@Health&Tech Intelligence – Retex CH de Troyes

Établissement : Centre Hospitalier de Troyes (GHT)
Interlocuteur : David Laplanche
Périmètre : IA codage PMSI, OSPI Cod+, exploitation de données structurées et non structurées
Maturité : Usage en routine depuis 2024, passage multiEJ en 2025 

Idées clés 

• Un modèle organisationnel centralisé (10 techniciens d’information médicale, équipe pluridisciplinaire, couverture Groupement Hospitalier de Territoire complète) constitue un prérequis à l’intégration réussie de l’IA dans le codage.
• L’IA est utilisée en surlecture postcodage, non en codage automatique, y compris sur les actes répétitifs : le taux d’erreur de 6% sur la chimiothérapie est jugé trop élevé pour basculer en automatisation, malgré un potentiel de gain majeur ( Hôpital De Jour, actes standardisés).
• OSPI Cod+ dépasse le rôle de simple outil de codage pour devenir une brique de comptabilité analytique, de contrôle qualité et de pilotage médicoéconomique à l’échelle du GHT.
• La 1ʳᵉ campagne de revalorisation (janvier 2025, sur l’année 2024) a généré 600 k€ sur 2 500 dossiers ; la 2ᵉ campagne (fin sept. 2025, M1–M8 2025) a produit 520 k€ sur 1 600 dossiers, 800 k€ estimé sur 2025.

Fiche d’identité du cas d’usage 

Contexte organisationnel 

Équipe et gouvernance 

Le CH de Troyes a structuré un pôle de santé publique intégrant recherche clinique (4 assistants de recherche clinique, dont 1 data scientist), archives médicales et coordination ville/hôpital. Le Département d’Information Médicale a été mutualisé sur le territoire dès 2013, puis renforcé par étapes :

• 2015 : direction commune et création du DIM de territoire.

• 2016 : outil unique de codage et solution de suivi médicoéconomique.

• 2019 : premières utilisations de données de santé (COCOC) et premiers outils d’IA.

• 2020 : initiation de l’entrepôt de données de santé (EHOP).

• 2024 : utilisation de l’IA en routine.

• 2025 : passage en multiEJ pour les outils de codage et de pilotage.

L’équipe opérationnelle se compose d’environ 10 TIM, 1 à 2 infirmières d’Assistance aux Malades en Ambulatoire. 1 sagefemme et 1 datamanager. Le codage est centralisé pour toutes les spécialités du GHT, organisé à la séquence de soins ou au séjour complet, couvrant toutes les Unité Médicale traversées par le patient. Chaque TIM suit les patients sur l’ensemble de leur parcours et se voit affecter des séjours de manière aléatoire, assurant une répartition équitable et un contrôle qualité homogène.

Socle d’outils 

Parcours d’adoption de l’IA codage 

Phase d’évaluation (2019–2022) 

Dès 2019, l’établissement reçoit les premières sollicitations d’éditeurs. En 2022, un comparatif sur M1 oppose deux solutions d’IA — Sancare et Collective Thinking. Le constat est que peu de différences de revalorisation moyenne existent entre les deux, mais que le ciblage des dossiers diffère (environ 300 € en moyenne par dossier ouvert, 15% des dossiers modifiés). Le choix se porte sur la solution la mieux intégrée à CORA PMSI, critère déterminant pour l’équipe de codage.

Phase de test (2022–2024) 

Pendant deux ans, l’équipe constate une instabilité de la solution et une intégration perfectible. Elle engage une réflexion sur le process d’utilisation de l’IA en définissant un workflow séquentiel strict :

CODAGE → GROUPAGE → CONTRÔLES QUALITÉ → TEST IA 

Ce positionnement de l’IA en bout de chaîne traduit une réticence assumée à recevoir les propositions IA directement en phase de codage. L’IA est conçue comme une étape de complément, pas comme un codage automatique : la preuve est historisée et traçable.

