Implication clinique dans le développement d’algorithmes
Michael Pencina, vice-doyen de la science des données à la Duke University School of Medicine, explique que les discussions récentes sur l’automatisation basée sur les données se sont concentrées sur la manière de réduire l’épuisement professionnel et d’augmenter l’efficacité en aidant les cliniciens à faire ce qu’ils veulent et à passer moins de temps à s’inquiéter des tâches administratives.
Il ajoute qu’il est très important que les cliniciens participent à la planification des initiatives d’automatisation et au développement des algorithmes eux-mêmes.
« L’outil doit être adapté à son objectif, répondre à un réel besoin opérationnel clinique et être créé avec les praticiens, qui contribuent tout au long du processus », précise-t-il. «Ce n’est pas un exercice de science des données; il doit être créé à partir d’un besoin plutôt que simplement pour le plaisir de la technologie.
Il ajoute que son équipe passe beaucoup de temps à identifier les cas d’utilisation prioritaires pour l’innovation numérique et la technologie de l’IA.
« Nous donnons la priorité aux fruits à portée de main – où les risques sont faibles et les gains peuvent aider à réduire l’épuisement professionnel, à améliorer l’expérience du patient et, en fin de compte, à améliorer la santé du patient », déclare Pencina.
Analyser le comportement des patients à l’aide de la modélisation prédictive et de l’automatisation
L’automatisation des données peut également donner un aperçu du comportement des patients, permettant aux organisations de soins de santé de prendre de meilleures décisions opérationnelles. Myers pointe vers des modèles qui peuvent analyser le comportement passé des patients et déterminer si un patient ne se présentera pas à un rendez-vous.
« Si vous savez qu’un patient ne se présente pas souvent à son rendez-vous, vous pouvez le prévoir et également prendre le rendez-vous deux fois », dit-elle. « C’est là que vous pouvez utiliser la modélisation prédictive et l’automatisation pour vous assurer que tous les créneaux de patients sont finalement remplis, ce qui est lié aux revenus. »
Pour les systèmes de santé cherchant à mettre en œuvre des solutions d’automatisation clinique basées sur les données, il recommande de se concentrer sur la gouvernance des données, la transparence des données et l’identification des domaines qui en bénéficieront le plus.
« La gouvernance signifie s’assurer qu’il ne s’agit pas de n’importe quel algorithme, mais qu’il est évalué et que cela se fait en fonction des risques », explique-t-il. « La transparence, c’est savoir ce qui est en place et comprendre d’où viennent les outils et sur quelles données ils ont été formés. »
Pencina souligne qu’il n’est peut-être pas avantageux – et serait probablement impossible – de transformer tous les domaines grâce à l’automatisation en une seule fois.
« Concentrez-vous sur l’identification des cas d’utilisation et la mesure des progrès », conseille-t-il. « Je pense que les enjeux sont élevés, mais l’opportunité est absolument là. »
