25 cas d'utilisation de l'IA dans le secteur de la santé, avec exemples
Les systèmes de santé subissent une pression croissante due à l'augmentation du volume de données des patients et à la demande croissante de soins personnalisés.
Les applications d'IA dans le domaine de la santé sont apparues comme une solution puissante à ces problèmes en optimisant les processus, en améliorant la précision des diagnostics et en améliorant les résultats pour les patients.
Une étude récente montre que les équipes hybrides composées de cliniciens humains et de systèmes d'IA établissent des diagnostics médicaux plus précis, notamment parce qu'elles commettent des erreurs différentes et complémentaires qui s'autocorrigent. Ces résultats indiquent le fort potentiel de l'IA pour améliorer la sécurité des patients et promouvoir des soins de santé plus équitables. 1
Soins aux patients
1. Services virtuels
Un service de soins virtuel est un modèle de prise en charge où les patients reçoivent des soins de niveau hospitalier à domicile tout en étant surveillés à distance par du personnel médical.
Exemple concret : les services de santé virtuels du NHS
Des milliers d'enfants gravement malades en Angleterre sont désormais soignés à domicile grâce aux « services d'hospitalisation virtuels » du NHS, ce qui leur évite de longs séjours à l'hôpital. À l'aide de dispositifs portables tels que des moniteurs de fréquence cardiaque et d'oxygène, les médecins peuvent suivre les signes vitaux des patients et intervenir rapidement en cas de changement.
Les enfants souffrant d'affections telles que l'asthme, les problèmes cardiaques, les infections et les maladies chroniques bénéficient de soins à distance équivalents à ceux dispensés en milieu hospitalier. Des infirmières se rendent à domicile lorsque des examens ou des médicaments sont nécessaires. Les données sont surveillées en continu par les équipes cliniques via des plateformes comme Feebris, qui utilise l'intelligence artificielle pour détecter les signes avant-coureurs (voir figure 1).
Figure 1 : Exemple de surveillance du pouls de Feebris.
Pour les familles, l'impact émotionnel est considérable. Être soigné à domicile réduit le stress et contribue au sentiment de sécurité et de confort des enfants. Les responsables du NHS affirment que les unités de soins virtuelles libèrent des lits d'hôpitaux tout en adaptant les soins aux enfants, et prévoient que la télémédecine deviendra la norme pour de nombreuses pathologies dans les années à venir. 2
2. Diagnostic assisté et prescription
Les chatbots alimentés par l'IA peuvent aider les patients à s'auto-diagnostiquer pour des affections bénignes ou aider les médecins à établir un diagnostic en se basant sur les symptômes, les antécédents médicaux et les données diagnostiques.
Une étude visant à évaluer la capacité de ChatGPT à diagnostiquer des pathologies et la fréquence à laquelle il recommande de consulter un médecin a donné des résultats mitigés concernant sa fiabilité diagnostique.
Pendant cinq jours, les chercheurs ont posé les mêmes questions à ChatGPT concernant cinq affections orthopédiques courantes. Les réponses ont été classées comme correctes, partiellement correctes, incorrectes ou sous forme de liste de diagnostics possibles. L'exactitude et la cohérence des réponses ont été mesurées, et la capacité de ChatGPT à diagnostiquer avec précision les affections orthopédiques s'est avérée inconstante.
De plus, ses recommandations de consulter un médecin n'étaient pas toujours convaincantes. ChatGPT peut être utile dans un premier temps, mais s'y fier pour un autodiagnostic sans avis médical approprié comporte un risque. 3
Exemple concret : Ochsner Health avec DeepScribe
Auparavant, les médecins consacraient un temps considérable à la documentation des consultations (souvent en dehors des heures de travail), ce qui nuisait à la précision des dossiers et à leur équilibre vie professionnelle-vie privée. Ochsner Health s'est associé à DeepScribe afin d'alléger la charge administrative liée à la documentation clinique au sein de son réseau multiservices.
L'IA ambiante de DeepScribe capture les conversations en temps réel et génère des notes hautement personnalisables et spécifiques à chaque spécialité, permettant ainsi aux cliniciens de se concentrer davantage sur les interactions avec les patients.
De ce fait, le système a été adopté par 78 % des cliniciens et a atteint un taux de satisfaction des patients de 96 %, tout en réduisant considérablement le temps de documentation et en améliorant la qualité des notes. 4
Exemple concret : DxGPT
DxGPT est un outil d'intelligence augmentée conçu pour faciliter le diagnostic clinique en fournissant un diagnostic différentiel structuré plutôt qu'un texte libre.
Il génère cinq hypothèses diagnostiques avec des symptômes pour et contre chacune, en utilisant des modèles de langage avancés dans un cadre contrôlé destiné à garantir la pertinence et la sécurité.
Les premières études de validation, notamment celles menées avec l'hôpital Sant Joan de Déu, suggèrent des niveaux de précision comparables à ceux des experts cliniques. Cependant, le système n'est pas conçu pour établir des diagnostics autonomes et son interprétation doit être effectuée par des professionnels qualifiés.
