Chang a suggéré d’obtenir l’adhésion des hauts dirigeants ou des dirigeants de l’hôpital en leur montrant que l’IA peut résoudre les deux problèmes les plus difficiles et les plus résolubles de l’organisation. Les dirigeants devront apporter leur soutien pour donner à l’équipe une chance de réussir. Ils devront également avoir des attentes moindres accompagnées d’une vision à plus long terme, a-t-il déclaré.
Beegle a souligné que si les données d’une organisation ne sont pas organisées et accessibles, cela ne vaut pas la peine de les posséder. Elle a souligné l’importance de procéder à une évaluation pour comprendre l’infrastructure de base du système de santé et de la préparer afin que l’organisation puisse être prête et agile à mesure que de nouveaux modèles linguistiques apparaissent.
« Construire dès maintenant une base solide vous permettra vraiment de réussir dans ce domaine », a-t-elle déclaré.
Lorsqu’il s’agit d’acheter ou de créer des solutions d’IA, Chang recommande de faire les deux.
« Il existe une synergie particulière lorsque vous disposez d’une équipe interne, aussi petite soit-elle, et de solutions prêtes à l’emploi », a-t-il déclaré, expliquant que ces solutions prêtes à l’emploi n’ont souvent pas de calendriers de maintenance agressifs et qu’un Une équipe interne est nécessaire pour garantir que la solution est correctement entretenue.
Selon Chang, les systèmes de santé ne peuvent pas se permettre de ne pas disposer d’autres ressources lorsqu’ils envisagent l’adoption de l’IA, car de nombreuses organisations ne disposent pas d’un data scientist en interne. Il a déclaré que la première étape consiste pour les dirigeants à décider de la manière dont ils souhaitent aller de l’avant lorsqu’ils envisagent d’investir dans l’avenir.
Il est essentiel de savoir où investir les ressources. Chang a suggéré que la création d’un ou deux postes liés aux données ou à l’IA pourrait faire une grande différence. Plus tard, une fois que les outils d’IA seront mis en œuvre efficacement pour prendre en charge les tâches administratives, les dirigeants pourront choisir de ne pas remplacer les personnes qui décident de déménager ou de prendre leur retraite.
« Il existe des moyens de réduire les coûts sans créer de panique », a-t-il déclaré.
L’IA de qualité s’appuie sur des données de santé de qualité
À mesure que les organisations s’orientent vers l’adoption de l’IA, elles doivent s’assurer que leurs données sont propres et de haute qualité. Au cours d’une séance intitulée « Garbage In, Garbage Out », les responsables du secteur de la santé ont discuté de l’impact que des données désordonnées et incomplètes peuvent avoir sur les initiatives d’IA.
Richard Clarke, vice-président senior et directeur de l’analyse chez Highmark Health, a expliqué que la meilleure façon d’améliorer la qualité des données est de commencer à les utiliser pour quelque chose qui profitera à l’organisation, car alors les gens s’en soucieront davantage. L’un des facteurs limitants dans l’adoption de l’IA générative a été les données nécessaires à ces cas d’utilisation.
« Si vous pouvez représenter pleinement le problème que vous essayez de résoudre dans les données, alors ces outils peuvent être incroyables », a déclaré Clarke. Cependant, il a ajouté qu’il devient évident que sans données complètes et de haute qualité, ces outils ne sont pas aussi efficaces.
Du point de vue du gouvernement fédéral, Elisabeth Myers, directrice adjointe des politiques au Bureau du coordinateur national pour l’informatique de la santé, a expliqué qu’il est important que les organismes de santé comprennent comment ils peuvent obtenir des données utiles dès le début de leur parcours vers l’IA.
« Nous parlons beaucoup de l’IA, et l’une des choses qui vont de pair avec cela est de comprendre dans quels domaines l’IA devrait être performante et comment la configurer pour y parvenir. Il n’existe pas de baguette magique pour rendre ces données fiables. Nous devons réfléchir aux données nécessaires au fonctionnement de l’IA et parvenir au cas d’utilisation que vous recherchez », a déclaré Myers. « Vous ne voulez pas que l’IA fasse des déductions à partir de données inexactes et incomplètes, surtout lorsque nous commençons à parler d’équité et de disparités en matière de santé. »
En fin de compte, a déclaré Myers, il ne s’agit pas seulement de qualité des données, mais également de données granulaires collectées qui donnent aux systèmes de santé un meilleur aperçu de leurs populations de patients.
