L'industrie des soins de santé est à un stade critique. Bien que l'intelligence artificielle promet de révolutionner les soins aux patients, de réduire les coûts et de traiter les pénuries de main-d'œuvre, une réalité qui donne à réfléchir émerge des salles de conférence à travers le NHS et les organisations de soins de santé privées: 80% des projets d'IA ne parviennent pas à évoluer au-delà de la phase pilote.
Pour les dirigeants de l'industrie qui ont vu des démos prometteurs se transformer en déceptions coûteuses, ce taux d'échec est plus que des ressources gaspillées – elle signale un défi systémique qui menace la capacité du secteur à exploiter les avantages de l'IA.
Le vrai problème: ce qui fonctionne dans les laboratoires échoue dans les hôpitaux
Le voyage de la démo d'IA au déploiement clinique révèle une vérité sévère.
Oleh Petrivskyy, PDG de Binariks – un partenaire mondial de conseil et d'ingénierie avec une expertise en profondeur dans l'IA de soins de santé – a vu ces défis de près.
«Écoutez, nous avons des appels et des réunions avec des organisations de soins de santé tout le temps nous racontant la même histoire – leur pilote d'IA fonctionnait magnifiquement dans des milieux contrôlés, mais au moment où ils ont essayé de l'utiliser avec de vrais patients et de vrais médecins, tout s'est effondré», « explique Oleh Petrivskyy.
Les problèmes de base se manifestent dans trois domaines critiques:
- Écart de réalité des données: Les projets de preuve de concept reposent sur des ensembles de données soigneusement organisés – propre et standardisé. Les systèmes de production doivent faire face à des données fragmentées sur plusieurs systèmes de DSE, des formats incohérents et des lacunes inévitables dans les flux de travail cliniques. Une IA diagnostique atteignant une précision de 95% sur les ensembles de données de laboratoire pourrait avoir du mal à maintenir une précision de 70% lors du traitement des données réelles des patients.
- Complexité des infrastructures: Les systèmes hérités dominent les paysages informatiques des soins de santé, de nombreuses organisations exécutant des applications critiques sur le matériel vieux de décennie. Ces systèmes n'étaient pas conçus pour les charges de travail de l'IA modernes, créant des goulots d'étranglement de performances qui n'étaient pas apparents pendant les pilotes à petite échelle.
- Défis d'intégration du flux de travail: Les environnements cliniques impliquent plusieurs parties prenantes avec des priorités concurrentes, y compris les cliniciens axés sur les soins aux patients, les services informatiques gérant la stabilité du système et les administrateurs contrôlant les budgets.
Les trois obstacles tuant les projets d'IA de soins de santé
Alors, pourquoi tant de pilotes prometteurs ne parviennent pas à évoluer dans des milieux cliniques du monde réel? Nous avons demandé à Oleh Petrivskyy de partager des informations de première main sur les plus grands obstacles auxquels les organisations auxquelles les organisations sont confrontées lors du passage des résultats de laboratoire contrôlés aux opérations hospitalières quotidiennes.
Ces barrières sont interconnectées et sont les plus courantes:
- Barrières techniques
- L'intégration de l'IA avec des systèmes hérités fragmentés et des sources de données incohérentes est difficile; 30% des organisations de premier plan le citent comme le premier défi. Ce qui fonctionne dans des contextes contrôlés échoue souvent dans les hôpitaux en direct, avec des modèles sujets à la perte de précision et à la dérive des performances lorsqu'ils sont exposés à une complexité réelle.
- Barrières réglementaires
- Les soins de santé sont hautement réglementés, avec l'évolution des demandes d'intimité et de conformité. La satisfaction des normes de sécurité des données et d'interopérabilité nécessite des investissements continus et une stratégie de conformité proactive dès le premier jour.
- Barrières organisationnelles
- Même la meilleure IA ne peut pas réussir sans l'adhésion clinique et l'investissement à long terme. La gestion du changement, la coordination croisée et la formation des utilisateurs sont essentielles – sinon, les outils d'IA risquent de devenir un conservateur.