DxGPT met l'accent sur des pratiques strictes de protection des données, notamment l'anonymisation automatique, le traitement en mémoire, la non-conservation des informations personnelles et la conformité au RGPD, à la loi HIPAA et à la future loi européenne sur l'IA. 5
Exemple concret : OpenAI pour les soins de santé
OpenAI pour les soins de santé est une suite d'outils d'IA conformes à la loi HIPAA qui prennent en charge les flux de travail cliniques, opérationnels et administratifs au sein des hôpitaux, des systèmes de santé et d'autres établissements de soins.
L'une des principales fonctionnalités de OpenAI dans le domaine de la santé est son aide au diagnostic fondée sur des données probantes. Cet outil fournit des réponses étayées par la littérature médicale pertinente, notamment des études évaluées par des pairs, des recommandations de santé publique et des guides de pratique clinique.
Elles comprennent également des citations transparentes qui listent les titres, les revues et les dates de publication, permettant ainsi une vérification rapide des sources, soutenant le raisonnement clinique et facilitant la prise en charge rapide des patients. 6
3. Outils d'IA pour la santé mentale
L'intelligence artificielle est de plus en plus utilisée dans le domaine de la santé mentale pour faciliter le dépistage précoce, le traitement et le suivi. Ces outils d'IA analysent le texte , la voix , les expressions faciales , les données des objets connectés et les dossiers médicaux afin de repérer les premiers signes de troubles comme l'anxiété et la dépression, d'en prédire les risques et de personnaliser les traitements.
De plus, les chatbots et les plateformes numériques offrent un soutien émotionnel, des conseils thérapeutiques, la mise en relation avec un thérapeute et un suivi continu, tout en réduisant la charge de travail des cliniciens grâce à l'automatisation. Si ces outils élargissent l'accès aux soins et améliorent l'efficacité, des défis subsistent en matière de confidentialité, de biais, de réglementation et de nécessité de garantir que l'IA vienne en complément des soins humains plutôt que de les remplacer.
4. Les chatbots de service client dans le secteur de la santé
Les chatbots du service client peuvent répondre aux questions des patients concernant leurs rendez-vous, la facturation ou le renouvellement de leurs ordonnances.
Cela peut améliorer la rapidité et la précision des diagnostics, réduire la charge de travail des professionnels de santé et permettre une meilleure allocation des ressources. Les médecins peuvent ainsi se concentrer sur les cas plus complexes, tandis que les outils d'IA fournissent des évaluations initiales ou des seconds avis pour les cas courants.
Exemple concret : chatbot d’oncologie basé sur l’IA à l’hôpital SSG
En 2025, l'hôpital SSG a lancé un chatbot d'intelligence artificielle destiné aux patients atteints de cancer et à leurs proches. Ce chatbot fournit des conseils instantanés sur les options de traitement (chirurgie, chimiothérapie, radiothérapie, etc.), les consignes de soins post-traitement, la gestion des symptômes et des effets secondaires, ainsi que des informations sur les consultations externes, et ce, en plusieurs langues. Il vise à réduire l'anxiété et à offrir un service d'assistance plus accessible et intuitif. 7
5. Les agents d'IA dans le domaine de la santé
Les agents d'IA contribuent au secteur de la santé en automatisant les tâches, en améliorant la prise de décision et en optimisant les soins aux patients. Ils analysent les données médicales pour établir des diagnostics, proposent des traitements personnalisés, prédisent les résultats et gèrent les tâches administratives.
Les outils d'IA agentiques permettent également une surveillance en temps réel et des consultations virtuelles, ce qui améliore l'efficacité et réduit les erreurs.
Exemple concret : l’agent vocal Prosper AI pour le cabinet d’obstétrique-gynécologie Northeast OB/GYN
Le service d'obstétrique-gynécologie du Nord-Est a eu du mal à suivre la croissance rapide en raison de pénuries de personnel, d'un fort taux de roulement et d'un volume croissant d'appels, ce qui a entraîné de longs temps d'attente, des prestations non vérifiées pour les patients et un épuisement professionnel du personnel.
Pour remédier à cela, le cabinet a mis en place Prosper, une solution de réception basée sur l'IA qui automatise la planification des rendez-vous, les annulations, la vérification des prestations et la gestion des listes d'attente, tout en acheminant les cas complexes vers le personnel.
Après un déploiement progressif, le système s'est rapidement intégré aux opérations quotidiennes, gérant tous les appels entrants et en résolvant environ 50 % sans intervention humaine. Il en a résulté une réduction de 40 % des coûts opérationnels, une augmentation de 12 % des rendez-vous planifiés et une couverture continue 24 h/24 et 7 j/7. 8
Exemple concret : Claude pour le secteur de la santé
Claude pour les soins de santé 9 est le produit HIPAA de Anthropic qui permet aux prestataires de soins de santé, aux startups et aux patients d'utiliser Claude en toute sécurité pour les tâches médicales et administratives.
