les États-Unis avec 500 000 patients, mais vous pouvez obtenir une meilleure représentation avec 35 millions de patients.
APPRENDRE ENCORE PLUS: Comment l’intelligence artificielle améliore-t-elle les résultats pour les patients ?
Les ensembles de données utilisés créent un autre risque de biais. Les ensembles de données doivent également être représentatifs de la population. Donc, si j’essaie de comprendre une population et que je n’ai pas de données socio-économiques ou que je n’ai qu’une petite partie de ces données, je ne représente pas les facteurs de risque pour ces patients car nous savons que les facteurs socio-économiques conduisent entre 70 et 80 pour cent des résultats de santé.
Si ceux-ci ne sont pas pris en compte, il y aura une sous-représentation des vrais moteurs, et les modèles seront non seulement défectueux, mais auront également des biais inhérents. Le biais sera faussé loin de ceux qui sont les plus à risque de disparités en matière de santé. C’est le plus grand risque en termes de biais qu’il pourrait introduire.
TECHNOLOGIE SANTÉ : Quels sont certains des défis liés à l’adoption ou à la mise en œuvre de l’IA ?
FROWNFELTER : Plus il est facile de voir la preuve que quelque chose fonctionne ou qu’il apporte de la valeur, plus la décision commerciale est facile. Si je peux voir dans des chiffres froids et concrets que je vais faire gagner 50 % du temps d’un radiologue grâce au support de l’IA en imagerie numérique, c’est facile. Mais plus on se rapproche de la pratique clinique, plus c’est difficile à prouver. L’un des défis est le scepticisme des cliniciens. Je les ai entendus dire que même si cela fonctionnait dans une autre organisation, leurs patients ou leur population sont différents. Ils veulent le voir démontré dans une étude contrôlée, randomisée et en double aveugle. Le scepticisme est — de par notre formation — une rigueur scientifique, ce qui est bien. Vous ne voulez pas que les médecins changent rapidement leur pratique au hasard ou de façon capricieuse.
Ce scepticisme construit un mur de stabilité, mais aussi parfois d’inertie. Pour surmonter cela, vous devez avoir des victoires précoces au sein de l’organisation. Ainsi, une victoire en Californie ne se traduit pas par une victoire dans l’Iowa. Vous devez montrer un certain succès entre les quatre murs de l’organisation, puis le succès grandit et engendre plus de succès.
De plus, certaines organisations ont encore du mal à partager des données, et c’est une exigence pour que l’IA fonctionne. Vous devez être en mesure d’extraire des données, de les agréger et de les envoyer. Ainsi, il y a des moments où la technologie n’est pas en soi un obstacle, mais une combinaison de technologies et de compétences peut l’être. Le personnel peut se concentrer sur d’autres priorités, mais les données sont un élément très important.
TECHNOLOGIE SANTÉ : Avez-vous des conseils pour l’utilisation de l’IA ou le succès de la mise en œuvre ?
FROWNFELTER : Vous devez avoir un leadership en place pour conduire le changement de culture. L’une des choses que je vois, c’est que les cliniciens doivent penser différemment. Si la médecine était complètement intuitive, nous n’aurions pas besoin de soutien supplémentaire. Nous n’aurions pas besoin d’IA. Mais en fait, ce n’est pas intuitif. Parfois, nous nous trompons dans ce que nous pensons d’un patient, et en tant que clinicien, je dois accepter que quelque chose que je reçois n’a pas de sens. J’obtiens peut-être une nouvelle idée qui est différente de ce que je pensais, et c’est peut-être vrai. Je dois penser différemment et le prendre comme un test de laboratoire qui m’aide à penser différemment le patient. C’est un gros problème. Sans cette volonté de penser différemment les patients, ils n’agiront jamais sur ces idées, et les patients n’en bénéficieront pas.
Une autre clé du succès est du côté de la technologie. Plus nous comprenons et insérons l’intelligence directement dans les flux de travail des cliniciens, plus il est facile et efficace pour eux de l’utiliser. En fin de compte, nous voulons que les cliniciens soient plus efficaces et n’aient pas Suite travail à faire mais j’ai le à droite Travail à faire. Nous le faisons grâce à l’automatisation.
