Logo ANAP
Ce site requiert l'activation de javascript pour être utilisé, merci de l'activer.
S'abonner

Avis d'experts

Intelligence artificielle : Éléments stratégiques pour un établissement de santé

 97 vues

Ce document s’adresse aux décideurs en établissements de santé, intéressés par les possibilités offertes par l’intelligence artificielle. Il présente, à partir de l’expérience des experts qui ont contribué à sa rédaction, les raisons pour lesquelles les établissements de santé doivent s’approprier le sujet de la Datascience. Il livre les prémices de la construction d’une démarche.

Cet avis d’experts a été rédigé par les Dr Jean-Marc BEREDER et Dr Alain LIVARTOWSKI pour le collège des experts numérique en santé de l’ANAP.

Avoir une vision et la partager

Le vieillissement de la population contribue à une augmentation de l’incidence des maladies chroniques. Cette situation fait apparaître un besoin de prise en charge avec des traitements complexes et prolongés, s’inscrivant dans des parcours. La nécessité pour le patient est d’avoir des soins de qualité, rapidement disponibles, à proximité, continus et offrant toute sécurité.

Certains professionnels de santé sont « mis en tension » par manque de disponibilité et par le sentiment d’être insuffisamment formés devant l’évolution des traitements et des patients mieux informés.

Les structures de soins sont engagées dans des processus de soins moins invasifs, nécessitant moins de temps d’hospitalisation (développement de l’ambulatoire et de la RAAC1) et orientant leur structure d’hospitalisation conventionnelle vers des soins peu ou pas transférables. Devant ces parcours complexes, le pilotage et la coordination des parcours de soins, conduisant à une prise en charge hors des murs, est un enjeu grandissant pour l’hôpital.

Parallèlement, on constate une croissance exponentielle des données de santé provenant de différentes sources, bases de données cliniques ou médico-administratives, de certains registres, d’essais cliniques, provenant également des patients eux-mêmes par le biais d’objets connectés. L’exploitation de ces flux massifs de données permettrait de comprendre la complexité de l’environnement liée aux pathologies et à leurs prises en charge sur un territoire donné, c’est un des enjeux du Health Data Hub (voir ci-dessous).

Ainsi l’IA est perçue comme une brique technologique, permettant de transformer la donnée en information, outillant la réflexion pour comprendre la réalité, améliorer la connaissance et éclairer le jugement et les décisions.

Donner du sens à l’utilisation de l’IA dans le domaine de la santé répond :

  • à l’amélioration de la qualité et de la sécurité de prise en charge des patients, avec une expérience patient satisfaisante, utile et aisée ; cette utilisation de l’IA doit aussi répondre à des attentes en termes de permanence et de proximité ;

  • à l’optimisation des ressources mises en jeu dans l’organisation des structures de santé et les parcours de soins ;

  • à la valorisation du patrimoine informationnel riche présent dans le système d’information opérationnel.

Plusieurs institutions et organisations s’engagent pour le développement et la formation en intelligence artificielle en santé (Académie Nationale de Médecine, Conseil national de l’Ordre des médecins).

L’enquête de maturité de l’IA dans les CHU2 rapporte que pour 81 % des directeurs et des Présidents de commission médicale, l’intelligence artificielle est un enjeu important et pour 76 % ils la considèrent comme une priorité stratégique pour leur établissement.

Health Data Hub

Dans les suites du rapport de Cédric Villani3, a été créé, par un arrêté du 29 novembre 2019, le « Health Data Hub » (HDH), traduction anglaise de « Plateforme des données de santé ».

L’objectif de cette plateforme est de réunir, organiser et mettre à disposition des données, dont l’accès au Système National des Données de Santé (SNDS). Y seront associés des outils qui doivent faciliter leur exploitation, pourront s’élargir à d’autres données en fonction de projets validés par un conseil scientifique. L’objectif affiché est de centraliser les données, les croiser pour les exploiter à visée de recherche. L’idée qui prévaut est que la donnée est un bien public et que son regroupement à l’échelle nationale, voire internationale, peut permettre aux chercheurs de la valoriser.