Il étend les fonctionnalités existantes de Claude avec des connecteurs spécifiques au secteur de la santé, des compétences d'agent et des contrôles de conformité pour permettre aux organisations de travailler directement avec les données cliniques, de couverture et de facturation.
Les principales caractéristiques sont les suivantes :
- Connecteurs de données de santé : offrent un accès direct aux sources standard du secteur, notamment la base de données de couverture CMS, la CIM-10, le registre national des identifiants de fournisseurs et PubMed.
- Assistance au développement FHIR : pour simplifier l’intégration entre les systèmes de santé utilisant la norme FHIR, en réduisant le temps de développement et les erreurs d’intégration.
- Flux de travail d'autorisation préalable : un modèle d'examen d'autorisation préalable configurable qui permet de vérifier les politiques de couverture, les directives cliniques, les dossiers des patients et les documents d'appel.
- Coordination des soins et triage : Aide au tri et à la priorisation des messages, des orientations et des transferts de patients afin de garantir que les problèmes urgents reçoivent une attention rapide.
- Plateforme pour les startups du secteur de la santé : API et outils de développement permettant aux startups de créer des solutions basées sur l’IA telles que l’assistance à la documentation clinique, les outils d’analyse de dossiers et l’automatisation administrative.
- Intégrations de données de santé personnelles (États-Unis) : Accès optionnel et contrôlé par l'utilisateur aux résultats de laboratoire et aux dossiers médicaux via HealthEx, Function, Apple Health et Android Health Connect, permettant à Claude de résumer l'historique, d'expliquer les résultats et d'aider à préparer les visites cliniques.
- Contrôles de confidentialité et de sécurité : consentement explicite de l’utilisateur, contrôle précis des autorisations, aucune formation sur les données de santé personnelles, mentions légales contextuelles et conseils pour consulter des professionnels de la santé le cas échéant.
Exemple concret : Sully.ai
Parikh Health, dirigée par le Dr Neesheet Parikh, a considérablement amélioré ses opérations et ses soins aux patients en intégrant Sully.ai à ses dossiers médicaux électroniques (DME).
Le système d'enregistrement piloté par l'IA personnalise les interactions avec les patients, tandis que l'automatisation des tâches de réception permet au personnel de se concentrer davantage sur les soins aux patients.
Cette collaboration avec Sully.ai a permis de réduire de dix fois le nombre d'interventions par patient et de diminuer le temps consacré aux tâches administratives, comme la gestion des dossiers patients, de 15 minutes à seulement 1 à 5 minutes. Il en résulte une efficacité et une rapidité trois fois supérieures.
De plus, la plateforme a permis de réduire l'épuisement professionnel des médecins de 90 %, favorisant ainsi des interactions plus ciblées et plus pertinentes avec les patients. 10
Exemple concret : la plateforme de santé Agentic-AI
Agentic-AI Healthcare est un prototype de recherche qui combine plusieurs agents d'IA avec des garanties intégrées de confidentialité, d'explicabilité et de conformité réglementaire.
Le système utilise le chiffrement, le contrôle d'accès basé sur les rôles et les journaux d'audit pour garantir des flux de travail plus sûrs dans le secteur de la santé, tout en offrant une assistance multilingue en anglais, en français et en arabe afin d'améliorer l'inclusion. 11
6. Audit des ordonnances
La technologie de l'IA aide les professionnels de la santé à réduire les erreurs de prescription en analysant les ordonnances afin de détecter les interactions médicamenteuses potentielles, les dosages incorrects et les allergies des patients.
Cela réduit le risque d'effets indésirables liés aux médicaments, une source importante de complications et de coûts dans le domaine de la santé.
7. Gestion de la grossesse
Les systèmes d'IA peuvent être utilisés pour surveiller la santé de la mère et du fœtus grâce à des dispositifs portables et des systèmes de surveillance à distance.
Ces outils exploitent les données des constantes vitales et d'autres indicateurs pour prédire et diagnostiquer précocement les complications potentielles. Cela améliore le déroulement de la grossesse et réduit les taux de mortalité maternelle et infantile.
8. Triage par priorisation en temps réel
L'analyse prescriptive basée sur l'IA peut analyser les données des patients, telles que les symptômes, les antécédents médicaux et les signes vitaux, afin d'aider les professionnels de la santé à prioriser les cas en temps réel.
Exemple concret : Lightbeam Health
Lightbeam Health utilise l'analyse prédictive pour anticiper les risques sanitaires chez les patients.
Ce système analyse plus de 4 500 facteurs, notamment cliniques, sociaux et environnementaux, afin d’identifier les risques latents. Il fournit également des recommandations précises pour des interventions ciblées visant à améliorer l’état de santé des patients, par exemple en réduisant les réadmissions et les consultations aux urgences. 12
Exemple concret : Wellframe
Wellframe permet aux professionnels de santé de proposer des programmes de soins personnalisés et interactifs directement aux patients via une application mobile. Les modules cliniques de la plateforme sont conçus selon des pratiques médicales éprouvées afin de garantir aux patients un suivi basé sur des données probantes.