Phase de routine (2024–2025) 

En 2024, l’établissement adopte l’outil médicoéconomique OSPI au niveau GHT et bascule la solution d’IA d’I4H vers COD+. Les résultats sont tangibles :

La réflexion porte désormais sur la fréquence d’utilisation (mensuelle vs trimestrielle) et sur la stabilisation des paramétrages et règles.

Analyse des usages IA et de leur acceptabilité 

Surlecture et détection d’oublis 

L’IA est utilisée par les médecins DIM en fin de codage (jamais par les TIM directement). Les propositions sont transmises mensuellement. Sur les oublis de codes, le taux de pertinence est jugé très élevé : quand le dossier est repris, “l’IA a raison dans quasiment 100% des cas aujourd’hui”. L’IA sécurise le codage dans son ensemble, y compris parfois avec une valorisation négative (correction d’erreurs de surcodage), ce qui renforce la crédibilité de l’outil.

Changement de diagnostic principal 

Les propositions de modification du diagnostic principal sont en revanche peu testées et jugées peu fiables, générant du bruit. Ce point constitue une limite fonctionnelle claire de l’IA actuelle dans cet établissement.

Codage automatisé : un potentiel majeur encore bloqué par le taux d’erreur 

Sur les actes de chimiothérapie, l’IA atteint 94% de fiabilité sur environ 1 000 actes par mois. Bien que ce volume rende la saisie manuelle très lourde, l’établissement considère que 6% d’erreur sur 1 000 dossiers reste trop élevé pour basculer en codage automatique. Le risque d’erreurs en cascade, la nécessité de retraitement et les enjeux de fiabilité des données PMSI rendent cette marge inacceptable en l’état.

Ce constat est d’autant plus significatif que le potentiel de gain serait majeur : les activités d’hôpital de jour (HDJ), la chimiothérapie et certains actes chirurgicaux standardisés (par exemple le canal carpien) représentent des segments à fort volume et forte répétitivité, idéalement éligibles à l’automatisation.

En résumé : le codage automatisé est identifié comme un levier d’avenir, mais il reste aujourd’hui non utilisé au CH de Troyes. L’IA demeure strictement cantonnée à un rôle de surlecture et de détection d’anomalies. 

Centralisation vs décentralisation : un enseignement clé 

L’expérience de Troyes dégage un principe important : 

• Organisation centralisée → l’IA est utilisée pour améliorer la qualité du codage (surlecture, détection d’oublis, sécurisation).

• Organisation décentralisée → l’IA tend à être positionnée comme un outil financier pur (optimisation de valorisation), avec un risque accru de défiance médicale et de biais.

Facteurs de succès et facteurs de risque 

Facteurs de succès 

Grille de KPI observés 

 Matrice maturité / valeur pour la cartographie HTI 

Ce RETEX a été formalisé par Health & Tech Intelligence (HTI) à partir d’un entretien avec David Laplanche (CH de Troyes). Les données chiffrées proviennent de communications de l’établissement.  

Nota : Des outils d’IA ont été mobilisés pour la recherche documentaire et la structuration des informations, l’analyse et les conclusions restant du ressort des équipes Health&Tech intelligence et de relecteurs DIM. 

Cette cartographie structurée recense les cas d’usage documentés de l’intelligence artificielle appliquée au codage médico-administratif et au revenue cycle management (RCM), issus de la revue de littérature internationale et des retours d’expérience identifiés depuis 2023. Cette analyse a été complétée et revue par deux médecins DIM français de CH, utilisateur et non utilisateur de solutions d’IA dédiée.  

Le périmètre couvre la France, l’Europe (pays nordiques, Grèce), l’Amérique du Nord (États-Unis) et l’Asie (Taïwan), avec un focus sur les systèmes DRG-like : PMSI/CIM-10 FR, NordDRG, MS-DRG, Tw-DRG et G-DRG.   

