« La médecine ne se résume pas à des histoires qui font du bien », a déclaré le Dr Christine Tsien Silvers, conseillère exécutive en soins de santé chez Amazon Web Services. « J’ai soigné des patients que mes collègues et moi-même n’avons pas pu sauver, et j’ai vu des gens commettre des erreurs. »
Lors du sommet AWS qui s'est tenu en juin à Washington, DC, elle a raconté l'expérience d'un patient pédiatrique à qui on avait administré la mauvaise dose d'un médicament parce que personne dans l'équipe soignante n'avait remarqué que la dose avait été mal écrite. Bien que l'on ne sache pas exactement combien de patients meurent chaque année à cause d'erreurs médicales, on estime qu'ils sont des centaines de milliers.
« Il y a des gens de bonne volonté qui travaillent dans un système défaillant qui doit être rendu plus sûr », a déclaré Silvers. « Les États-Unis obtiennent les pires résultats malgré les dépenses les plus élevées. Que pouvons-nous faire ? »
Alors que le taux d’épuisement professionnel des médecins aux États-Unis est passé sous la barre des 50 % pour la première fois depuis 2020, il reste un défi pour le secteur de la santé qui peut avoir un impact sur les soins dans les cas les plus graves. Silvers a souligné que les outils d’intelligence artificielle générative pourraient atténuer davantage l’épuisement professionnel des cliniciens en générant automatiquement des orientations, en résumant les recherches, en rédigeant des notes cliniques à l’aide de l’écoute ambiante, en expliquant les médicaments aux patients et en vérifiant les patients admis à l’hôpital.
De l’efficacité clinique et opérationnelle à la recherche médicale et à l’expérience des patients, l’IA générative peut être utile dans de nombreux aspects des soins de santé. Dans un cas d’utilisation réel, la Harvard Medical School utilise l’IA générative pour aider à interpréter rapidement les résultats des analyses de gaz du sang artériel.
L'IA générative interprète les résultats des analyses de gaz du sang artériel
Selon la Cleveland Clinic, un test ABG mesure les niveaux d'oxygène et de dioxyde de carbone dans le sang ainsi que son équilibre du pH. Il nécessite un échantillon de sang prélevé dans une artère et peut être utilisé pour évaluer des pathologies telles que le syndrome de détresse respiratoire aiguë, la septicémie, le choc hypovolémique, une crise d'asthme, un arrêt cardiaque, une insuffisance respiratoire et une insuffisance cardiaque. Ce test est souvent effectué dans des situations d'urgence et l'interprétation correcte de ses résultats peut être cruciale.
Le Dr Praveen N. Meka, médecin au Dana-Farber Cancer Institute et professeur à la Harvard Medical School, a expliqué comment l'université a appliqué l'IA générative à une base de données de résultats de tests ABG pour augmenter la vitesse d'interprétation.
Lui et son équipe ont d'abord créé une base de données ABG composée de 50 résultats couvrant différents scénarios médicaux. Ils ont utilisé le modèle de langage large Anthropic Claude v2 via Amazon Bedrock pour interpréter les résultats. Lors du premier passage, la précision du modèle était inférieure à 50 %. Ils ont ensuite procédé à une ingénierie rapide au cours de laquelle ils ont clarifié davantage la manière dont les plages de pression partielle de dioxyde de carbone devaient être interprétées. Ensuite, ils ont introduit une architecture de génération augmentée par récupération, fournissant plus de contexte au LLM à usage général pour réduire les hallucinations. La précision est passée à 75 %, ce qui, selon Meka, est encore loin de ce qu'exige un contexte clinique.
L'équipe a dû résoudre une limitation du modèle impliquant des calculs mathématiques. Elle a créé un bloc-notes mathématique pour aider le modèle à interpréter le test ABG. L'utilisateur saisit des données textuelles dans le LLM pour les formater de manière à ce qu'elles soient faciles à lire pour Python. Une fois les données préparées dans le bloc-notes, le code Python effectue les calculs, ce qui crée une nouvelle invite pour le LLM, générant des réponses plus fiables. L'équipe a atteint une précision allant jusqu'à 98 % avec ce processus en deux étapes.
Meka a souligné l’importance des outils de visualisation pour garantir que le LLM ne ressemble pas à une boîte noire déroutante pour les cliniciens.
Bien que l’aide à la décision clinique ne soit pas nouvelle, les outils d’IA générative peuvent mieux soutenir l’efficacité clinique.
« L’IA générative dans le domaine de la santé est là pour rester », a déclaré Meka. « Il y a beaucoup d’intérêt dans ce domaine, et l’IA générative pourrait être utile. »