L'application permet également une communication en temps réel entre les équipes soignantes et les patients pour une surveillance continue et une intervention immédiate en cas de besoin.
Les professionnels de la santé peuvent personnaliser l'expérience pour chaque patient tout en prenant en compte ses problèmes de santé individuels, tels que la gestion des maladies chroniques ou le suivi post-hospitalisation.
La technologie d'IA de Wellframe offre aux patients des plans de soins personnalisés et fournit aux cliniciens des données exploitables via un tableau de bord. Ces informations en temps réel permettent de prioriser les patients à haut risque et d'optimiser la prise en charge des patients.
Grâce à ces fonctionnalités, Wellframe permet d'obtenir de meilleurs résultats pour les patients, soutient les soins préventifs et favorise des relations plus personnalisées entre les patients et leurs équipes soignantes. 13
9. Triage en temps réel
L'intégration de l'IA pour la priorisation garantit que les cas les plus critiques sont traités en premier, améliorant ainsi l'efficacité des services d'urgence et les résultats pour les patients.
Exemple concret : Enlitique
Les solutions de triage des patients d'Enlitic exploitent les technologies d'IA pour améliorer l'efficacité des systèmes de santé en scannant les dossiers médicaux entrants et en les évaluant selon de multiples critères cliniques.
Ces résultats sont ensuite hiérarchisés afin que les cas les plus urgents soient orientés vers les professionnels de santé compétents du réseau. Ce processus permet aux professionnels de santé de prendre en charge plus rapidement les cas prioritaires, améliorant ainsi la qualité globale des soins et réduisant les délais de diagnostic et de traitement.
En automatisant le triage grâce à l'IA, les solutions d'Enlitic contribuent à réduire la charge de travail manuelle des cliniciens et à optimiser les flux de travail, notamment en radiologie. La plateforme améliore également la qualité des données de santé en standardisant les données d'imagerie médicale, ce qui garantit un étiquetage et un acheminement corrects des images. 14
10. Médicaments et soins personnalisés
L'intelligence artificielle permet d'élaborer des plans de traitement personnalisés en analysant les données individuelles des patients, notamment leurs informations génétiques, leur mode de vie et leurs antécédents médicaux. La médecine personnalisée contribue à améliorer l'efficacité des traitements, à réduire les effets secondaires et à diminuer les coûts de santé en évitant les traitements inutiles et en privilégiant les résultats optimaux pour chaque patient.
L'IA dans les outils de santé peut aider les utilisateurs à trouver les meilleurs plans de traitement en fonction des données de leurs patients, réduisant ainsi les coûts et augmentant l'efficacité des soins.
Exemple concret : Aitia
L'entreprise utilise l'apprentissage automatique pour orienter les patients vers les traitements les plus efficaces pour chacun d'eux. 15
Exemple concret : Oncora Medicals
Oncora peut analyser et exploiter les données des systèmes de santé afin de permettre un traitement personnalisé, notamment pour les patients atteints de cancer. 16
11. Analyse des données des patients
Les solutions d'analyse des données de santé permettent d'exploiter les données cliniques pour fournir aux professionnels de santé des recommandations visant à améliorer la prise en charge des patients, identifier les populations à risque et optimiser l'allocation des ressources. Cette approche contribue à réduire les coûts des soins tout en améliorant les résultats pour les patients grâce à une prise de décision plus éclairée.
Exemple concret : Delphi-2M
Delphi-2M est un modèle de transformation génératif conçu pour prédire l'évolution des maladies tout au long de la vie d'un individu. Contrairement aux modèles traditionnels à maladie unique, il prend en compte la multimorbidité en analysant simultanément plus de 1 000 affections. Basé sur une architecture GPT-2 modifiée, il intègre l'âge, prédit la prochaine maladie et son calendrier d'apparition, et tient compte des diagnostics concomitants.
Au-delà des prévisions, Delphi-2M peut générer des trajectoires de maladies à long terme et créer des ensembles de données synthétiques qui préservent les schémas cliniques tout en protégeant la vie privée.
Malgré ces limitations, Delphi-2M présente un potentiel certain pour la médecine de précision, le dépistage précoce et la planification systémique. L'anticipation des risques individuels et la projection de la charge de morbidité peuvent éclairer la prise en charge des patients et les politiques de santé. De futures extensions pourraient intégrer des données génomiques, d'imagerie et issues de dispositifs portables afin de renforcer davantage les applications cliniques et de santé publique. 17
Exemple concret : Zakipoint Health
Zakipoint Health propose un tableau de bord complet offrant une vision transparente des risques et des coûts de santé de chaque membre. Cette approche permet des interventions personnalisées pour améliorer les résultats de santé.
La plateforme exploite l'analyse prédictive pour identifier les facteurs de coûts et de risques, aidant ainsi les systèmes de santé à réduire les risques et à réaliser des économies. 18
12. Robots chirurgicaux
La chirurgie robotique associe l'intelligence artificielle et les robots collaboratifs. Ces outils facilitent les interventions qui requièrent précision et répétition, comme la chirurgie laparoscopique.
