Health ArticleEducational review — not personal medical advice

L'intelligence artificielle dans le système de santé américain : Ce que cela signifie pour les patients et les prestataires de soins

Artificial intelligence (AI) is rapidly transforming many industries, but its adoption in U.S.

26 min
Original medical illustration for: Artificial Intelligence in U.S. Health Care: What It Means for Patients and Providers

Table des matières

Points clés

  • L'IA dans le système de santé américain en est encore à ses débils, mais elle est testée dans la facturation, les flux de travail hospitaliers et la sécurité des patients.
  • L'IA peut prédire les refus de réclamations d'assurance, et un assureur a augmenté le taux de réclamations complexes traitées sans refus, passant de moins de 80 % à plus de 90 %.
  • Selon des simulations, l'IA pourrait améliorer l'utilisation des blocs opératoires de 15 à 20 %, réduisant potentiellement les temps d'attente chirurgicaux.
  • Un système d'alerte précoce basé sur l'IA aurait sauvé environ 8 000 vies dans un réseau de santé et réduit la mortalité dans 21 hôpitaux.
  • La plupart des applications d'IA manquent d'essais contrôlés randomisés ; les patients devraient donc s'informer sur les preuves qui sous-tendent les recommandations de l'IA.

Contexte : pourquoi cette recherche est importante

L'adoption de l'intelligence artificielle (IA)—des machines ou des systèmes informatiques capables de prendre des décisions intelligentes—se fait par phases dans les différents secteurs d'activité. L'utilisation de l'IA est déjà avancée dans de nombreux domaines, notamment en réinventant la manière dont les institutions financières fournissent des conseils en investissement, en proposant des « moteurs de recommandation » qui suggèrent le prochain produit de détail à acheter en ligne, et en développant des voitures sans conducteur. Mais dans la prestation de soins de santé, l'IA en est encore à ses débuts.

Ce fossé est important car le besoin d'améliorer les soins de santé par l'IA est devenu urgent. Considérez la croissance explosive des connaissances médicales. En 1980, le corpus collectif de connaissances médicales nécessaires pour traiter un patient doublait tous les 7 ans. En 2010, cette période de doublement s'était réduite à moins de 75 jours. Les chiffres sont frappants : ce que les étudiants en médecine apprennent au cours de leurs trois premières années ne représente que 6 % des connaissances médicales connues au moment de leur diplôme. Leurs connaissances peuvent encore être pertinentes, mais elles ne sont peut-être pas toujours complètes—et certaines de celles qui leur ont été enseignées seront obsolètes.

L'IA a le potentiel de compléter les connaissances d'une équipe clinique afin de garantir que les patients partout dans le monde reçoivent les meilleurs soins possibles. Les forces économiques accélèrent cette tendance. Le développement d'algorithmes d'IA plus robustes à partir de davantage de données—une « économie de l'expertise »—a créé une nouvelle sous-industry appelée services et technologies de santé (incluant les logiciels et plateformes, l'analyse de données et les services de paiement), qui pourrait dans les prochaines années être aussi importante financièrement que l'ensemble de la sous-industry des payeurs (assurance) aujourd'hui.

La pandémie de coronavirus disease 2019 (Covid-19) a également servi de catalyseur, incitant les organisations à accélérer leurs plans de numérisation et de déploiement de l'IA. Aux niveaux de la direction et du conseil d'administration, la prise de conscience récente de l'IA générative a accru les conversations sur l'IA. De plus, l'adoption de l'IA pourrait avoir des effets au second ordre, tels qu'alléger une partie de la pénurie continue de médecins et d'infirmières.

