Introduction

Le développement rapide de l'intelligence artificielle (IA) dans le secteur de la santé a révélé le besoin non satisfait de développer une main-d'œuvre pluridisciplinaire capable de collaborer efficacement au sein des systèmes de santé apprenants. Optimiser la synergie entre les différentes équipes est essentiel pour l'IA collaborative dans le secteur de la santé.

Méthodes

Nous avons développé une série de données, d'outils et de ressources pédagogiques pour former la prochaine génération de professionnels multidisciplinaires en IA collaborative dans le secteur de la santé. Nous avons mis au point des pipelines de traitement du langage naturel en masse pour extraire des informations structurées des notes cliniques et les stocker dans des modèles de données communs. Nous avons développé des outils et des tutoriels d'IA/apprentissage automatique (ML) multimodaux pour enrichir la palette de ces professionnels multidisciplinaires et leur permettre d'analyser des données de santé multimodales. Nous avons créé un terrain fertile pour favoriser le croisement des connaissances entre cliniciens et scientifiques en IA et former la prochaine génération de professionnels de la santé en IA à collaborer efficacement.

Résultats

Nos travaux ont démocratisé l'accès aux informations de santé non structurées, aux outils et ressources d'IA/ML pour les soins, ainsi qu'aux ressources éducatives collaboratives. De 2017 à 2022, cela a permis la réalisation d'études dans de multiples spécialités cliniques, créant 68 publications évaluées par des pairs. En 2022, nos efforts interdisciplinaires ont convergé et se sont institutionnalisés au sein du Centre d'IA collaborative pour les soins de santé.

 Changement de paradigme vers une IA proactive pour relever les défis dynamiques du secteur de la santé

Le passage d'une IA réactive à une IA proactive représente une approche transformatrice dans le domaine de la santé, allant au-delà des systèmes d'IA traditionnels qui répondent à des données et des caractéristiques présélectionnées. L'IA proactive est conçue pour être intrinsèquement collaborative au sein d'un système de santé apprenant, capable de gérer les complexités des défis dynamiques du secteur de la santé, tels que les variations et les biais de données. Elle exploite deux boucles de rétroaction. La première (niveau 1) utilise des algorithmes comme l'apprentissage profond pour apprendre de manière autonome des caractéristiques. La seconde (niveau 2) utilise quant à elle l'IA générative et l'apprentissage par renforcement (RL) pour améliorer la qualité des données, identifier les lacunes et affiner les processus de collecte de données. Cette méthodologie a déjà connu du succès, notamment en Grèce, où des stratégies basées sur l'IA ont éclairé l'allocation des ressources pour les tests COVID-19 et facilité la collecte de données de cas en temps réel. 

La force de l'IA proactive réside dans sa capacité à favoriser l'évolution continue des solutions, à suivre les avancées des connaissances et à promouvoir l'intégration de diverses sources de données de santé, garantissant ainsi un système de santé en même temps adaptatif et collaboratif. Cette adaptabilité est essentielle pour relever les défis des soins de santé modernes et maximiser les bénéfices de l'IA en médecine. Sur cette base, nous explorons des modèles d'apprentissage par renforcement profond (RLD) afin de développer des politiques dynamiques de sélection de panels de tests de laboratoire établies sur les observations antérieures des patients, visant à établir des diagnostics précis à moindre coût.   De plus, nous appliquons le RLD profond à l'élaboration de stratégies d'allocation juste et efficace des ressources de santé en temps de crise, en nous adaptant en permanence à l'évolution des conditions et en atténuant les biais inhérents aux données historiques. 

À l'avenir, notre concentration sur l'IA proactive ouvre de nouvelles perspectives d'innovation dans le secteur de la santé. Nous souhaitons étendre son application à davantage de scénarios cliniques, des plans de soins personnalisés aux patients à l'optimisation des flux de travail hospitaliers, afin que notre système de santé réponde non seulement aux besoins actuels, mais anticipe également les défis futurs. Cette approche avant-gardiste nous permettra d'exploiter pleinement le potentiel de l'IA dans le secteur de la santé, pour des soins plus efficaces, efficients et équitables.

Conclusions

Nos initiatives d'IA collaborative dans le domaine de la santé ont permis de créer de précieuses ressources pédagogiques et pratiques. Elles ont permis à davantage de cliniciens, de scientifiques et d'administrateurs d'hôpitaux d'appliquer avec succès les méthodes d'IA dans leurs recherches et leurs pratiques quotidiennes. Ces différentes intégrations ont également contribué à développer des collaborations plus étroites et à faire progresser le système de santé apprenant au niveau institutionnel.

Alors que le concept de système de santé apprenant se concrétise, nous avons pris l'initiative de créer des ressources pédagogiques et pratiques pour servir de pôle d'expertise collaborative en IA. Cela permettra à une équipe pluridisciplinaire de cliniciens et de scientifiques d'appliquer efficacement les méthodes d'IA dans leurs recherches et pratiques quotidiennes sur les principes du système de santé apprenant. Nos pipelines de traitement automatique du langage naturel (TALN) et les datamarts qui en résultent démocratisent l'accès aux informations de santé non structurées. Nos efforts continus pour créer des outils d'IA/ML faciles à utiliser permettent de diffuser des ressources d'analyse pour les données de santé multimodales. Notre clinique IA4H contribue à démocratiser l'accès aux ressources pédagogiques collaboratives. Ensemble, ils renforcent l'intégration entre cliniciens, scientifiques et chercheurs en IA. En poursuivant et en développant ces efforts, ainsi qu'en diffusant et en apportant un soutien matériel à l'IA collaborative, nous continuerons à permettre à nos collaborateurs de faire progresser la recherche clinique et les sciences translationnelles. Nous continuerons également à soutenir et pérenniser le développement de systèmes de santé apprenants.

ICONOGRAPHIE

RÉSUMÉ GÉNÉRATIF

SYNTHÈSES