Ces robots peuvent exécuter des mouvements prédéfinis sans se fatiguer et atteindre une grande précision. Cela contribue à réduire le risque d'erreur humaine, accélère les temps de récupération et permet aux chirurgiens de réaliser des interventions plus complexes avec une grande exactitude.
Figure 1 : Exemple de chirurgie robotique. 19
13. Robotique d'assistance
La robotique d'assistance dans le domaine de la santé améliore les soins aux patients et soutient les professionnels de la santé en effectuant des tâches à l'aide de capteurs, d'actionneurs et de systèmes de contrôle intelligents.
Les applications de la robotique d'assistance comprennent les exosquelettes qui facilitent la rééducation des patients victimes d'AVC ou de lésions médullaires, ainsi que les distributeurs de médicaments robotisés qui garantissent un dosage précis. Les robots de téléprésence permettent les consultations à distance, et les assistants infirmiers robotisés comme Robear aident à soulever ou à déplacer les patients en toute sécurité.
Ces technologies améliorent l'efficacité, la précision et les résultats pour les patients dans divers contextes cliniques.
Exemple concret : le LUCAS 3
Le LUCAS 3 est un système de compression thoracique mécanique développé par Stryker. Il assure des compressions constantes et de haute qualité lors de la réanimation cardiopulmonaire (RCP), contribuant ainsi au maintien de la circulation sanguine chez les patients en arrêt cardiaque (voir l'image ci-dessous).
Cet appareil est portable, alimenté par batterie et conçu pour être utilisé dans les ambulances, les hôpitaux ou sur les lieux d'intervention d'urgence.
Elle réduit la charge physique pesant sur les secouristes et améliore les résultats de la RCP en assurant des compressions ininterrompues, même pendant le transport ou la défibrillation.
Figure 2 : Système de compression thoracique LUCAS 3. 20
Imagerie médicale et diagnostic
14. Diagnostic précoce
L'IA peut analyser les dossiers médicaux, les données de laboratoire et les résultats d'imagerie pour détecter les signes précoces de maladies chroniques telles que le cancer, le diabète ou les maladies cardiovasculaires. Un diagnostic précoce permet des interventions rapides, ce qui peut améliorer le pronostic des patients et réduire les coûts des traitements à long terme.
Exemple concret : Recherche sur le dépistage assisté par l’IA
Un vaste essai de dépistage randomisé mené en Suède a évalué si l'ajout de l'IA au dépistage par mammographie influençait le taux de cancers du sein d'intervalle par rapport à la double lecture standard par des radiologues.
Plus de 105 000 femmes ont été réparties aléatoirement entre un dépistage assisté par intelligence artificielle et un dépistage conventionnel sans intelligence artificielle. L’étude a démontré que le dépistage assisté par intelligence artificielle n’entraînait pas un taux de cancers d’intervalle supérieur à celui du dépistage conventionnel, satisfaisant ainsi aux critères de non-infériorité de l’essai. Bien que les taux globaux de cancers d’intervalle soient similaires, le groupe ayant bénéficié du dépistage assisté par intelligence artificielle présentait moins de cancers d’intervalle invasifs et à haut risque.
La sensibilité du dépistage était significativement plus élevée avec l'IA, sans aucune perte de spécificité, et ces améliorations étaient constantes dans tous les groupes d'âge et toutes les catégories de densité mammaire.
Globalement, les résultats suggèrent que la mammographie assistée par l'IA peut améliorer l'efficacité de la détection et du dépistage du cancer, ce qui soutient son adoption potentielle dans la pratique clinique courante. 21
Exemple concret : Google Santé
Les recherches de Google Health sur le dépistage du cancer du sein indiquent que son modèle d'IA peut détecter les signes du cancer du sein avec une précision similaire à celle des radiologues.
Le système est entraîné sur un grand nombre de mammographies anonymisées afin d'identifier les schémas associés au cancer et est actuellement évalué en situation clinique réelle. Ce projet collaboratif implique des patients, des cliniciens et des professionnels de santé, ainsi que des partenariats avec des institutions telles que Northwestern Medicine, l'Imperial College London, plusieurs établissements du NHS et la Fondation japonaise pour la recherche sur le cancer.
Ces études examinent comment le modèle pourrait aider à prioriser les cas à haut risque, à servir de deuxième lecteur dans les flux de travail de dépistage et à favoriser une détection plus cohérente et inclusive au sein de populations diverses. 22
Exemple concret : Ezra
Ezra exploite l'IA lors de l'analyse d'IRM corporelles complètes pour aider les cliniciens à détecter précocement le cancer. 23
15. Perspectives en imagerie médicale
Les outils d'intelligence artificielle peuvent améliorer l'analyse des images médicales (radiographies, IRM, scanners, etc.) en identifiant des anomalies que les radiologues pourraient ne pas déceler. Ces informations contribuent à un diagnostic plus précoce et plus précis des maladies.