Pourquoi les soins de santé prennent du retard par rapport aux autres industries dans l'adoption de l'IA

L'adoption de l'IA dans la prestation de soins de santé prend du retard par rapport aux autres secteurs d'activité pour plusieurs raisons spécifiques. Les premières IA se sont enracinées dans des industries où de grandes quantités de données structurées et quantitatives étaient disponibles et où les algorithmes informatiques pouvaient être entraînés sur des résultats discrets—par exemple, si un client regardait un produit et l'achetait ou non. Les soins de santé font face à des défis uniques :

  • L'information qualitative est plus difficile à interpréter. Les notes cliniques et les rapports des patients sont généralement plus difficiles à traiter pour les algorithmes que les données numériques structurées.
  • Les résultats multifactoriels compliquent l'entraînement. La prise de décision clinique implique de nombreux facteurs entrelacés, rendant l'entraînement des algorithmes plus difficile que dans des contextes commerciaux plus simples.
  • L'intégration dans le flux de travail clinique est difficile. Intégrer la sortie de l'IA dans un flux de travail clinique déjà complexe constitue un obstacle majeur.
  • Focus sur le court terme financier. Selon l'expérience des auteurs, certaines organisations de soins de santé se concentrent sur les résultats financiers à court terme au détriment d'investissements dans des technologies innovantes à long terme telles que l'IA.

Les organisations de soins de santé qui privilégient l'innovation lient les décisions d'investissement à la « valeur missionnelle totale », qui inclut à la fois des facteurs financiers et non financiers tels que l'amélioration de la qualité, la sécurité des patients, l'expérience patient, la satisfaction des cliniciens et l'accès accru aux soins. Cette vision plus large de la valeur est essentielle pour que l'IA s'épanouisse dans les environnements de soins de santé.

Types d'IA utilisés dans les soins de santé

L'IA est définie de manière large comme une machine ou une plateforme informatique capable de prendre des décisions intelligentes. Dans la prestation de soins de santé, deux types d'IA ont généralement été poursuivis :

  1. Apprentissage automatique : Techniques computationnelles qui apprennent à partir d'exemples au lieu de fonctionner selon des règles prédéfinies. Les algorithmes identifient des motifs dans les données et améliorent leurs performances au fil du temps.
  2. Traitement du langage naturel : La capacité d'un ordinateur à transformer le langage humain et le texte non structuré en données structurées lisibles par une machine qui reflètent de manière fiable l'intention du langage. Cela est particulièrement pertinent pour la conversion des notes des médecins et des récits cliniques en données exploitables.

Le rôle de l'IA dans l'amélioration du jugement clinique a attiré l'attention la plus importante, avec un focus particulier sur le pronostic (prédire l'évolution de la maladie), le diagnostic, le traitement, le flux de travail des cliniciens et l'expansion de l'expertise clinique. Des spécialités telles que la radiologie, la pathologie, la dermatologie et la cardiologie utilisent déjà l'IA dans le processus d'analyse d'images. Dans le dépistage radiologique, jusqu'à 30 % des pratiques de radiologie ayant répondu à une enquête ont indiqué avoir adopté l'IA d'ici 2020, et un autre 20 % prévoyaient de commencer à utiliser l'IA dans un avenir proche.

Le potentiel de l'IA s'étend beaucoup plus loin. Les auteurs ont identifié neuf domaines de la prestation de soins de santé où l'utilisation de l'IA émerge. La plupart des organisations en sont encore à la phase pilote d'adoption de l'IA et tentent de valider les avantages. Les trois domaines examinés en détail sont le remboursement, les opérations cliniques et la qualité et la sécurité.

L'IA dans le remboursement : résoudre le labyrinthe de la facturation et de l'assurance

Le remboursement — le système de freins et contrepoids entre les payeurs (compagnies d'assurance) et les prestataires (hôpitaux et médecins) — est essentiel à la santé financière de toute organisation de soins de santé. Les utilisations de l'IA dans ce domaine sont à la fois courantes et parmi les plus avancées, avec une valeur de mission totale supérieure à la moyenne. Dans ce que l'on a appelé « les guerres du codage », l'IA est devenue un outil important pour que les parties prenantes se surveillent mutuellement, tout en simplifiant et en réduisant les difficultés rencontrées par le patient dans son expérience des paiements médicaux.

Comprendre le processus de réclamation

Les prestataires désignent la gestion du traitement des réclamations d'assurance que les payeurs doivent rembourser sous le terme de gestion du cycle de revenus. Cette tâche est souvent effectuée par le personnel qui examine la facturation d'un professionnel de santé et fournit des conseils pour compléter la facture d'une manière alignée sur les services fournis. L'objectif est de garantir que le montant effectivement versé à l'organisation est approprié.