«Le système d'IA le plus techniquement parfait échouera si les infirmières détestent l'utiliser ou si les médecins ne lui font pas confiance», « met l'accent sur Oleh Petrivskyy.
«En fin de compte, il s'agit de gens. Ce que nous avons appris, c'est que l'obtention de l'adhésion de tous ceux qui utiliseront réellement le système est beaucoup plus difficile que la plupart des organisations ne l'attendent, et ils ne le prévoient généralement pas.»
Briser le cycle: une approche structurée de la mise à l'échelle de l'IA
S'appuyant sur une vaste expérience de travail avec des clients de la santé qui ont besoin d'une mise en œuvre rapide de l'IA tout en évitant les pièges communs, Oleh Petrivskyy partage que Binariks a développé une division spécialisée du Centre d'intermédiaire de l'IA *.
Ce cadre relève des défis uniques que les organisations à différents niveaux de préparation à l'IA sont confrontées lors de l'adoption ou de l'échelle de solutions d'IA au-delà des projets pilotes.
« Après avoir travaillé avec des dizaines d'organisations de santé, nous avons vu le même modèle encore et encore – ils essaient de mettre en œuvre l'IA de la même manière qu'ils déploient n'importe quel autre système informatique, et cela ne fonctionne tout simplement pas », » explique Petrivskyy.
«C'est pourquoi nous avons créé notre IA COE – pour donner aux organisations la feuille de route et le soutien dont ils ont besoin pour réussir en production.»
Un cadre éprouvé pour le succès de l'IA
- Évaluer et aligner
L'équipe évalue l'état actuel de l'organisation dans la compréhension de l'IA, les besoins commerciaux et la préparation des données. Cela comprend une cartographie complète des parties prenantes qui s'étend au-delà des participants informatiques traditionnels pour inclure des champions cliniques, des agents de conformité et des représentants des patients.
- Explorer et prototype
Plutôt que de sauter dans le développement, les experts de l'IA COE identifient les cas d'utilisation de grande valeur et valident la viabilité technique à l'aide des données du client.
« Voici ce qui a tué de nombreux projets d'IA: tout le monde est enthousiasmé par différentes choses. L'équipe informatique veut des technologies de pointe, les médecins veulent quelque chose qui leur facilite la vie et les dirigeants veulent un retour sur investissement. Lorsque ces groupes ne sont pas alignés, le projet meurt », » Notes Oleh Petrivskyy.
« Notre AI Coe obtient essentiellement tout le monde dans la même pièce et s'assure qu'ils travaillent tous vers le même objectif avant que quiconque n'écrit une seule ligne de code. »
- Mettre en œuvre et intégrer
Le cadre utilise des stratégies de déploiement progressives qui permettent une amélioration itérative tout en maintenant les performances du système. Cette approche comprend:
- Surveillance automatisée de la qualité des données avec des techniques de traitement préservant la confidentialité
- Suivi des performances continues couvrant les mesures techniques et les résultats cliniques
- Protocoles de gouvernance robustes portant sur la qualité, la sécurité et la conformité dès le départ
- Optimiser et évoluer
Les systèmes d'IA de production nécessitent une surveillance et une amélioration continues. Le cadre de Binariks comprend les performances du modèle de suivi des systèmes automatisées, la qualité des données, l'adoption des utilisateurs et les résultats cliniques.
Mise en œuvre rentable
«Le plus grand mythe de l'IA de la santé est que vous avez besoin de millions de dollars pour commencer. Ce n'est tout simplement pas vrai. Mais vous devez être intelligent sur l'endroit où vous dépensez votre argent,» Notes Petrivskyy.