L'IA est également utilisée pour diagnostiquer la COVID-19 à partir de données d'imagerie, permettant une identification plus rapide des cas critiques nécessitant une assistance respiratoire.
L'imagerie médicale assistée par l'IA est également largement utilisée pour diagnostiquer les cas de COVID-19 et identifier les patients nécessitant une assistance respiratoire.
Exemple concret : Huiying Medical
Huiying Medical, une entreprise chinoise de dispositifs médicaux, a créé une solution d'imagerie par intelligence artificielle capable de détecter la COVID-19 à partir de scanners thoraciques. Selon l'entreprise, cette solution pourrait être utile aux régions n'ayant pas accès au test RT-PCR, la méthode de dépistage standard de la COVID-19.
Huiying a développé les algorithmes d'IA à partir de données tomodensitométriques issues de plus de 4 000 cas de coronavirus. Le système examine l'opacité en verre dépoli (GGO) dans les poumons, signe d'un remplissage partiel des espaces aériens, ainsi que d'autres indicateurs, afin d'évaluer la probabilité d'une infection à la COVID-19.
Exemple concret : SkinVision
L'application SkinVision permet aux patients de détecter les signes précoces du cancer de la peau grâce à leur smartphone. En leur permettant de prendre des photos de haute qualité de leur peau, en se concentrant sur les grains de beauté ou les lésions suspectes, l'application les analyse à l'aide d'algorithmes d'intelligence artificielle.
Cette analyse fournit une évaluation instantanée des risques, ce qui peut aider à identifier les problèmes potentiels tels que le mélanome, le carcinome épidermoïde ou le carcinome basocellulaire.
Les algorithmes de SkinVision ont été entraînés sur une vaste base de données d'images dermatologiques afin de mieux distinguer les affections cutanées à haut risque de celles à faible risque. Pour les cas à haut risque, l'application recommande une consultation médicale. 24
Recherche et développement
16. Découverte de médicaments
L'IA accélère la découverte de médicaments en analysant de vastes ensembles de données issus de la recherche médicale, des données historiques de traitement et des voies biologiques. Il en résulte une identification plus rapide des candidats médicaments prometteurs et une réduction des coûts et des délais de mise sur le marché des nouveaux médicaments.
La technologie de l'IA peut également prédire l'efficacité des médicaments, ce qui permettrait d'obtenir de meilleurs résultats lors des essais cliniques.
Exemple concret : Boltz-ABFE
Boltz-ABFE 25 est une méthode d'IA qui combine des prédictions d'apprentissage profond avec des simulations d'énergie libre. À l'instar d'AlphaFold, qui prédit les structures protéiques, les modèles de Boltz prédisent les complexes protéine-ligand.
En intégrant ces prédictions basées sur l'IA à des calculs fondés sur la physique, Boltz-ABFE étend la portée de la FEP aux premières étapes de la découverte de médicaments, permettant aux chercheurs d'évaluer plus efficacement les molécules candidates tout en maintenant la précision.
Comment fonctionne Boltz-ABFE
- Utilise Boltz-1 et Boltz-2 , des modèles d'IA entraînés à prédire les complexes protéine-ligand directement à partir des séquences protéiques et des informations sur les ligands.
- Applique un raffinement de structure pour corriger des problèmes tels que les erreurs d'ordre de liaison, les erreurs de stéréochimie et les encombrements stériques.
- Utilise un processus de ré-amarrage où les ligands sont ajustés à l'aide d'un logiciel d'amarrage afin d'améliorer la géométrie et la précision.
- Améliore la fiabilité en supprimant les régions à faible confiance et en incluant des partenaires de liaison lorsque cela est nécessaire.
Résultats des analyses comparatives
- Testé sur quatre protéines (TYK2, CDK2, JNK1, P38) de l'ensemble de référence FEP+.
- Les estimations d'énergie de liaison obtenues sont souvent à moins de 1 kcal/mol des résultats expérimentaux.
- Dans certains cas, les résultats ont égalé, voire surpassé, les simulations réalisées à partir de structures cristallines.
- A fait preuve de sensibilité aux détails structurels, rendant importantes les mesures correctives telles que le réamarrage.
Exemple concret : NuMedii
La société biopharmaceutique NuM edii a développé la technologie AIDD (Artificial Intelligence for Drug Discovery) qui exploite le Big Data et l'IA pour découvrir rapidement des liens entre les médicaments et les maladies à un niveau systématique. 26
Exemple concret : Insilico Medicine
Insilico Medicine, une entreprise de biotechnologie basée à Boston et à Hong Kong, a annoncé une étape importante dans le développement de médicaments piloté par l'IA.
Leur composé principal, le rentosertib, conçu entièrement à l'aide de l'intelligence artificielle, a démontré des résultats prometteurs dans un essai clinique de phase intermédiaire pour la fibrose pulmonaire idiopathique (FPI), une maladie pulmonaire progressive et actuellement incurable.
