Livraison de données en temps réel dans la surveillance à distance des patients
David Ebert, directeur de l’IA et de la science des données à l’Université d’Arizona, utilise également le terme « vue d’ensemble » pour décrire ce que l’IA et les appareils portables peuvent faire pour le RPM. Le véritable pouvoir, dit-il, vient des capacités de traitement intégrées dans les dispositifs portables et implantables d’aujourd’hui.
Il y a plusieurs années, un patient porteur d’un stimulateur cardiaque avait besoin d’un moniteur domestique spécialement conçu à cet effet. Désormais, les stimulateurs cardiaques disposent de capteurs Bluetooth qui se connectent aux smartphones, regroupent les données et envoient des notifications à l’équipe soignante d’un patient.
« Nous tirons parti des capacités que les gens possèdent sur une puce », explique Ebert. « Nous pouvons effectuer du machine learning et des analyses prédictives sur l’appareil. »
Il y a deux clés pour que cela fonctionne. L’une d’elles consiste à continuer de se concentrer sur l’efficacité des modèles d’IA. La compression des données permettra d’économiser de la bande passante et la possibilité d’« extraire les signaux » rendra la sortie d’un appareil plus précieuse pour les cliniciens qui n’ont pas le temps d’examiner les données brutes.
« Nous ne voulons pas que les modèles d’IA déchargent la batterie ou prennent beaucoup de temps de traitement », explique Ebert. « Nous ne voulons pas de problèmes de bande passante qui exacerbent la fracture numérique. »
L’autre étape importante consiste à intégrer les flux de données et les informations provenant des appareils dans les dossiers de santé électroniques et les systèmes d’alerte clinique. Autrement, note-t-il, les cliniques auront besoin d’équipements supplémentaires et des ressources nécessaires à leur mise en place.
Comment mettre en œuvre et faire évoluer le RPM avec l’IA et les appareils portables
Mahajan dit que la facilité d’intégration est importante. « Les solutions qui ont tendance à être efficaces et adoptées de la manière la plus transparente possible ne créent pas de travail inutile pour les cliniciens. »
Pour y parvenir, il faudra peut-être mettre à niveau les pipelines d’ingestion de données, capables de prendre en charge les flux de données à haute fréquence, note Mahajan, ainsi que des outils qui normalisent les données au fur et à mesure de leur agrégation. « Les organisations doivent passer de systèmes conçus pour les épisodes à des systèmes conçus pour les données continues », dit-il.
Ebert dit qu’une autre considération consiste à utiliser des appareils qui ont évolué des interfaces de programmation d’applications vers des interfaces d’IA agentique. De cette façon, les appareils peuvent être déployés, surveillés et mis à jour à l’aide de logiciels plutôt que de matériel spécialisé, ce qui entraîne un coût initial et nécessite des compétences spécialisées qui constituent un obstacle à l’adoption. « Cela change la donne pour les hôpitaux ruraux », dit-il.
Un autre obstacle courant, explique Mahajan, est le modèle prédictif à usage unique ou l’outil d’aide à la décision clinique : « Les systèmes de santé ne sont pas disposés à adopter 100 outils différents. Ils recherchent des plates-formes ou des systèmes. »
Bien sûr, on craint également que les modèles d’IA ne remplacent les cliniciens. Ce n’est pas un problème pour le Dr Sairam Parthasarathy, directeur du Centre des sciences du sommeil et du rythme circadien à l’Université de l’Arizona.
Les prestataires agréés sont rares, dit-il, et « il y a tellement de gens qui ont besoin de notre aide. Les gens ne devraient pas avoir à tomber malade avant que nous leur donnions des conseils de santé », et les données des appareils portables et les informations des modèles d’IA peuvent garantir que cela n’arrivera pas.