En particulier, les organisations peuvent maximiser la valeur à travers:
- Solutions basées sur le cloudle cas échéant, éviter les coûts d'infrastructure inutiles
- Partenariats stratégiques: Les partenariats stratégiques du cloud des entreprises de développement peuvent fournir aux organisations des économies importantes grâce à des programmes comme AWS Activate
- Composants réutilisables: Construire des processus standardisés applicables sur plusieurs projets d'IA
- Sélection optimale d'outils: Choisir entre le développement personnalisé et les solutions cloud éprouvées uniquement sur la base d'estimations spécifiques
«En ce qui concerne les Binariks, nous ne sommes pas dans le domaine de la construction de solutions personnalisées simplement parce que nous le pouvons. S'il y a un outil qui fait déjà ce dont vous avez besoin et coûte une fraction du prix, nous vous dirons de l'utiliser à la place», » explique Oleh Petrivskyy.
« Les clients qui voient les meilleurs résultats? Ils n'essaient pas de révolutionner les soins de santé du jour au lendemain. Ils choisissent un problème spécifique, le résolvent très bien avec l'IA, puis passent à la suivante. »
Attentes de chronologie et de ressources
La mise à l'échelle de l'IA dans les soins de santé n'est pas une victoire rapide mais un parcours à long terme, ce qui rend les attentes réalistes cruciales pour le succès. Le calendrier varie considérablement en fonction de la complexité du projet et des exigences réglementaires. Par exemple:
- Pour les projets d'optimisation opérationnelle, tels que l'automatisation d'autoroute ou le traitement des notes cliniques, attendez-vous 3-4 mois pour l'implémentation.
«Lors de la planification des projets d'IA, nous vous recommandons de nous concentrer sur des horizons de 3 à 4 mois pour des solutions non réglementées», « dit Oleh Petrivskyy. «La réalité est que l'IA évolue si rapidement que les cycles de développement plus longs risquent d'être dépassés par des solutions prêtes à l'emploi.»
- Systèmes d'aide à la décision clinique nécessitant une demande de conformité réglementaire 9+ mois Minimum, principalement pour la préparation de certification et la documentation approfondie.
- Des domaines complexes comme Biotech sont confrontés à des défis supplémentaires, car les solutions dans ces domaines ne peuvent pas être livrées rapidement. Les tests doivent être effectués par des experts réglementaires en la matière (PME), et la vitesse de développement elle-même devient sans importance. Ce qui compte, c'est lorsque les PME confirment que le système fonctionne correctement et le nombre d'itérations nécessaires pour atteindre un niveau de fonctionnalité acceptable.
La considération clé: Si votre système gère les données sensibles ou nécessite des approbations de conformité, le budget est beaucoup plus de temps. Pour les améliorations opérationnelles non réglementées, maintenez l'agilité avec des cycles de développement plus courts pour rester aligné sur le paysage d'IA au rythme rapide.
PS du purgatoire pilote au succès de la production
Le taux d'échec de 80% pour les projets d'IA de soins de santé n'est pas inévitable. Les organisations combler avec succès l'écart de mise en œuvre réalisent des avantages concurrentiels substantiels et des améliorations cliniques.
« Si vous voulez échapper au piège du pilote, vous ne pouvez pas simplement lancer une meilleure technologie au problème. Vous devez changer complètement la façon dont vous pensez à la mise en œuvre de l'IA », » conclut Oleh Petrivskyy.
« Commencez par l'échelle à l'esprit, traitez avec les personnes et les problèmes de politique aux côtés des trucs techniques et gardez vos attentes réalistes. Faites-le, et vous n'ajoutez pas simplement l'IA à votre boîte à outils – vous pouvez vraiment changer le fonctionnement de votre organisation. »
Aujourd'hui, le choix des chefs de file de la santé est clair: poursuivre le cycle des pilotes prometteurs qui n'atteignent jamais la production ou adoptent l'approche complète nécessaire pour combler l'écart de mise en œuvre.
La technologie existe. L'analyse de rentabilisation est prouvée. Le cadre de réussite est disponible.
La question est: votre organisation sera-t-elle parmi les 20% qui réussissent?