Dans cette étude, les patients ayant reçu la dose la plus élevée de rentosertib ont présenté des améliorations notables de leur fonction pulmonaire. Les analyses de biomarqueurs ont confirmé que le médicament ciblait efficacement une protéine spécifique associée à la fibrose pulmonaire idiopathique (FPI), comme l'avaient prédit les algorithmes d'intelligence artificielle d'Insilico. 27
17. Analyse et édition des gènes
L'IA aide à analyser les données génétiques pour comprendre les variations génétiques et prédire les effets de la modification des gènes.
Cette technologie aide également les chercheurs à prédire comment des modifications génétiques spécifiques pourraient influencer le risque de maladie ou les résultats des traitements, permettant ainsi des thérapies génétiques plus précises et plus efficaces.
Exemple concret : SOPHiA GENETICS
SOPHiA GENETICS propose aux généticiens la plateforme SOPHiA DDM™, qui utilise l'IA pour optimiser l'analyse génomique. Cette plateforme automatise la détection, l'annotation et la priorisation des variants complexes dans les données de séquençage de nouvelle génération (NGS), permettant ainsi d'obtenir des résultats plus rapides et plus précis.
Il s'intègre aux environnements de laboratoire existants, facilite la collaboration grâce à un réseau mondial d'experts et comprend des outils comme Alamut™ Visual Plus pour une analyse détaillée des variants.
Le programme MaxCare offre également un soutien sous forme de consultations sur site, de formations et d'évaluations de performance afin de garantir une mise en œuvre réussie. 28
18. Efficacité comparative des dispositifs et des médicaments
L'IA peut évaluer et comparer l'efficacité de différents dispositifs médicaux ou médicaments en analysant les résultats cliniques et les données des patients.
Cela permet aux professionnels de la santé de faire des choix plus éclairés concernant les traitements les plus efficaces, tout en réduisant les tâtonnements dans les interventions médicales.
Exemple concret : 4Quant
4Quant exploite l'analyse de données massives et l'apprentissage profond pour extraire des informations pertinentes à partir d'images et de vidéos, facilitant ainsi la conception et l'optimisation des expériences. Sa plateforme utilise des algorithmes d'apprentissage automatique pour traiter d'importants volumes de données visuelles, permettant aux chercheurs et aux professionnels de la santé d'analyser efficacement des informations complexes.
En automatisant l'extraction d'informations exploitables à partir de données d'imagerie, 4Quant permet aux utilisateurs d'identifier les composants et les tendances clés les plus pertinents pour leurs besoins expérimentaux spécifiques. Ceci peut s'avérer particulièrement précieux dans des domaines tels que la recherche scientifique, la médecine et les applications industrielles, où l'analyse des données visuelles est essentielle à la prise de décision.
Les solutions de 4Quant offrent également une personnalisation en fonction des besoins spécifiques de chaque utilisateur pour des analyses plus ciblées. Cette approche réduit le temps et les efforts nécessaires à l'analyse de grands ensembles de données et améliore la précision et la qualité des résultats obtenus. 29
Gestion des soins de santé
19. Gestion et marketing de la marque
Les plateformes d'IA peuvent analyser la perception du marché de la santé et les données démographiques des patients afin d'aider les professionnels de santé à optimiser leurs stratégies marketing. Les hôpitaux et les organismes de santé peuvent ainsi améliorer leur image de marque en personnalisant leurs messages et en ciblant les segments pertinents.
20. Tarification et risque
Les modèles d'IA peuvent prédire le prix optimal des traitements et des services en analysant la concurrence, la demande du marché et les résultats des patients.
Cela permet aux prestataires de soins de santé de fixer des prix compétitifs et rentables tout en réduisant le fardeau financier des patients et en optimisant les marges opérationnelles.
21. Étude de marché
L'IA peut servir à recueillir des renseignements concurrentiels sur d'autres hôpitaux ou prestataires de soins de santé. Ces données permettent aux hôpitaux de comparer leurs services, d'identifier les axes d'amélioration et de s'adapter aux évolutions du marché des soins de santé.
Exemple concret : MD Analytics
MD Analytics est une solution d'études de marché pour les secteurs de la santé et de l'industrie pharmaceutique. Cet outil propose une gamme complète de solutions d'études quantitatives et qualitatives adaptées à chaque phase du cycle de vie d'un produit.
Leurs services couvrent les essais cliniques, les études de marché, l'analyse du parcours patient et l'évaluation des processus d'achat. Les solutions de pré-lancement incluent la prévision de la demande, le test de concept, les études de prix et l'évaluation des programmes d'accompagnement des patients. Les phases de post-lancement et de croissance sont axées sur l'engagement client, l'évaluation des forces de vente, l'optimisation multicanale et le suivi des indicateurs clés de performance (KPI). 30
22. Opérations
Les technologies d'automatisation des processus, telles que l'automatisation intelligente et la RPA, permettent de gérer les opérations de santé comme la planification des rendez-vous, la facturation et le reporting. En automatisant les tâches routinières, les établissements de santé peuvent libérer du personnel pour qu'il se concentre sur les soins aux patients, tout en réduisant les coûts administratifs.
