Chez Stanford Health Care, par exemple, son comité exécutif de science des données (DSEC) supervise la gouvernance des modèles d’IA, ce qui inclut la fourniture d’approbations et une formation sur la gestion du changement. Le comité supervise également le nouveau financement technologique, et Lindmark a une chance par an de demander des fonds de fonctionnement pour le budget du système de santé.
« Tout nouvel agent d’IA qui entre dans l’organisation et qui affectera les résultats cliniques de quelque manière que ce soit doit être présenté au DSEC, qui est présidé par notre PDG et notre CMIO », explique Lindmark. « Ils examinent toutes ces demandes et approuvent pour s’assurer qu’ils sont d’accord avec l’évaluation qui a été effectuée et que le déploiement est responsable et sûr. »
Cela est également utile lorsqu’une solution ne dépend pas d’un seul modèle. « Les modèles évoluent si rapidement qu’il est préférable de s’assurer que tout ce que vous construisez peut être indépendant du modèle à mesure que de nouvelles versions arrivent, ou si vous souhaitez utiliser un modèle moins coûteux, avoir la possibilité de passer assez facilement d’un modèle à l’autre », explique Lindmark.
Quant à la suite, Revri prévoit de créer des flux de travail plus agents à Stanford Health Care pour s’appuyer sur le travail du comité des tumeurs.
« Nous commençons à nous concentrer davantage sur une gamme de services, à savoir le traitement du cancer », dit-il. « Qu’est-ce qui est nécessaire pour le traitement du cancer ? Nous l’examinons de manière globale pour voir si une série d’agents peuvent aider. »
De la même manière que les oncologues peuvent choisir parmi un ensemble d’agents pour les aider dans leur travail, les cardiologues pourraient également le faire, explique Revri. De plus, Revri et son équipe évaluent le retour sur investissement des modèles à faible coût par rapport aux modèles d’IA frontières.
Stanford Health Care peaufinera également les agents pour améliorer leur efficacité, ajoute Lindmark.
Allina Health développe des agents d’IA pour faciliter les flux de travail cliniques
Allina Health, basée à Minneapolis, dans le Minnesota, développe une architecture de données de nouvelle génération avec Databricks pour connecter toutes ses données entre elles afin que les agents d’IA puissent fonctionner par dessus. « Il est essentiel de structurer les données, de bien les définir, puis de continuer à les gérer et à les gouverner », déclare le Dr Dave Ingham, directeur du numérique et de l’information.
Une couche d’interface est un aspect clé de la base de données de l’IA agentique, note-t-il, la décrivant comme une structure informatique qui agit comme un traducteur pour communiquer dans le langage de divers systèmes afin de demander des données.
« Ils ne communiquent pas avec suffisamment de choses, et c’est pourquoi nous disposons d’un moteur d’interface robuste pour récupérer les données et effectuer les tâches », explique Ingham. « C’est ce qui ouvre réellement la voie à des flux de travail complexes et automatisés qui, jusqu’à présent, nécessitaient toujours des humains. »
Allina Health a développé un agent d’IA appelé Alli, qui agit à la fois comme assistant d’IA opérationnel et clinique. L’idée est de soulager les agents humains des centres de contact et d’aider au tri des patients pour découvrir pourquoi ils appellent, explique Ingham.
Pendant ce temps, un autre agent d’IA examine les dossiers des nouveaux patients en psychiatrie pour rechercher des antécédents de violence, explique Ingham. Il utilise des seuils avec un code couleur pour déterminer quels patients ont été violents. «Cela permet d’assurer la sécurité de nos patients et des membres de notre équipe de soins ou, du moins, de mieux les préparer à des explosions potentielles», explique Ingham.