Le processus de réclamation suit généralement les étapes suivantes :

  1. Création de la réclamation : Après qu'un membre a reçu un service, le prestataire remplit un formulaire de réclamation détaillé, généralement par voie électronique.
  2. Soumission de la réclamation : Le prestataire envoie le formulaire à un payeur ; généralement, plus de 90 % des réclamations sont soumises par voie électronique.
  3. Traitement (Adjudication) : La réclamation entre dans les systèmes entrants du payeur ; généralement, plus de 80 % des réclamations sont traitées automatiquement. Environ 20 % des réclamations qui doivent être traitées manuellement sont généralement résolues par des processeurs de réclamations ou des spécialistes des réclamations.
  4. Paiement : Un outil de réclamation détermine si la réclamation sera payée, et le remboursement est initié.
  5. Suivi des réclamations : Le prestataire et le membre peuvent suivre les états de réclamation en ligne, et l'une ou l'autre partie peut contester la réclamation.
  6. Audits, griefs et appels : Des équipes auditeront les réclamations mensuellement ou trimestriellement pour réduire les erreurs et améliorer la précision.

Voici une statistique critique : avec le système actuel, plus de 10 % des réclamations sont refusées ou retardées en raison de problèmes d'éligibilité et de données manquantes. Mais jusqu'à 85 % de ces réclamations refusées auraient pu être évitées.

Exemple concret : un hôpital utilise l'IA pour prédire les réclamations refusées

Un grand système de santé a reconnu que l'IA — spécifiquement l'analyse prédictive — pouvait générer des économies de coûts et améliorer non seulement le recouvrement des trésoreries et le rendement, mais aussi l'expérience du patient. L'effort a débuté avec un grand ensemble de données : 12 mois de données de réclamations représentant des millions d'interactions avec les payeurs, en se concentrant sur plus de 100 attributs de réclamation.

Le système a fait passer les données par un modèle de régression pour trouver quels attributs corrèlent le plus étroitement avec une réclamation de facturation refusée. Avec ce nouveau modèle prédictif, les réclamations non soumises ont ensuite été exécutées en amont, augmentant le nombre de réclamations identifiées comme susceptibles d'être refusées de 33 %, par rapport à une base de rétrospective. De plus, le modèle a identifié les causes racines les plus probables du refus des réclamations, telles qu'un refus de Code national des médicaments ou la politique d'un payeur spécifique.

Ce système de santé dispose désormais d'un programme pilote qui utilise les 10 causes racines principales pour signaler les réclamations et y remédier avant leur soumission. Avec le temps, l'objectif est de développer davantage le modèle pour générer des causes racines spécifiques aux réclamations et empêcher les facturations de progresser si elles comportent ces défauts. Cela pourrait encore améliorer le dossier des réclamations refusées du système de santé, réduire les dépenses administratives nécessaires au traitement et au retraitement des réclamations, et améliorer l'expérience du patient en réduisant les refus frustrants.

Exemple concret : un payeur d'assurance rationalise le traitement des réclamations

Du côté du payeur, une grande organisation de soins gérés a utilisé l'IA pour passer d'un modèle traditionnel, intensif en main-d'œuvre, à un modèle basé sur l'IA, avec l'objectif d'éliminer les erreurs en amont et de réduire le besoin de traitement manuel des réclamations. L'organisation a entraîné un modèle qui identifie et pondère les facteurs conduisant à une intervention manuelle, tels que des codes de procédure spécifiques. Le modèle a généré en continu des sorties basées sur l'effort manuel relatif.

Les résultats ont été substantiels :

  • Le pourcentage de réclamations complexes traitées sans refus est passé de moins de 80 % à plus de 90 %.
  • Les dépenses administratives ont été réduites de 30 %.
  • L'expérience des patients et la satisfaction des cliniciens se sont améliorées.

L'IA dans l'autorisation préalable

L'IA est également utilisée dans l'autorisation préalable—le processus par lequel les compagnies d'assurance examinent et approuvent les traitements avant leur mise en œuvre. Ce processus implique un travail manuel considérable, avec seulement 21 % des autorisations préalables automatisées. Le processus est coûteux car il nécessite que les médecins et les infirmières diplômées d'État examinent les demandes d'autorisation. Du point de vue du payeur, l'objectif est de garantir que les patients reçoivent un traitement cliniquement approprié, faisant de l'autorisation préalable un contrôle sur ce que le prestataire a prescrit.

Dans une tentative de réduire la friction, un payeur a créé une base de données intégrée et épurée qui comprenait les informations d'éligibilité et de prestations des membres, les réclamations médicales et pharmaceutiques historiques, ainsi que les demandes d'autorisation préalable historiques avec les décisions cliniques, les appels et les résultats. Ces données ont été alimentées dans un moteur de triage qui catégorisait les demandes en quatre niveaux de complexité sur la base de facteurs tels que le niveau de détails partagés, l'antécédent clinique du membre du régime et les connaissances acquises lors du traitement de demandes similaires.

L'IA a déjà commencé à réduire le nombre d'étapes dans le processus d'autorisation préalable par rapport aux flux de travail manuels traditionnels. La majorité des demandes d'autorisation préalable de faible et moyenne complexité sont désormais approuvées automatiquement. Cela a conduit à :

  • Des délais de traitement réduits
  • Des résultats cliniques plus cohérents
  • De meilleures expériences globales pour les patients et les cliniciens

La vision à long terme du payeur est d'appliquer l'IA pour accélérer davantage la prise de décision.

L'IA dans les opérations cliniques : Hôpitaux et salles d'opération plus intelligents

Les opérations cliniques constituent un autre domaine de prestation des soins de santé où l'utilisation de l'IA s'étend. Bien que l'adoption de l'IA dans les opérations cliniques ne soit pas aussi avancée que dans le remboursement, le potentiel de valeur globale est similaire, et l'IA a été un domaine de recherche intense dans ce secteur.

Optimisation de la salle d'opération

Prenons la salle d'opération—l'un des actifs les plus critiques pour les soins cliniques dans un système de santé. La demande pour les salles d'opération est traditionnellement élevée, de sorte qu'un créneau chirurgical manqué peut entraîner une augmentation substantielle du temps d'attente et une perte de revenus. Les retards de programmation dus à des chirurgies qui durent plus longtemps que prévu peuvent également avoir des effets non financiers, tels qu'une expérience moins bonne pour les patients et leurs familles qui attendent la fin d'une opération ou le début d'une procédure.

Dans les systèmes de santé américains, une utilisation plus efficace de la capacité des salles d'opération peut augmenter l'accès aux soins—particulièrement important aujourd'hui en raison des arriérés chirurgicaux et des pénuries de cliniciens.

Les auteurs décrivent l'optimisation des salles d'opération en trois étapes, chacune avec une implication croissante de l'IA :

  1. Amélioration de la gestion des salles d'opération (Utilisation limitée de l'IA) : Cette étape utilise l'analyse descriptive, telle qu'un histogramme montrant la distribution des temps de salle d'opération au cours des 30 jours précédents, pour identifier les variations dans la programmation. Les systèmes de santé ont utilisé cette approche avec succès pendant de nombreuses années. Parmi les exemples figurent la mesure de statistiques clés des salles d'opération telles que l'heure de début, l'heure de l'incision chirurgicale, le temps de rotation de la salle et le temps de rotation du patient (University Hospital, 1994 ; Medical University of South Carolina, 1998).
  2. Prédiction de l'utilisation des salles d'opération (Utilisation prédominante de l'IA) : L'IA joue un rôle central en prédissant l'utilisation des salles d'opération. L'analyse prédictive préopératoire se concentre sur la réduction des annulations et l'estimation du risque de mortalité. Pendant la chirurgie, les prédictions se concentrent généralement sur la durée de la procédure et les complications potentielles. Les prédictions postopératoires visent à identifier les complications majeures.
  3. Utilisation des analyses des salles d'opération en temps réel (Utilisation prédominante de l'IA) : Cette étape transforme la prédiction en action. L'IA intégrerait la prédiction de la durée de la procédure dans une programmation précise, permettrait la coordination de plusieurs salles d'operation utilisées simultanément et intégrerait des prédictions telles que les annulations de chirurgie probables dans l'optimisation des salles d'opération.

Des organisations telles que le Mayo Clinic et le Lucile Packard Children's Hospital at Stanford ont estimé que l'utilisation pourrait potentiellement s'améliorer de 15 à 20 % si l'IA était mise en œuvre. Cependant, cette étape reste largement en phase pilote, et il n'est pas encore connu si les améliorations seront réalisées.

Des exemples notables de la recherche citée dans l'article incluent :

  • Hôpital West China (2018) : Prédiction des interventions présentant un risque élevé d'annulation.
  • Institution académique non identifiée (2020) : Prédiction du risque de décès pendant la chirurgie cardiaque.
  • Hôpital Gold Coast (2017) : Prédiction de la durée des chirurgies programmées.
  • University of Florida Health (2019) : Prédiction des complications majeures postopératoires et du décès.
  • Mayo Clinic (2015) : Simulation d'une amélioration de l'utilisation de 19 % et d'une réduction des heures supplémentaires de 10 %.
  • Hôpital pédiatrique Lucile Packard Stanford (2018) : Simulation d'une réduction des retards en unité de soins post-anaesthésiques sans diminuer l'utilisation des blocs opératoires.

Lutter contre l'épuisement professionnel des soignants

Un autre usage important de l'IA dans les opérations cliniques consiste à s'attaquer à l'épuisement professionnel des soignants. Les médecins passent désormais plus de 50 % de leur temps à mettre à jour les dossiers médicaux électroniques (DME), et cette occupation du temps est un facteur documenté d'épuisement. De nombreux prestataires testent le traitement automatique du langage naturel pour réduire ce fardeau.

Si ces efforts sont couronnés de succès, le traitement automatique du langage naturel pourrait transformer les données non structurées, telles que les notes des soignants, en données structurées nécessaires au DME, ainsi qu'à d'autres usages comme la documentation des indicateurs de qualité ou la saisie des codes appropriés de la nomenclature Current Procedural Terminology (CPT). Cette application de l'IA donnerait aux soignants plus de temps à consacrer aux patients et aux tâches nécessitant un jugement humain.

L'IA pour la qualité et la sécurité : protéger les patients et améliorer l'expérience

La qualité et la sécurité constituent un domaine dans lequel une part substantielle de la valeur provient de facteurs non financiers. Le niveau actuel d'adoption de l'IA dans ce domaine est limité, tout comme les preuves concernant l'effet global de l'IA sur la qualité et la sécurité. Toutefois, deux utilisations de l'IA, axées sur la sécurité des patients et leur expérience, montrent un réel potentiel.

Réduction des événements indésirables majeurs

La première utilisation de l'IA vise à réduire les événements indésirables majeurs, en particulier dans les cas où les méthodes actuelles fondées sur les preuves sont moins utiles pour prévenir et prendre en charge les complications, et où l'intégration de données complexes et non structurées avec des mesures quantifiables pourrait aider à faire des prédictions. Trois problèmes ont été identifiés comme ayant le plus grand potentiel d'amélioration grâce à l'IA :

  • Événements indésirables liés aux médicaments : Réactions nocives aux médicaments qui pourraient être prédites et évitées.
  • Décompensation : Détérioration soudaine de l'état d'un patient, en particulier à l'unité de soins intensifs (USI).
  • Erreurs diagnostiques : Erreurs dans l'identification de l'état d'un patient qui pourraient être détectées plus tôt avec l'aide de l'IA.

La résolution de ces problèmes nécessite la génération d'informations exploitables. Ce processus utilise des données provenant de technologies de détection, y compris les moniteurs de signes vitaux, pour détecter les premiers signes avant-coureurs de détérioration. Les résultats ont été impressionnants :

  • Une approche a utilisé un algorithme prédictif de la détérioration clinique en USI qui a réduit la mortalité dans 21 hôpitaux.
  • Dans un autre système de santé, un système d'alerte précoce aurait sauvé environ 8 000 vies à travers le réseau.
  • Une étude récente a montré que lorsque le prestataire confirme une alerte de l'IA, la mortalité est encore réduite, ce qui signifie que la combinaison de la détection par l'IA et du jugement clinique humain est particulièrement puissante.

Amélioration de l'expérience des patients

Le deuxième usage de l'IA—améliorer l'expérience des patients—peut impliquer le Consumer Assessment of Healthcare Providers and Systems (CAHPS), un programme de l'Agency for Healthcare Research and Quality qui mesure la satisfaction des patients concernant leurs expériences de soins. L'IA peut analyser les retours des patients et identifier des motifs qui aident les systèmes de santé à répondre plus rapidement et efficacement aux préoccupations, bien que l'article note que ce domaine est encore en développement.

Implications cliniques : ce que cela signifie pour les patients

Ces applications émergentes de l'IA ont des implications directes pour les patients. Dans le domaine du remboursement, une IA qui prédit les réclamations refusées avant leur soumission signifie moins de refus d'assurance frustrants. Les patients pourraient bénéficier d'approbations plus rapides, d'une facturation plus claire et de moins de rejets inattendus de réclamations. Le fait que jusqu'à 85 % des réclamations refusées pourraient potentiellement être évitées—et qu'un assureur a augmenté le taux de réclamations complexes traitées sans refus, passant de moins de 80 % à plus de 90 %—suggère que l'IA pourrait réduire considérablement les tracas administratifs auxquels les patients sont souvent confrontés.

Dans le processus d'autorisation préalable, l'automatisation pilotée par l'IA des demandes de faible et moyenne complexité signifie que les patients pourraient obtenir une approbation plus rapide pour les traitements nécessaires. Au lieu d'attendre plusieurs jours ou semaines pour un examen manuel, le processus pourrait être quasi instantané dans de nombreux cas.

Dans le domaine des opérations cliniques, des salles d'opération optimisées par l'IA signifient des temps d'attente plus courts pour les chirurgies, moins d'interventions annulées et une meilleure coordination des soins. Pour les patients en attente d'une intervention chirurgicale, il ne s'agit pas simplement d'un confort—c'est une question d'accès opportun à un traitement potentiellement salvateur. Une amélioration de 15 à 20 % de l'utilisation des salles d'opération pourrait réduire significativement le backlog chirurgical.

Pour les cliniciens, la réduction de plus de 50 % de la charge documentaire liée au DRE (Dossier de Relevé Électronique) grâce au traitement du langage naturel pourrait offrir aux médecins plus de temps en face à face avec les patients. Cela améliore directement l'expérience des patients et pourrait aider à résoudre la crise de pénurie de médecins et d'infirmières.

En matière de qualité et de sécurité, les systèmes d'IA qui détectent une détérioration clinique avant qu'elle ne devienne critique peuvent sauver des vies. Les 8 000 vies sauvées dans un système de santé et la réduction de la mortalité dans 21 hôpitaux utilisant des algorithmes de détection de détérioration en USI démontrent que l'IA n'est pas seulement un outil théorique—elle fait déjà une différence mesurable sur les résultats des patients.

Limitations : ce que l'étude n'a pas pu prouver

Les auteurs sont transparents quant aux limites des preuves. La plupart des utilisations de l'IA dans la prestation de soins de santé n'ont pas fait l'objet d'essais contrôlés randomisés—la référence pour les preuves médicales. Par conséquent, le niveau habituel de preuve requis pour la prise de décision médicale peut manquer pour de nombreuses applications de l'IA.

Les auteurs indiquent où il existe des preuves abondantes et où elles font défaut. Ils reconnaissent que leur perspective est basée sur des conversations avec des dizaines de dirigeants du secteur de la santé et que cela ne remplace pas les essais contrôlés randomisés.

D'autres limitations incluent :

  • Incertainité de la phase pilote : La plupart des organisations en sont encore à la phase pilote d'adoption de l'IA et tentent de valider les avantages. On ne sait pas si des améliorations telles que les gains prévus de 15 à 20 % dans l'utilisation des salles d'opération seront concrétisées.
  • Preuves limitées en matière de qualité et de sécurité : Les preuves concernant l'effet global de l'IA sur la qualité et la sécurité sont limitées.
  • Nouvelles technologies non prouvées : Les formes plus récentes de technologie, telles que la blockchain et l'IA générative, n'ont pas joué un rôle majeur dans la prestation de soins de santé, et bien que certains dirigeants soutiennent qu'elles sont essentielles pour débloiter le potentiel de l'IA, l'expérience des auteurs suggère le contraire.
  • Informations issues de l'expérience : La plupart des exemples proviennent de l'expérience de conseil des auteurs plutôt que d'études publiées et évaluées par les pairs.

Les auteurs divulguent également qu'ils sont tous deux employés par une entreprise qui fournit des services de conseil pour des organisations publiques et privées dans ce domaine, ce qui constitue un conflit d'intérêts potentiel important à prendre en compte lors de l'évaluation de leurs exemples.

Recommandations : ce que les patients devraient savoir et faire

Pour les patients naviguant dans un système de santé qui intègre de plus en plus l'IA, plusieurs recommandations pratiques se dégagent de cette revue :

  1. Interrogez-vous sur l'IA dans vos soins. Si votre radiologue, pathologiste ou autre spécialiste utilise une analyse d'image assistée par IA, demandez ce que cela signifie pour votre diagnostic. L'IA est utilisée dans jusqu'à 30 % des pratiques de radiologie, donc cela peut être plus courant que vous ne le pensez.
  2. Soyez proactif concernant les approbations d'assurance. Étant donné que l'IA ne peut réduire la friction dans le processus d'autorisation préalable que lorsqu'elle est mise en œuvre, et que plus de 10 % des réclamations sont refusées ou retardées, il reste avantageux de vérifier que votre prestataire a soumis toute la documentation nécessaire avant les procédures ou les traitements. Les 85 % de refus évitables sont souvent dus à des données manquantes ou à des problèmes d'éligibilité.
  3. Signalez rapidement vos préoccupations concernant votre santé. Les systèmes d'alerte précoce par IA dans les hôpitaux sont conçus pour détecter la décompensation des patients, mais ils fonctionnent mieux lorsque les prestataires disposent de signes vitaux et d'informations sur les symptômes à jour. Vos rapports sur les changements que vous ressentez font partie des « données non structurées » qui rendent ces systèmes plus efficaces.
  4. Comprenez que l'IA complète, et ne remplace pas, le jugement humain. Des études montrent que lorsque les prestataires confirment les alertes de l'IA, la mortalité est encore réduite — l'équipe homme-machine fonctionne au mieux. Votre relation avec votre équipe clinique reste le fondement de vos soins.
  5. Soyez conscient des limites des preuves. La plupart des applications d'IA n'ayant pas fait l'objet d'essais contrôlés randomisés, vous devez vous sentir à l'aise pour demander à votre prestataire quelles sont les preuves soutenant toute recommandation assistée par IA. C'est une question raisonnable, et les auteurs de cette revue conviendraient qu'il est utile de la poser.
  6. Reconnaissez que l'IA peut améliorer votre expérience en tant que patient. De moins de réclamations refusées à des délais d'attente chirurgicaux plus courts et à des médecins moins pressés (qui consacrent actuellement plus de 50 % de leur temps aux dossiers de santé électroniques), l'IA a le potentiel de rendre les soins de santé plus centrés sur le patient — mais ces avantages sont encore en cours de validation dans des programmes pilotes.
  7. Comprenez les enjeux financiers. La capacité de l'IA à réduire les dépenses administratives de 30 % (comme démontré par un assureur) et à améliorer l'utilisation des salles d'opération de 15 à 20 % pourrait se traduire par des économies de coûts et un meilleur accès aux soins. Ces changements peuvent cependant prendre des années pour atteindre votre hôpital local, car la plupart des organisations en sont encore à la phase pilote.

Questions fréquemment posées

Qu'est-ce que l'intelligence artificielle (IA) dans les soins de santé ?

L'IA utilise des ordinateurs pour prendre des décisions intelligentes en apprenant à partir d'exemples ou en traitant le langage humain. Dans les hôpitaux, l'IA peut aider à prédire les refus d'assurance, à planifier les salles d'opération et à détecter la détérioration de l'état des patients. Elle complète les connaissances des médecins mais ne remplace pas le jugement humain. L'adoption en est encore à ses débuts, de sorte que de nombreuses utilisations sont testées dans des programmes pilotes.

L'IA peut-elle réduire les problèmes liés aux refus d'assurance et à l'autorisation préalable ?

L'IA peut prédire quelles réclamations d'assurance sont susceptibles d'être refusées avant leur soumission, en détectant les erreurs qui causent jusqu'à 85 % des refus évitables. Un assureur a fait passer le taux de réclamations complexes traitées sans refus de moins de 80 % à plus de 90 %. L'IA accélère également l'autorisation préalable pour les demandes de faible et moyenne complexité, réduisant les délais de traitement et la frustration.

Comment l'IA pourrait-elle affecter le temps d'attente pour une chirurgie ?

L'IA peut prédire la durée des interventions chirurgicales et identifier les procédures à haut risque d'annulation. Dans des simulations, des hôpitaux comme le Mayo Clinic et Stanford ont estimé que l'IA pourrait améliorer l'utilisation des salles d'opération de 15 à 20 %, réduisant potentiellement les arriérés et les délais d'attente. Cependant, la plupart des hôpitaux testent encore ces approches, de sorte que les avantages réels ne sont pas encore garantis.

L'IA peut-elle m'aider à rester en sécurité à l'hôpital ?

L'IA peut surveiller les signes vitaux et alerter le personnel d'une détérioration soudaine de l'état du patient, ce qui peut prévenir des décès. Une approche a réduit la mortalité dans 21 hôpitaux, et un autre système d'alerte précoce aurait sauvé environ 8 000 vies dans un réseau de santé. Lorsqu'un prestataire confirme une alerte de l'IA, la mortalité est encore réduite. Ce domaine dispose encore de preuves limitées.

Quelle est la solidité des preuves que l'IA fonctionne dans les soins de santé ?

La plupart des utilisations de l'IA dans les soins de santé n'ont pas été testées dans des essais contrôlés randomisés, qui constituent la référence pour les preuves médicales. De nombreux exemples proviennent de programmes pilotes ou de l'expérience d'experts, et non d'études publiées à comité de lecture. Cela signifie que le niveau habituel de preuve requis pour les décisions médicales est souvent insuffisant. Les patients devraient demander quelles sont les preuves derrière toute recommandation assistée par IA.

Que dois-je demander à mon médecin concernant l'IA dans mes soins ?

Si votre médecin utilise l'IA pour l'analyse d'images, les prédictions ou les alertes, demandez ce que cela signifie pour votre diagnostic ou votre traitement. Demandez quelles preuves soutiennent l'outil d'IA et comment il a été validé. Vérifiez également que vos papiers d'assurance sont complets, car les refus évitables résultent souvent de données manquantes. Ces questions peuvent vous aider à comprendre comment l'IA affecte vos soins.

Si le diagnostic ou le plan de traitement de mon médecin est partiellement basé sur l'intelligence artificielle, dois-je obtenir un deuxième avis ?

L'intelligence artificielle est utilisée dans de nombreux domaines des soins de santé, y compris en radiologie, où jusqu'à 30 % des pratiques l'ont adoptée. Cependant, la plupart des applications d'IA n'ont pas fait l'objet d'essais contrôlés randomisés, de sorte que le niveau habituel de preuves requis pour la prise de décision médicale est souvent absent. L'IA est conçue pour compléter, et non remplacer, le jugement humain. Si vous avez des doutes concernant une recommandation assistée par l'IA, demander à un autre expert de réviser vos soins peut apporter une rassurance importante. Diagnostic Detectives Network fournit des avis experts indépendants.

Informations sur la source

Original Article: "Artificial Intelligence in U.S. Health Care Delivery"

Authors: Nikhil R. Sahni, M.B.A., M.P.A.–I.D., and Brandon Carrus, M.Sc.

Affiliations: Department of Economics, Harvard University, Cambridge, MA; Center for U.S. Healthcare Improvement, McKinsey and Company, Boston, MA

Journal: The New England Journal of Medicine (NEJM), 2023; Volume 389, pages 348-358

DOI: 10.1056/NEJMra2204673

Copyright: © 2023 Massachusetts Medical Society. All rights reserved.

Cet article à destination des patients est basé sur des recherches évaluées par les pairs. Il est destiné à des fins éducatives et ne constitue pas un avis médical. L'article original a été édité par Jeffrey M. Drazen, M.D., avec les éditeurs invités Isaac S. Kohane, M.D., Ph.D., et Tze-Yun Leong, Ph.D., dans le cadre de la série de revues « IA en médecine » du NEJM.