Exemple concret : la comète
Comet est le système d'intelligence médicale d'Epic, conçu pour aider les cliniciens, les patients et les systèmes de santé à prendre de meilleures décisions fondées sur les données en prédisant les résultats probables du parcours de soins d'un patient.
Entraîné sur plus de 100 milliards d'événements médicaux dépersonnalisés dans Epic Cosmos , il modélise des séquences chronologiques de diagnostics, de résultats de laboratoire, de médicaments et de rencontres pour simuler des scénarios futurs, notamment la progression de la maladie, le risque de réadmission et la durée du séjour à l'hôpital.
S'appuyant sur des modèles de langage complexes, Comet génère des trajectoires de santé plausibles et les synthétise en informations exploitables, intégrables aux flux de travail cliniques. Contrairement aux outils traditionnels, il fait évoluer la planification des soins d'une approche réactive à une approche anticipative en présentant un éventail de résultats possibles, aidant ainsi les équipes à allouer les ressources, à planifier les sorties et à gérer les risques avec plus d'assurance.
Fonctionnant selon des normes strictes de confidentialité et de sécurité, Comet a démontré son efficacité dans de nombreux cas d'utilisation. Dès 2026, les chercheurs des organisations participantes pourront explorer Comet dans un laboratoire virtuel afin d'affiner ses applications, contribuant ainsi à une prise de décision plus personnalisée, proactive et sécurisée dans le domaine de la santé. 31
23. Détection des fraudes
Les outils d'IA peuvent analyser les tendances des demandes de remboursement de soins de santé afin de détecter les activités frauduleuses telles que les fausses déclarations ou la surfacturation. Cela aide les organismes de santé à minimiser les pertes dues à la fraude et à garantir une utilisation plus efficace des ressources pour les soins aux patients.
Exemple concret : Markovate
Un organisme national d'assurance maladie a été confronté à une augmentation des demandes de remboursement frauduleuses et des violations de données, entraînant des pertes financières et une atteinte à la confidentialité des données des patients.
Markovate 32 a mis en œuvre un système de détection de fraude basé sur l'IA qui a analysé les données des réclamations, signalé les comportements suspects et s'est intégré de manière transparente à l'infrastructure du fournisseur, garantissant la conformité HIPAA et protégeant les données sensibles des patients.
Les résultats sont :
- Réduction de 30 % des déclarations frauduleuses en six mois.
- Amélioration de 25 % de la sécurité des données.
- Traitement des demandes d'indemnisation 40 % plus rapide, pour une efficacité accrue.
Hyperautomatisation dans le secteur de la santé
L'hyperautomatisation est une approche émergente de la transformation numérique qui consiste à automatiser autant de processus métier que possible tout en augmentant numériquement ceux qui ne peuvent pas être entièrement automatisés.
L'hyperautomatisation combine l'IA, la RPA et les technologies de vision par ordinateur pour une automatisation complète des processus dans le secteur de la santé.
Voici des cas d'utilisation de l'hyperautomatisation dans le secteur de la santé :
24. Traitement de l'assurance maladie
En tirant parti des méthodes de traitement automatique du langage naturel (TALN) et des modèles d'intelligence artificielle / d'apprentissage profond , une approche d'hyperautomatisation peut aider les entreprises d'assurance maladie :
- Réduisez au minimum le travail manuel lors des préautorisations et du traitement des demandes de remboursement.
- Réduire les erreurs humaines,
- Détecter et prévenir plus précisément la fraude dans le secteur de la santé,
- Garantissez la satisfaction de vos clients grâce à des cycles de traitement des réclamations plus courts.
25. Conformité réglementaire
Les prestataires de soins de santé, les compagnies d'assurance maladie, les pharmacies et autres entités du secteur de la santé doivent se conformer à des réglementations telles que la loi HIPAA aux États-Unis et le RGPD dans l'UE.
L'hyperautomatisation peut contribuer à garantir la conformité réglementaire des organismes de santé :
- Intel Les robots Ligent peuvent enregistrer chaque action dans les systèmes de soins de santé et documenter le journal d'activité sur demande.
- Les modèles d'IA/ML peuvent être utilisés pour prédire les fraudes potentielles dans le secteur de la santé.
- L'automatisation des processus d'audit interne peut contribuer à évaluer les risques et les contrôles internes de manière plus efficace et plus fréquente.
L'avenir des cas d'utilisation de l'IA dans le secteur de la santé
Pour l'avenir de l'IA dans le domaine de la santé, une solution basée sur l'apprentissage automatique peut être mise en place dans les domaines où des données d'entraînement importantes sont disponibles et où le problème est clairement formulé.
Dans ces domaines, l'IA peut être bénéfique aux prestataires de soins de santé en permettant une prise de décision fondée sur les données et en générant des économies de temps et de coûts.
Liens de référence
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires.