Comment évaluer l’état de préparation des données d’IA de santé
Plutôt que de tenter de remanier l’ensemble de l’environnement de données, les établissements de santé devraient évaluer les données spécifiques dont ils ont besoin pour le cas d’utilisation de l’IA qu’ils souhaitent déployer. Commencez par plusieurs questions :
- Dans quelle mesure les données dont nous avons besoin sont-elles accessibles ? Identifiez les sources requises pour l’application prévue, y compris les données trouvées dans les systèmes cliniques et administratifs. Peut-il être partagé entre les systèmes ou est-il piégé dans des silos ?
- Les données sont-elles fiables et cohérentes ? Recherchez les champs manquants, les enregistrements en double, les informations obsolètes et les définitions contradictoires. Les organismes de santé devront peut-être concilier les différences dans la manière dont les départements, les organismes de réglementation et les sociétés spécialisées définissent et rendent compte des mesures cliniques.
- Dans quelle mesure la gouvernance des données est-elle bien établie ? À qui appartiennent les actifs de données critiques ? Qui peut y accéder ? Comment leur utilisation est-elle contrôlée ? Examinez les exigences en matière de confidentialité, les mesures de sécurité et les politiques régissant les applications d’IA.
- L’organisation peut-elle surveiller les performances ? Établissez des processus pour évaluer la qualité des données, valider les résultats de l’IA et identifier les problèmes après le déploiement. Définissez les domaines dans lesquels un examen humain est nécessaire, en particulier lorsque l’IA soutient des décisions cliniques ou autres décisions conséquentes.
- Les objectifs commerciaux et cliniques sont-ils alignés ? Identifiez les résultats que l’organisation souhaite atteindre et les indicateurs qu’elle utilisera pour mesurer le succès. Attribuez la responsabilité de résoudre les problèmes de données et de superviser la mise en œuvre.
Ces questions constituent une sélection initiale et non une évaluation complète. La liste de contrôle de préparation à l’IA et aux données de CDW offre un cadre plus large couvrant la stratégie et la gouvernance, la préparation des données, les opérations d’IA, l’adoption par la main-d’œuvre, l’infrastructure et la sécurité.
Là où les projets d’IA échouent souvent, c’est lors de la phase de mise à l’échelle, après un projet pilote apparemment réussi. Les projets pilotes ont tendance à réussir précisément parce qu’ils sont petits, avec un ensemble de données soigneusement sélectionné par un champion de projet motivé.
Lorsque l’organisation tente d’étendre cette application à tous les départements, des problèmes surviennent car différents systèmes, définitions de données et exigences d’intégration sont alors impliqués.
Shippy affirme que les clients des prestataires de soins de santé d’AWS lui disent de plus en plus que plutôt que de traiter un projet pilote comme une expérience isolée, ils réfléchissent dès le départ à la manière dont une initiative pourrait éventuellement s’étendre à l’ensemble de l’entreprise.
« Peut-être que ce sera la phase un, la phase deux, la phase trois, en sachant dès le début que cela s’étendra à l’ensemble de l’organisation », dit-elle.
Comblez l’écart entre la préparation des données et les objectifs de l’IA dans le domaine des soins de santé
L’identification précoce des faiblesses des bases de données permet de mieux comprendre comment les organisations doivent prioriser les améliorations. Plus la base de données est bonne, plus l’application d’IA fonctionnera efficacement et en toute sécurité. Mais les organisations n’ont pas besoin d’attendre que tout soit parfait avant de déployer l’IA.
« Il n’est pas nécessaire que chaque élément soit en place, mais vous y travaillez continuellement pour parvenir à cette fondation », explique Shippy. Les organisations peuvent commencer à mettre en œuvre des projets d’IA sélectionnés tout en améliorant l’environnement de données sous-jacent, à condition qu’elles répondent aux exigences et aux risques de chaque cas d’utilisation.
Par exemple, supposons qu’un système de santé cherche à utiliser l’IA pour automatiser un flux de travail administratif spécifique. Après avoir identifié les données nécessaires, il établirait des contrôles d’accès appropriés et validerait la qualité des données. Ensuite, il pourra étendre l’initiative à mesure que les intégrations, la gouvernance et la surveillance mûriront.
« L’opportunité de continuer à s’améliorer et de s’assurer que leurs données sont prêtes et qu’ils disposent de la bonne base – cela va être une amélioration continue et continue », déclare Shippy.