L'essor rapide de l'aide à la décision clinique par IA
Partout dans le monde, les entreprises technologiques se précipitent pour développer des outils d'intelligence artificielle (IA) pour l'aide à la décision clinique (CDS), ciblant un marché mondial qui devrait atteindre 15 milliards de dollars d'ici 2033. Une nouvelle génération d'outils d'IA propulsés par de grands modèles de langage (LLM) passe rapidement du développement aux environnements cliniques. Les systèmes de santé et les entreprises technologiques intègrent ces outils dans les flux de travail cliniques, promettant une synthèse plus rapide des preuves et une prise de décision plus réactive au chevet du patient. Mais à mesure que les systèmes CDS entrent en pratique, des questions fondamentales subsistent quant à leur évaluation, les preuves soutenant leur utilisation et leur gouvernance à grande échelle.
La promesse de l'IA dans les soins de santé a longtemps été vantée, mais les progrès récents dans le traitement du langage naturel et l'IA générative ont accéléré le rythme d'adoption. Contrairement aux systèmes antérieurs basés sur des règles, les outils CDS modernes peuvent lire et interpréter des notes cliniques non structurées, synthétiser de vastes quantités de littérature médicale et générer des recommandations personnalisées en temps réel. Cette capacité a attiré l'attention des cliniciens et des administrateurs, qui voient un potentiel pour améliorer la précision du diagnostic, réduire la charge administrative et offrir des soins plus efficaces.
Acteurs clés et stratégies divergentes
Parmi les leaders américains en lice pour des parts de marché figurent des outils d'IA grand public comme ChatGPT, ainsi que des systèmes CDS spécialisés, notamment ceux d'Abridge, Atropos Health et OpenEvidence. Ces entreprises CDS spécialisées ont des opinions divergentes sur la façon dont le domaine évoluera.
Abridge, basée à Pittsburgh, développe une technologie d'IA ambiante qui écoute les conversations clinicien-patient et génère automatiquement des notes cliniques et d'autres outils de soutien au flux de travail pour les systèmes de santé. En automatisant la documentation, Abridge vise à réduire l'épuisement professionnel des médecins et à libérer du temps pour l'interaction avec les patients. L'approche de l'entreprise se concentre sur l'intégration transparente dans les systèmes de dossiers de santé électroniques (DSE) existants, fournissant une transcription et une génération de notes en temps réel qui peuvent être modifiées et approuvées par les cliniciens.
OpenEvidence, basée à Boston, commercialise un outil d'IA directement aux médecins, que l'entreprise prétend être « l'IA médicale la plus utilisée » parmi les cliniciens américains. La plateforme se concentre sur la distillation des meilleures preuves disponibles dans la littérature publiée, fournissant aux cliniciens des réponses concises et fondées sur des preuves à des questions cliniques. Le PDG et fondateur d'OpenEvidence, Daniel Nadler, envisage un avenir où l'IA automatisera une grande partie des éléments « standard de soins » de la synthèse des preuves, permettant aux médecins de se concentrer sur les cas complexes et la communication avec les patients.
Atropos Health, une entreprise issue de l'Université de Stanford, promeut un système CDS conçu pour permettre aux cliniciens de poser des questions nouvelles dans des situations où des lacunes peuvent exister dans les preuves traditionnellement publiées. En exploitant les données du monde réel provenant des dossiers des patients, Atropos vise à générer des preuves à la volée, répondant aux incertitudes cliniques non couvertes par les études existantes. Cette approche représente un passage de la médecine fondée sur les preuves à une médecine génératrice de preuves, où l'IA peut produire des informations exploitables à partir de données en quasi-temps réel.
La base de données : dossiers de santé électroniques et scribes ambiants
Les données qui alimentent les systèmes CDS proviennent de plus en plus directement des dossiers des patients. Au cours de la dernière décennie, les dossiers de santé électroniques (DSE) qui analysent automatiquement les données des patients pour suivre les indications de maladie et émettre des alertes aux cliniciens sont devenus omniprésents dans de nombreux systèmes de santé dans le monde. Cependant, ce n'est qu'il y a environ trois ans, avec l'adoption massive des « scribes ambiants » qui transcrivent automatiquement les consultations clinicien-patient en dossiers cliniques, que la CDS propulsée par l'IA a semblé prête pour les heures de grande écoute.
Les scribes ambiants ont révolutionné la façon dont les données cliniques sont capturées. En générant automatiquement des notes structurées à partir de conversations, ils ont réduit la charge de documentation pour les cliniciens et amélioré la complétude et la précision des données DSE. Ce flux de données riche et en temps réel fournit le carburant pour que les algorithmes d'IA apprennent et génèrent des informations. Comme le note Nadler, l'objectif est d'automatiser une grande partie des éléments « standard de soins » de la synthèse des preuves, rendant les dernières connaissances médicales accessibles au point de soins.
Cependant, la dépendance aux données DSE soulève des préoccupations concernant la qualité des données, les biais et l'interopérabilité. Les DSE sont notoirement fragmentés, avec des formats et des pratiques de codage variables selon les institutions. Les modèles d'IA formés sur ces données peuvent hériter de biais qui pourraient conduire à des disparités dans les soins. De plus, l'intégration des outils d'IA dans les flux de travail cliniques nécessite un échange transparent de données entre les systèmes, ce qui reste un défi technique et réglementaire.
Le déficit de preuves : défis d'évaluation et de gouvernance
À mesure que les systèmes CDS entrent en pratique, une question critique émerge : les preuves peuvent-elles suivre ? Les essais cliniques traditionnels sont lents et coûteux, prenant souvent des années pour produire des résultats. En revanche, les outils d'IA sont mis à jour fréquemment, et leurs recommandations peuvent changer à mesure que de nouvelles données deviennent disponibles. Cela crée un décalage entre le rythme de l'innovation et le rythme de la génération de preuves.
Les organismes de réglementation tels que la Food and Drug Administration (FDA) des États-Unis ont commencé à établir des cadres pour les dispositifs médicaux basés sur l'IA, mais de nombreux outils CDS ne sont pas soumis à un examen préalable à la commercialisation. La FDA a publié des orientations sur les logiciels d'aide à la décision clinique, mais la frontière entre les outils réglementés et non réglementés reste floue. Certains outils sont considérés comme « à faible risque » et sont exemptés de notification préalable à la commercialisation, tandis que d'autres nécessitent un examen plus rigoureux. Cette incertitude réglementaire a conduit à des appels en faveur de lignes directrices plus claires et de mécanismes de surveillance après la mise sur le marché.
De plus, la base de preuves pour de nombreux outils CDS d'IA est mince. Une revue systématique récente a constaté que peu de systèmes CDS basés sur l'IA ont été évalués dans des essais cliniques prospectifs, et la plupart des études souffrent de défauts méthodologiques tels que de petites tailles d'échantillon, l'absence de groupes témoins et de courtes périodes de suivi. Le manque de preuves solides rend difficile pour les cliniciens et les systèmes de santé de prendre des décisions éclairées sur l'adoption de ces outils.
La gouvernance est une autre préoccupation majeure. Qui est responsable lorsqu'une recommandation d'IA conduit à un diagnostic erroné ou à un résultat indésirable ? Comment les outils d'IA doivent-ils être surveillés et mis à jour pour garantir qu'ils restent sûrs et efficaces ? Ces questions sont particulièrement pressantes à mesure que les outils d'IA deviennent plus autonomes et sont intégrés dans les parcours de soins critiques.
La voie à suivre : équilibrer innovation et preuves
Malgré ces défis, les avantages potentiels de la CDS par IA sont trop importants pour être ignorés. L'IA a la capacité de synthétiser de vastes quantités de données, d'identifier des modèles qui peuvent échapper aux humains et de fournir un soutien à la décision dans des environnements aux ressources limitées. Pour réaliser ces avantages, les parties prenantes doivent travailler ensemble pour développer des cadres d'évaluation robustes, des normes de rapport transparentes et des voies réglementaires adaptatives.
Une approche prometteuse est l'utilisation de revues systématiques « vivantes » et de preuves du monde réel pour compléter les essais traditionnels. En surveillant en continu les outils d'IA dans des environnements réels, les chercheurs peuvent générer des preuves sur les performances, la sécurité et les conséquences imprévues. Cette approche nécessite une collaboration entre les développeurs, les cliniciens, les chercheurs et les régulateurs, ainsi qu'un investissement dans l'infrastructure de données et l'analyse.
Un autre aspect clé est l'engagement des cliniciens. Pour que la CDS par IA soit acceptée et efficace, les cliniciens doivent faire confiance aux outils et comprendre leurs limites. Cela nécessite une éducation et une formation, ainsi qu'une communication transparente sur la façon dont les recommandations d'IA sont générées et quelles preuves les soutiennent.
Enfin, il est nécessaire d'harmoniser les normes et réglementations au niveau international. Les outils CDS par IA sont des produits mondiaux, et les différences dans les exigences réglementaires entre les pays peuvent entraver l'innovation et l'accès. Des efforts de collaboration, tels que le Forum international des régulateurs des dispositifs médicaux (IMDRF), travaillent à l'élaboration de principes communs pour les dispositifs médicaux basés sur l'IA, mais il reste encore beaucoup à faire.
Conclusion
L'aide à la décision clinique activée par l'IA se développe rapidement, propulsée par les progrès des grands modèles de langage et la prolifération des données de santé électroniques. Le marché est en plein essor, et des entreprises comme Abridge, OpenEvidence et Atropos Health ouvrent la voie avec des approches innovantes. Cependant, la base de preuves pour ces outils est encore en développement, et des défis importants subsistent en matière d'évaluation, de gouvernance et de réglementation.
Alors que l'IA continue de transformer les soins de santé, il est essentiel de suivre le rythme avec une évaluation rigoureuse et une surveillance réfléchie. Ce n'est qu'en garantissant que les outils CDS par IA sont sûrs, efficaces et équitables que nous pourrons réaliser pleinement leur potentiel pour améliorer les soins et les résultats pour les patients.
Cet article est basé sur un reportage de Nature Medicine. Lire l'article original.
Originally published on nature.com