En termes d’utilité sociale, il serait critiquable de ne pas utiliser les données produites tant les progrès sont indispensables dans certaines maladies comme les maladies génétiques ou les cancers. Dans le contexte international, la France a un rôle à jouer de par la qualité de sa recherche et de sa médecine, la formation reconnue de ces ingénieurs et la réputation de ses écoles de mathématiques. Mais sans données accessibles dans les « big data », nous ne pourrons être à la hauteur des enjeux avec le risque de dépendre d’autres pays et de prendre un retard qu’il ne serait pas possible de rattraper.

Prendre le virage

Les efforts déployés par de nombreuses structures de soin pour développer l’intelligence artificielle sont insuffisants. Selon une étude de McKinsey4, seulement 8 % des organisations s’engagent dans des pratiques favorisant l’adoption généralisée de l’IA.

La technologie de pointe et le talent ne suffisent pas. Les structures hospitalières doivent éliminer les obstacles organisationnels et culturels qui entravent le déploiement et l’adoption de l’IA.

La gouvernance et les porteurs de projets doivent faire connaître l’importance des initiatives à mettre en œuvre en IA et leurs avantages, investir au moins autant pour l’adoption que pour la technologie. Il faut organiser la mise en place et le développement de l’IA selon la maturité de l’établissement en matière d’intelligence artificielle, la complexité de ses organisations et de ses missions ainsi que le rythme habituellement consacré dans l’innovation. Il faut investir dans la formation en intelligence artificielle pour tous. Il importe dès le début d’avoir pour objectif de mettre en place des projets avec l’idée d’un déploiement généralisé.

Pour une mise à l’échelle de l’IA, les établissements hospitaliers auront à réaliser 3 transformations :

  • passer du travail en silo à une collaboration interdisciplinaire : l’IA a plus d’impact lorsque les équipes interagissent et partagent les compétences ;

  • passer de la prise de décision fondée sur l’expérience seule et le leadership à celle fondée sur les données confrontées à l’expérience ;

  • passer d’un système d’information rigide, peu enclin à la prise de risque, à un système agile, adaptable et confronté à l’expérimentation : les applications mettant en jeu l’IA ont rarement toutes les fonctionnalités souhaitées au début. Une approche par POC (Proof Of Concept/Démonstrateur) peut servir de test d’essais – erreurs et sera source de découvertes, minimisant la peur de l’échec. La recherche des expériences utilisateurs peut permettre la correction des erreurs et l’adaptation. Le développement peut ainsi être favorisé et permet aux petites équipes de créer assez rapidement des solutions faciles à déployer.

De tels changements ne sont pas simples à mettre en œuvre. Ils nécessitent de préparer, de motiver et d’accompagner les équipes, mais également la gouvernance afin de l’acculturer à une compréhension fondamentale de l’IA.

Des coopérations nécessaires au niveau des hôpitaux

Des coopérations hospitalières se mettent en place et on peut citer le système des données de santé de l’AP-HP, le projet ConSoRe d’UNICANCER, le projet HUGO de la région Grand-Ouest ou de divers hôpitaux qui développent des entrepôts.

Les données stockées dans ces entrepôts se présentent sous plusieurs formes : des textes, des données structurées, des images. Les entrepôts de données issues des structures hospitalières permettent d’utiliser des données longitudinales pour des maladies chroniques à partir des observations médicales réalisées sur plusieurs années.

Utiliser des données de vie réelle, c’est-à-dire qui ne sont pas collectées dans un cadre expérimental mais qui sont générées à l’occasion de soins réalisés en routine, est un enjeu majeur pour la recherche, l’amélioration de la qualité des soins ou l’efficience de notre système de santé. Ces plateformes thématiques, hospitalières ou régionales, pourront alimenter le Health Data Hub (HDH) sous certaines conditions : le principe d’en accepter le partage, le contrôle de la qualité des données en amont, le respect de la propriété intellectuelle et enfin des conditions de financement, car la création et la maintenance de ces entrepôts nécessitent des moyens techniques et humains importants. Certes la donnée est déjà produite et il ne saurait être question de payer deux fois sa production, mais le coût de sa conservation, le contrôle qualité, le codage manuel ou automatique doivent être financés.

