Dans le secteur de la santé, une IA fiable commence par un socle data solide

Une médecin termine son évaluation un mardi matin. L’imagerie confirme un cancer à un stade précoce. La maladie est agressive, mais traitable. Elle écrit l’ordonnance de traitement dans l’après-midi.

Puis, elle attend.

Elle n’attend ni une raison clinique ni un résultat de laboratoire. Elle attend une autorisation préalable qui prendra entre trois et sept jours ouvrés. Ce n’est pas un cas isolé. Dans la santé moderne, c’est un mardi comme les autres.

Nous avons normalisé ce délai, en le mesurant en « délais de traitement » et en « ratios d’effectifs ». Les soignants et les équipes administratives ont créé des solutions de contournement dignes de véritables prouesses pour des systèmes qui n’auraient jamais dû les y contraindre. Pourtant, alors que chaque grand système de santé a lancé un pilote d’intelligence artificielle pour « résoudre » le problème, les files d’attente persistent.

L’obstacle n’est pas l’absence de capacités technologiques. L’obstacle, c’est la confiance. Et dans la santé, la confiance est un problème de données.

Définir une intelligence artificielle « fiable »

Nous pensons que la confiance n’est pas un sentiment vague. C’est une exigence architecturale fondée sur trois principes essentiels :

• Transparence : chaque décision prise par un opérateur numérique doit être traçable et défendable. Lorsqu’une autorisation est signalée, la personne chargée de l’examiner doit voir les critères précis évalués et le cheminement du raisonnement suivi. Si un professionnel de santé ne peut pas comprendre comment l’intelligence artificielle est parvenue à une conclusion, il ne peut pas exercer son jugement professionnel.

• Humain dans la boucle : les opérateurs numériques doivent prendre en charge les tâches volumineuses et fondées sur des règles qui épuisent les équipes humaines. « L’art de la médecine », le cas complexe et la nuance clinique qu’une infirmière expérimentée reconnaît instantanément, relève de l’humain. Une couche de contexte sémantique s’intercale entre les données brutes et les actions de l’intelligence artificielle. Elle permet à la machine de comprendre concrètement la réalité clinique.

• Gouvernance intégrée : les informations de santé protégées (PHI), les contrats des mutuelles et assurances et la documentation clinique comptent parmi les ensembles de données les plus sensibles qui soient. La conformité au RGPD, au Code de la santé publique et aux exigences applicables à l'hébergement des données de santé (HDS), la gestion des accès selon les rôles ainsi que la traçabilité complète des actions ne sont pas des fonctionnalités que l'on ajoute après coup : ce sont des prérequis à tout déploiement.

Le socle est indissociable

Le secteur d’activité se concentre sur les « modèles », mais la question stratégique porte davantage sur ce qui se trouve en dessous. L’intelligence artificielle dans la santé s’appuie sur des notes cliniques rédigées au terme de journées de 12 heures, des données de demandes de remboursement reflétant des centaines de contrats négociés et des dossiers d’éligibilité qui changent dès qu’un patient change d’emploi, ou au gré de l’évolution de la législation.

Dans la santé, de mauvaises données mettent en jeu la sécurité des patients. Une autorisation fondée sur une éligibilité obsolète prive un patient de soins auxquels il a droit. Les organisations qui réussissent à faire passer l’intelligence artificielle du pilote à la production commencent par une seule étape : elles créent un socle data unifié et gouverné.

Pourquoi Snowflake joue un rôle de catalyseur

Pour passer de la théorie à la pratique, l’architecture de Snowflake résout le « problème des données » à grande échelle :

1. Données unifiées et multimodales : nous réunissons les notes cliniques, les contrats des organismes payeurs, l’historique des demandes de remboursement et les résultats de laboratoire dans une seule couche gouvernée.

2. Ingestion temps quasi réel : L’éligibilité évolue d’heure en heure. Un « batch de nuit » appartient déjà à hier. Il est temps de traiter les données plus efficacement.

3. Traçabilité complète : chaque action d’un opérateur numérique est traçable jusqu’à ses données sources, faisant de la transparence une réalité.

4. Architecture d’application native : les informations de santé protégées restent dans un environnement Snowflake sécurisé. La gouvernance devient structurelle et automatisée, plutôt que manuelle et procédurale.

Trois questions pour les dirigeants du secteur de la santé

Si vous cherchez à faire évoluer l’IA, posez ces trois questions à votre équipe :

1. Votre socle data est-il suffisamment bien gouverné pour prendre en charge une IA à l’échelle de la production, ou dépendez-vous encore de silos fragmentés ?

2. Pouvez-vous expliquer chaque décision automatisée prise par le système pour un patient donné ?

3. Les humains interviennent-ils dans les tâches qui exigent du discernement, ou se contentent-ils de fournir une « couverture juridique » pour une pile de dossiers qu’ils n’ont pas le temps d’examiner ?

Si vous n’avez pas de réponse certaine à l’une de ces questions, investissez d’abord dans la couche de données. Tout le reste en découle.

La vitesse et la confiance, une même exigence

Pendant des années, le secteur a considéré la vitesse et la confiance comme incompatibles. Les patients ont payé le prix de ce compromis.

L’administration des soins de santé doit avancer au rythme des besoins humains, tout en restant entièrement auditable et gouvernée. Ensemble, Snowflake et Penguin Ai veillent à ce que le patient qui attend chez lui qu’un système autorise enfin les soins dont son médecin sait déjà qu’il a besoin bénéficie de l’urgence qu’il mérite.

Pour en savoir plus, échangez avec l’équipe Penguin Ai au Snowflake Summit à San Francisco. Ou accédez dès maintenant à ses solutions sur Snowflake Marketplace.