Un projet national comme le HDH et des projets régionaux ou locaux sont complémentaires : les deux sont nécessaires. Le premier permet de regrouper et croiser les données. Les seconds permettront de faire émerger les questions pertinentes issues du terrain. La qualité des données est un des sujets majeurs qui ne peut qu’être traité qu’au plus près de la source et aussi parce que se développent dans ces environnements des compétences réelles.

Préparer le succès

Pour obtenir l’adhésion et faciliter le lancement et l’adoption, il importe de s’attacher à différents facteurs.

Expliquer pourquoi

Une histoire convaincante aidera à comprendre les enjeux, l’importance des initiatives à mettre en place et le bénéfice que l’on peut en attendre. Les porteurs de projets doivent fournir une vision qui rassemble vers un objectif commun. Cet objectif doit être porteur de sens et compris par l’ensemble des acteurs. Ceux-ci doivent être rassurés sur le fait que l’IA renforcera leurs rôles. La majorité d’entre eux devront s’adapter à l’IA.

Anticiper les obstacles spécifiques au changement dans ce domaine technologique

Certains obstacles, comme la crainte d’obsolescence des acteurs, sont assez communs. Mais il peut y avoir aussi des caractéristiques distinctives qui vont contribuer à une résistance. Par exemple à l’hôpital, les professionnels sont généralement assez attachés à leur expérience et à la qualité humaine qu’ils peuvent procurer dans l’écoute et l’échange avec les patients. Ils peuvent ainsi rejeter a priori l’idée qu’un algorithme puisse faire de meilleures recommandations sur la prise en charge ou les décisions concernant un patient qu’ils n’auraient fait eux-mêmes.

Dans d’autres cas, des organisations qui privilégient l’attribution de budget de fonctionnement par unités de production peuvent rencontrer des difficultés à mutualiser les compétences.

Certaines solutions peuvent sembler présenter un risque de non-alignement avec les pratiques habituelles des acteurs. L’objectif est de montrer comment la combinaison de l’expertise métier associée aux recommandations basées sur l’IA peut améliorer l’expérience utilisateur et augmenter la valeur des décisions prises.

Les porteurs de projet doivent s’assurer, en phase avec la gouvernance, que les solutions mettant en jeu l’IA répondent à des besoins pertinents des futurs utilisateurs ou bénéficiaires et que l’adoption se déroule sans obstacle. Comprendre les obstacles au changement peut guider la façon de communiquer, mais aussi orienter vers les initiatives les plus facilement réalisables, la formation à proposer ou les mesures incitatives à instaurer.

Investir autant pour l’adoption et l’intégration que pour le développement technologique

Selon une enquête McKinsey5, 90 % des entreprises ayant réussi la mise à l’échelle des solutions avaient consacré plus de la moitié de l’investissement à des activités favorisant l’adoption, telles que la réorganisation du flux du travail, la communication et la formation.

Analyser la pertinence des cas d’usage et leur faisabilité

Poursuivre des initiatives trop difficiles à mettre en œuvre peut être un frein au développement des projets d’IA actuels et futurs. L’idée n’est pas de se concentrer uniquement sur les solutions faciles à développer et à déployer, mais d’organiser un portefeuille de projets avec des livrables à échéances différentes. La priorisation des projets doit se fonder sur une vision à long terme et tenir compte de la possibilité pour différents projets, même s’ils sont décalés dans le temps, de se combiner et se compléter. Ils permettent de créer des ensembles d’initiatives coordonnées dont l’impact sera maximal.

Assurer la protection des données

Il a fallu plusieurs décennies pour que la méthode des essais cliniques soit mise au point puis acceptée par les différents acteurs. Il ne faut pas oublier les polémiques autour de la Loi Huriet, dont la mise en application a généré beaucoup de craintes, alors qu’elle avait pour objectif de protéger les personnes et d’encadrer la recherche. Il est vrai que ces contraintes prennent du temps et sont coûteuses, mais elles protègent chaque individu et au final permettent à la recherche clinique de se développer.

Il en sera probablement de même pour les données de santé en vie réelle, qui doivent respecter la législation et les règles éthiques définies par la Commission européenne : respecter les droits humains fondamentaux, développer des algorithmes robustes et fiables, respecter la vie privée, assurer la transparence et la traçabilité des algorithmes, l’équité, la diversité et la non-discrimination ainsi que la responsabilisation des acteurs.

Compte tenu des risques et pour assurer la confiance des citoyens, l’État a l’absolue nécessité de garantir que les données soient sécurisées, les citoyens protégés et qu’en aucune façon, leur exploitation ne puisse leur nuire. La protection de la donnée de santé doit être assurée par la puissance publique et par les agences indépendantes, en premier lieu desquelles se trouve la CNIL.

Une gouvernance doit être établie pour assurer le respect de ces règles fondamentales et se situer à tous les niveaux : au niveau national dans le cadre du HDH, au niveau des entrepôts de données de santé régionaux ou thématiques et des hôpitaux, quelle que soit leur taille. Si la recherche doit rester une nécessité absolue, elle doit se faire dans le strict respect des droits humains et de la législation.

S’organiser pour une mise à l’échelle

Plusieurs modèles de fonctionnement possibles

Plusieurs options se présentent pour organiser un déploiement : soit opter pour un modèle centralisé concentrant toutes les capacités analytiques et technologiques autour de l’IA, soit un modèle décentralisé pour les intégrer dans les unités opérationnelles. Il est également possible de les distribuer entre les deux selon un modèle hybride. Aucun des modèles n’est systématiquement à privilégier, le choix dépend de la situation de la structure.

Un modèle centralisé

Ce modèle définit l’architecture du système et la gouvernance des données, la stratégie analytique, le recrutement et la formation en IA et la collaboration avec d’autres partenaires (industriels, startups, autres fournisseurs de données, partenaires académiques, acteurs du système de santé, autres acteurs de territoires). Il est le lieu de l’analyse de la pertinence des besoins des bénéficiaires et de la priorisation des projets avec l’idée d’un développement et d’une mise en place progressive et coordonnée. Pour 85,7 % des répondants à l’enquête sur la maturité de l’IA dans les CHU6, le principal défi est l’identification et la priorisation des domaines.

Il accélère les talents en IA et crée des communautés où des experts et des utilisateurs peuvent partager les expériences et les compétences afin de mettre en place des processus permettant le développement et le déploiement de l’IA dans tout l’hôpital (structures de soin/système de santé/organisation/etc.).

Un modèle avec des secteurs périphériques organisés par domaine

Ici, il y a une délégation de responsabilités dans l’analyse et le développement, pour être au plus proche des utilisateurs. Ce modèle est orienté vers des missions liées à l’adoption, à la formation des utilisateurs finaux, à des programmes d’incitation et aux retours d’expérience.

Un modèle hybride

Ce modèle propose une véritable zone intermédiaire regroupant les tâches clés7 qui peuvent appartenir soit au hub, soit aux domaines périphériques ou être partagées par les deux.

Trois facteurs de choix du modèle

Décider où devrait se situer la responsabilité au sein de l’établissement n’est pas une science exacte mais devrait être influencé par trois facteurs.

La maturité analytique

Lorsqu’une structure est au début de son expérience dans l’IA, il semble plus facile que les différents acteurs soient plutôt centralisés et interviennent en périphérie dans les domaines spécifiques à la demande. Ceci permettra de mettre en place des processus communs d’échange, de partage et d’analyse des données ainsi que les méthodes de livraison des solutions. À mesure que les processus vont se standardiser, les experts pourront demeurer plus longtemps au plus près des utilisateurs afin de mieux comprendre les besoins.

La complexité des activités

Elle conduit soit à privilégier d’abord la centralisation des savoir-faire et des compétences soit à les décentraliser en présence d’activités plus simples à traiter.

Le rythme et le niveau d’innovation technique requis

Si la maitrise dans ce champ d’action est aisée, on s’orientera vers un modèle moins centralisé.

Supervision et exécution

L’organisation et la répartition des responsabilités en matière d’IA et d’analytique avancée varient d’une organisation à l’autre. Celles qui favorisent l’IA ont deux choses en commun :

  • une gouvernance, formée d’un groupe de travail avec une charte de répartition des responsabilités et de fonctionnement concernant l’accès aux données ;

  • des équipes interdisciplinaires en charge de déployer et recueillir les retours utilisateurs.

Former tous les acteurs

Pour l’identification et la conduite de projets d’IA

Pour s’assurer de l’adoption et l’acculturation des acteurs, il importe de former tous les acteurs impliqués et ce, jusqu’à la gouvernance de l’établissement.

Plusieurs types d’enseignement peuvent être proposés :

  • Pour la gouvernance et l’encadrement :

    • une bonne compréhension du fonctionnement de l’IA ;

    • les capacités à identifier et hiérarchiser les opportunités ;

    • favoriser une analyse critique des solutions proposées ;

    • l’impact humain de l’IA : sur le rôle des professionnels, les freins à son adoption, comment favoriser les talents et conseiller sur la façon de conduire les changements culturels nécessaires.

  • Pour les personnes au contact des utilisateurs finaux :

    • en intégrant des scénarios de cas réels ;

    • en aidant à la formulation de cas d’usage appliqués à un domaine métier.

Il est utile d’établir des liens de collaboration avec des partenaires académiques.

Plusieurs niveaux peuvent être envisagés :

  • une formation autour des concepts d’IA, de machine learning et de deep learning sous forme d’échanges, d’ateliers (workshop), de conférences : l’utilisation pédagogique de contenus numériques type MOOC (Coursera, FUN, Edx…) constitue une opportunité pour initier l’appropriation des concepts auprès de personnes de l’établissement ;

  • un déploiement de solutions utilisant des bibliothèques « open-source » disponibles et nécessitant des ressources en ingénieurs/développeurs ;

  • une participation à des projets de recherche et d’innovation afin de tester l’applicabilité et la capacité de généralisation des algorithmes selon les domaines métiers.

Pour le développement de l’IA en médecine

Toutes ces initiatives répondent à l’objectif de favoriser le développement de l’IA dans le domaine de la santé en utilisant les moyens et les techniques qui s’appuient sur l’apprentissage automatique.

Les possibilités offertes par l’intelligence artificielle résident dans sa capacité à reconnaître, analyser et corréler des facteurs cliniques, biologiques, d’imagerie et génotypiques à partir de grands volumes de données.

L’IA transformera la pratique de la médecine dans de nombreux domaines : le dépistage, l’aide au diagnostic ou le choix des traitements. L’autre volet est l’aide à la recherche permettant de formuler de nouvelles hypothèses à partir de l’analyse des données qui seront confirmées ou non par les méthodes expérimentales contrôlées. Le développement des médicaments pourra être bouleversé si les règles permettant de prouver leur efficacité et leur tolérance édictées par les autorités de régulation sont modifiées.

Cette évolution nécessite donc de former les médecins à ces changements à venir.

Pour la recherche

Il s’agit d’un changement complet de paradigme dans la mesure où la donnée devient le sujet majeur. L’approche « big data » ne s’appuie pas sur des structurations d’informations préexistantes, mais sur la donnée, quelle que soit sa nature. L’approche traditionnelle repose sur l’ordre suivant : hypothèse - donnée - connaissance. L’approche « big data et IA » repose sur un nouveau triptyque : donnée - hypothèse - connaissance.

On passe d’un raisonnement déductif à un raisonnement inductif, à l’inverse de la recherche clinique et translationnelle actuelle. Pour les médecins, les chercheurs, les méthodologistes, les statisticiens, mais aussi pour les autorités de régulation, ce changement de paradigme modifiera complètement la façon de concevoir les protocoles des essais thérapeutiques et les autorisations de mise sur le marché.

Il y a donc lieu de former les équipes de recherche à ce changement de paradigme.

Réunir les conditions du succès

La plupart des transformations peuvent prendre plusieurs années. Pour éviter de perdre l’élan initial, il faut passer à l’action concrète qui aura valeur d’exemple en engageant les actions suivantes :

  • exécuter des projets pilotes pour gagner en confiance et créer une dynamique. Il est important que les premiers projets d’IA réussissent plutôt bien et qu’ils ne soient pas forcément les projets d’IA les plus ambitieux. Ainsi l’équipe chargée de l’IA prendra confiance et évoluera vers des projets de plus en plus ambitieux. Les premiers succès aideront à se familiariser avec l’IA afin de convaincre le plus grand nombre de s’investir dans d’autres projets. Les caractéristiques suggérées pour ces premiers projets :

    Idéalement, il doit être possible d’associer une équipe interne à l’établissement (possédant les compétences métiers) à une équipe d’IA externe pour créer des démonstrateurs déployés dans les 6 à 12 mois.

    Le projet doit être techniquement réalisable. Éviter les projets trop difficiles à atteindre (l’avis d’experts scientifiques est crucial avant le coup d’envoi du projet, ceci forgera la conviction de l’équipe quant à sa faisabilité).

    Avoir un objectif clairement défini et mesurable qui ait du sens pour l’utilisateur et corresponde à un réel besoin ;

  • suivre et faciliter l’adoption, en amenant à comparer les résultats obtenus par les décisions prises avec ou sans IA. Rendre l’interface de l’IA facile à utiliser, aisément accessible à la demande et renforçant le sentiment de satisfaction des utilisateurs ;

  • vérifier que les cas d’usage retenus sont alignés avec les valeurs culturelles portées par les professionnels et affichées par l’établissement.

Toutes les actions qui favorisent la mise à l’échelle créent un cercle vertueux. Le passage d’une organisation en silo à un fonctionnement en équipes interdisciplinaires avec la complémentarité des compétences et les échanges avec les utilisateurs permet la production de solutions utiles et plus faciles à utiliser. Avec le temps l’ensemble des acteurs s’approprie de nouvelles façons de collaborer.

  1. Réhabilitation Accélérée Après Chirurgie

  2. Baromètre de maturité de l’IA dans les CHU, novembre 2019

  3. Donner un sens à l’Intelligence Artificielle, mars 2018.

  4. Global AI Survey : AI proves its worth, but few scale impact. McKinsey Analytics, nov 2019.

  5. Global AI Survey : AI proves its worth, but few scale impact. McKinsey Analytics, nov 2019.

  6. Baromètre de maturité de l’IA dans les CHU, novembre 2019.

  7. Tâches clés : définir l’orientation des projets d’IA en fonction des besoins, analyser les problèmes qu’ils résolvent, construire les algorithmes, concevoir les outils, les tester avec les utilisateurs finaux, gérer le changement et créer l’infrastructure informatique de soutien.

Cette réponse vous paraît-elle utile ?

Commentaires - Soyez le premier à déposer un commentaire

Pour ajouter un commentaire vous devez vous identifier

Vous êtes actuellement sur la page consacrée à Intelligence artificielle : Éléments stratégiques pour un établissement de santé (Avis d'experts).

Vous êtes perdu ?

Haut de page

Vous êtes actuellement sur la page consacrée à Intelligence artificielle : Éléments stratégiques pour un établissement de santé (Avis d'experts).

Vous êtes perdu ?