Analyse par famille de cas d’usage 

Codage automatique / assisté ICD-10 

Ce segment concentre la majorité des publications académiques et industrielles. Les approches vont du deep learning multi-label (CUS-FR-001) aux LLM fine-tunés comme DRG-LLaMA (CUS-ROW-002) ou GPT-2 appliqué au Tw-DRG (CUS-ROW-001). Les performances mesurées convergent vers un constat : les modèles atteignent des F1 élevés sur les codes fréquents (>0,85 sur le top 50), mais restent perfectibles sur les codes rares et les cas complexes (F1 global autour de 0,67). Aucun de ces cas n’a encore basculé vers un autocodage complet sans supervision humaine.  

Contrôle qualité et détection d’anomalies 

En France, les cas CUS-FR-002 (Cod+) et CUS-FR-003 (CHU Grenoble) illustrent un positionnement centré sur la détection des oublis de codes, des CMA manquantes et de la sous-valorisation. Ce segment présente le meilleur ratio risque/valeur : le ROI est rapide, le risque clinique est limité et le pilotage par KPI est immédiat. Le RETEX du CH de Troyes confirme ce constat terrain : l’IA en surlecture post-codage atteint un taux de pertinence « de quasiment 100% » sur les oublis de codes.  

Groupage DRG et raisonnement tarifaire 

Le benchmark NordDRG AI (CUS-EU-001) propose une approche originale : encapsuler les tables de définition DRG et les workflows de mise à jour dans un cadre d’évaluation standardisé pour tester les LLM. Les résultats sont encore insuffisants pour une automatisation, mais l’outil est utile pour comparer des copilotes IA avant déploiement en production. En Grèce (CUS-EU-002), une plateforme numérique d’audit a permis un reclassement significatif de DRG vers des groupes plus rémunérateurs.  

Revenue Cycle Management (RCM) 

Le cas le plus mature est celui d’Auburn Community Hospital (CUS-ROW-003), où l’intégration de l’IA et du RPA au cycle de facturation a produit des résultats mesurables : –50% de dossiers DNFB (discharged-not-final-billed), +40% de productivité des codeurs et +4,6% de CMI. Ce type de déploiement reste spécifique au contexte américain multi-payeurs, mais les KPI sont transposables à la logique PMSI française.  

Matrice de positionnement : maturité × valeur × risque 

Le croisement des cas d’usage par niveau de maturité et profil de risque/valeur permet d’identifier les segments les plus actionnables pour un établissement français.  

Le tableau ci-dessous synthétise les principaux KPI rapportés par zone, permettant une lecture comparative rapide.  

Convergences internationales 

Trois constats se dégagent de l’ensemble des cas d’usage, toutes zones confondues :  

• L’IA performante en codage repose systématiquement sur une hybridation règles + modèles : aucun déploiement opérationnel ne fonctionne sans moteur de règles encadrant les prédictions des modèles IA.
• Le positionnement en assistance plutôt qu’en remplacement est le dénominateur commun de tous les projets ayant franchi le stade du pilote : l’IA propose, l’humain valide.
• Les KPI de productivité et de qualité (temps de codage, taux d’erreurs, DNFB) sont plus robustes et plus comparables entre pays que les KPI financiers, qui dépendent fortement du contexte tarifaire local.

Spécificités françaises 

Le contexte PMSI impose des contraintes qui expliquent un retard apparent de maturité par rapport aux États-Unis :  

• L’évolution annuelle des règles PMSI (codes, groupage, PLFSS/ONDAM) exige des solutions capables de ré-entraînement régulier, ce qui alourdit le coût total de possession. 
• Les contrôles externes (CAC, Assurance maladie) imposent une traçabilité documentée de chaque décision de codage, rendant l’autocodage pur plus risqué en France qu’aux États-Unis. 
• L’absence d’intégration des solutions tierces dans le DPI reste un frein opérationnel majeur, confirmé par les retours DIM. 

Zones blanches de la littérature 

Plusieurs lacunes sont identifiées dans le paysage actuel des cas d’usage :  

• Allemagne (G-DRG) : des initiatives émergent autour du codage assisté ICD-10/OPS, mais la littérature publique détaillée reste pauvre. 
• Canada : cité dans le périmètre de l’étude mais aucun cas d’usage formalisé n’a été identifié à ce stade. 
• KPI de ROI dynamique : aucun cas d’usage ne présente un suivi longitudinal du ROI intégrant l’érosion potentielle des gains dans un système à enveloppe contrainte. 

Nota méthodologique 

Les cas d’usage identifiés proviennent de la revue de littérature internationale structurée par Health&Tech Intelligence, couvrant articles scientifiques, études de cas hospitalières, livres blancs d’éditeurs et documents institutionnels depuis 2023. Les chiffres d’impact provenant de communications d’éditeurs sont signalés comme tels et doivent être interprétés avec prudence. Des outils d’IA ont été mobilisés pour la recherche documentaire et la structuration des informations ; l’analyse et les conclusions restent du ressort des équipes HTI et des relecteurs DIM. 

En Europe, les systèmes DRGlike sont largement répandus, mais avec des déclinaisons nationales (NordDRG, GDRG en Allemagne, groupes DRG nationaux en Grèce, pays d’Europe centrale, etc.), chacune avec ses règles et sa gouvernance. Le benchmark NordDRG AI illustre une approche structurée : il expose les tables de définition DRG et les workflows de mise à jour, et propose une suite de tests pour évaluer la capacité des LLM à suivre ces règles, avec une forte insistance sur la transparence et la reproductibilité. 

Dans les pays nordiques, la combinaison d’un casemix partagé (NordDRG), de données hospitalières très structurées et d’une culture de benchmarking facilite les expérimentations IA sur le groupage, le contrôle qualité et l’analyse de coûts. L’IA est utilisée pour tester la robustesse du groupage, identifier des cas limites, et simuler l’impact de modifications tarifaires. Dans d’autres pays (Allemagne, Grèce, etc.), des initiatives émergent autour du codage assisté ICD10/OPS et de la détection d’anomalies de facturation, mais la littérature publique détaillée reste moins riche que pour les ÉtatsUnis ou les pays nordiques. 

Comparée à la France, l’Europe “hors France” semble davantage centrée sur le DRG et la logique casemix comme objet principal de l’IA, là où la France reste concentrée sur la chaîne PMSI interne et les besoins spécifiques des DIM. Les différences de gouvernance (centralisée vs plus décentralisée) et de modèles de financement expliquent une partie de ces écarts. 

ÉtatsUnis, Taïwan et autres pays : impacts financiers et opérationnels 

ÉtatsUnis : RCM comme terrain d’élection 

Aux ÉtatsUnis, le couple MSDRG / ICD10CM et un environnement de payeurs multiples font du RCM un terrain privilégié pour l’IA. Des solutions d’IA en codage et RCM rapportent : 

• Réductions de 30–50% des rejets de codage ICD10 et des gains de 35% sur le taux de “firstpass yield”.  

• Accélération de 25% des cycles de remboursement et baisse de 30% de la charge de travail manuelle des codeurs. 

• Gains de revenu additionnel pouvant représenter 0,3–0,5 points de marge sur le chiffre d’affaires hospitalier, et plusieurs millions de dollars par an pour des systèmes multiétablissements. 

Ces chiffres proviennent majoritairement de communications d’éditeurs et nécessitent prudence, mais ils indiquent un ordre de grandeur de l’impact potentiel lorsque l’IA est intimement intégrée au RCM (détection des risques de rejet, préscrubbing des demandes, recodage proactif). 

Taïwan et TwDRG : étude structurée d’un système NLPdriven 

L’étude de 2024 sur un système NLPdriven d’assistance au codage ICD10CM dans le contexte TwDRG fournit une évaluation rigoureuse : 

• Les modèles HAN et GPT2 sont comparés à des modèles de référence et au codage humain, avec GPT2 atteignant un F1 global autour de 0,67 et des F1 supérieurs à 0,85 sur les 50 codes les plus fréquents. 

• L’outil permet de réduire la charge de travail des codeurs et d’accélérer l’assignation TwDRG, tout en restant loin d’un remplacement complet de l’humain, notamment sur les codes rares et les cas complexes.  

Cette étude met en lumière l’importance d’évaluer à la fois la performance globale et la performance par catégorie de codes, et d’intégrer l’IA comme support plutôt que substitut complet. 

Autres contextes 

Dans d’autres pays, l’IA en codage apparaît souvent couplée à des initiatives plus larges de digitalisation hospitalière : 

• Utilisation de l’IA pour améliorer la qualité du codage en vue de comparaisons internationales et d’études d’efficience, dans des systèmes DRG déjà matures. 

• Intérêt croissant des régulateurs pour des outils permettant d’auditer les performances des LLM et de vérifier la conformité aux règles de groupage et de tarification. 

Ces expériences peuvent servir de référence haute pour l’Europe et la France, sous réserve d’adapter les cas d’usage aux contraintes locales (règles de financement, gouvernance des données, acceptabilité des parties prenantes). 

Typologie des solutions observées 

On peut distinguer plusieurs familles de solutions sur la période récente : 

• Autocodage et codage assisté ICD10 / ICD10CM / CIM10 à partir des comptes rendus et données cliniques, utilisant des architectures deep learning (CNN, RNN, Transformers) et désormais des LLM généralistes ou spécialisés. 

• Outils d’aide au codage pour les équipes DIM : suggestions de codes, listes de travail priorisées, contrôle qualité (détection d’atypies, codes incohérents, manques), souvent intégrés dans les plateformes PMSI ou les applications de codage. 

• IA pour le groupage DRGlike : assistance au choix ou à la vérification du DRG, simulations d’impact de recodage, et plus récemment benchmarks type NordDRG AI pour tester la capacité des LLM à suivre la logique de groupers complets. 

• Solutions RCM intégrées : moteurs d’IA appliqués au cycle de facturation, avec extraction sémantique des diagnostics/actes, détection de risques de rejet, prédiction des denials et workflows de correction avant émission de la facture. 

Les cas d’usage couvrent ainsi la chaîne complète : de la production primaire du codage jusqu’à la valorisation financière et à la réduction des pertes de revenu. 

Niveaux de maturité 

Les niveaux de maturité varient : 

• Preuves de concept académiques : essais d’autocodage sur bases anonymisées, souvent monocentriques, évaluant des modèles de deep learning ou de LLM sur des tâches ICD10/ICD10CM, avec des F1 globaux encore limités sur l’ensemble des codes, mais très honorables sur les codes fréquents. 

• Pilotes intégrés dans 1–2 hôpitaux : par exemple, des systèmes NLPdriven d’assistance ICD10CM et TwDRG déployés dans des hôpitaux taïwanais, avec mesure de la charge de travail des codeurs, de la cohérence avec le codage humain et de la rapidité de traitement. 

• Déploiements multisites et offres industrielles : solutions nordaméricaines et européennes intégrant IA de codage et RCM, avec claims de gains quantifiés sur les rejets, la productivité et le revenu net, parfois sur des réseaux hospitaliers complets. 

La tendance majeure est le passage d’outils de codage “isolés” à des plateformes intégrées de revenue cycle, où l’IA est une couche transverse de détection, de recommandation et de contrôle. 

Tendances technologiques 

Trois évolutions technologiques se détachent : 

• Montée en puissance des LLM spécialisés santé, capables de raisonner sur des combinaisons complexes de diagnostics et procédures et de générer des rationales de codage exploités pour la vérification et l’explicabilité. 

• Intégration de l’IA dans les pipelines DRG : benchmarks comme NordDRG AI qui encapsulent les tables de définition DRG dans des cadres d’évaluation pour tester la capacité des modèles à reproduire une logique de groupage conforme aux règles nationales. 

• Hybridation règles + IA : utilisation de moteurs de règles (editeurs/groupers) pour encadrer l’espace des codes possibles, l’IA venant proposer, prioriser et vérifier, plutôt que décider seule, ce qui est clé pour la conformité et l’audit. 

Les différences de nomenclature/systèmes DRG par pays 

Diversité des PMSI et nomenclatures : une même logique, des architectures radicalement différentes 

Si tous les pays industrialisés partagent la même ambition fondatrice — mesurer l’activité médicale pour financer les établissements de santé et piloter les politiques de santé —, les systèmes mis en place divergent profondément dans leur architecture, leur granularité et leur histoire. La France constitue un cas particulier avec son PMSI, dispositif intégré et centralisé articulé autour de la CIM-10-FR (version enrichie d’extensions nationales par l’ATIH chaque année) pour les diagnostics et de la CCAM pour les actes (8 000+ codes, propre à la France, sans équivalent direct à l’étranger) : cette double nomenclature alimente la classification en GHM, réalisée par le logiciel de groupage de l’ATIH, aboutissant à un GHS tarifé — une cha ine entière qui n’existe sous cette forme dans aucun autre pays. L’Allemagne s’appuie sur un binôme comparable (ICD-10-GM + OPS), mais avec une logique différente : l’OPS est structuré en 6 chapitres et ~18 700 classes à six chiffres, là où la CCAM française est organisée par topographie anatomique et acte technique ; le groupage G-DRG est calculé annuellement par l’InEK à partir de données réelles de coûts hospitaliers, alors que les tarifs GHM français sont fixés administrativement par le ministère. Le Royaume-Uni se distingue par l’emploi de trois couches distinctes : SNOMED CT comme terminologie de saisie au point de soin (350 000+ concepts), ICD-10 pour le codage rétrospectif post-sortie, et OPCS-4 pour les procédures — un triptyque sans équivalent ailleurs, où la traduction SNOMED CT → ICD-10/OPCS-4 constitue elle-même un métier et une source d’erreurs. Les États-Unis poussent la complexité à son paroxysme : ICD-10-CM pour les diagnostics, ICD-10-PCS (77 000+ codes à 7 caractères) pour les procédures hospitalières, CPT (10 000+ codes) pour les actes ambulatoires, et HCPCS pour les fournitures, soit jusqu’à quatre nomenclatures superposées selon le contexte de soin — un éclatement qui s’explique par la fragmentation du système assurantiel (Medicare, Medicaid, assureurs privés) et le fait que le CPT est une propriété privée de l’AMA, générant des droits de licence. Le Canada, via le CIHI, a développé l’ICD-10-CA (version enrichie de l’ICD-10 au-delà du 4ᵉ caractère, couvrant aussi les risques occupationnels et environnementaux) couplée à la CCI, classification à 10 caractères alphanumériques conçue pour être neutre vis-à-vis du lieu et du type de prestataire — une approche délibérément pan-canadienne pour réconcilier 13 systèmes de santé provinciaux. Enfin, Taïwan présente le modèle le plus unifié : ayant migré vers l’ICD-10-CM PCS en 2016 (le même système qu’aux États-Unis), il bénéficie d’un payeur unique (NHIA) qui impose des règles de codage homogènes à l’ensemble des 18 000 établissements contractés, permettant un téléchargement quotidien automatisé des données et des coûts administratifs inférieurs à 1%. Au fond, cette diversité reflète moins des choix techniques qu’des histoires institutionnelles : là où la France a construit un système étatique centralisé avec une nomenclature d’actes souveraine (la CCAM), les États-Unis ont laissé le marché produire une pluralité de nomenclatures concurrentes ; là où l’Allemagne a délégué le calcul des tarifs à un organe paritaire (InEK), le Royaume-Uni a choisi de séparer la terminologie clinique du codage administratif. La transition vers l’ICD-11, premier vrai standard mondial commun, représente donc bien plus qu’une mise à jour technique : elle est un défi de convergence institutionnelle sans précédent

Qualité du DPI et traçabilité comme prérequis absolus

L’IA de codage n’est pas une “couche magique” au-dessus du PMSI, mais un amplificateur de la qualité du dossier patient informatisé: observations médicales, dossier de soins, biologie, imagerie, avis spécialisés, etc. Un investissement important et continu est nécessaire sur la traçabilité, impliquant non seulement le DIM/TIM, mais aussi la DSI, les secrétariats médicaux, les médecins et les métiers transverses. Sans ce socle, la performance des algorithmes et la fiabilité des prédictions restent limitées.

Place de l’humain au DIM et supervision structurée

Les solutions disponibles, lorsqu’elles sont utilisées, s’inscrivent dans une logique d’automatisation supervisée, avec validation systématique par les équipes DIM/TIM. Les obligations de traçabilité (certification des comptes, contrôles Assurance maladie, audits internes) rendent indispensable la conservation d’une décision humaine documentée sur les modifications de codage. Cela suppose une réorganisation des flux au sein du DIM: idéalement un seul passage sur le dossier, avec à disposition les données consolidées et les propositions de l’IA au bon moment, et une distinction explicite entre séjours courts/peu complexes (automatisation forte) et séjours longs/complexes (assistance + supervision). 

ROI réel, contraintes budgétaires et volonté institutionnelle

Dans les Centre Hospitaliers sous tension financière et sous contrats de performance, la question “ROI ou pas ?” est centrale, et constitue un frein majeur au passage à l’échelle. Les retours terrain indiquent que les directions sont souvent sceptiques face à des promesses de ROI très élevées ou mal étayées, d’autant que la phase de test est chronophage et consomme des ressources rares. Pour le DIM, l’enjeu n’est pas prioritairement la suppression de postes, mais la reconfiguration du travail entre validation de codage et amélioration de la qualité/complétude des dossiers. Dans ce contexte, la réussite d’un projet IA suppose une volonté institutionnelle explicite, des responsables solides côté établissement et une équipe capable d’accompagner le changement. 

Cadre PMSI évolutif et maintenance des algorithmes

L’éclairage terrain rappelle que le codage évolue chaque année au rythme des modifications PMSI, des PLFSS et de l’ONDAM: nouveaux codes, nouvelles règles, fermeture de niches d’optimisation, nouveaux besoins de suivi (ex. crises sanitaires). Les solutions IA doivent donc intégrer une capacité de mise à jour et de réentraînement réguliers, ce qui a un impact direct sur le coût total de possession et sur la pérennité des gains. Dans un système à enveloppe contrainte, une partie des gains obtenus par optimisation de codage peut être partiellement résorbée à moyen terme, ce qui plaide pour des scénarios de ROI prudents et dynamiques. 

KPI DIM jugés vraiment utiles pour piloter un projet IA

Du point de vue d’un DIM de CH, les indicateurs les plus pertinents pour évaluer une solution d’IA de codage ne sont pas uniquement les métriques de performance algorithmiques, mais des KPI opérationnels de chaîne PMSI: 

• Délai moyen entre sortie, codage, validation et facturation. 
• Volume de dossiers traités par jour et par ETP, par typologie de séjour (séances, HDJ, hospitalisation complète, séjours avec suppléments). 
• Pourcentage de séjours codés en automatisation IA et poids de ces séjours dans les recettes. 
• Pourcentage de séjours modifiés par le TIM/DIM par rapport aux suggestions IA et impact associé sur les recettes. 
• Taux de séjours codés avec aide IA retoqués en cas de contrôle (CAC, Assurance maladie). 

Cet éclairage terrain, issu d’un DIM de CH non utilisateur d’IA à ce jour, souligne que la décision d’investir dans une solution d’IA de codage ne peut être dissociée ni de la maturité du DPI et de l’organisation DIM, ni du contexte budgétaire et réglementaire, ni d’un dispositif de mesure du ROI ancré dans les KPI opérationnels réels des établissements. 

Tableau – KPI à suivre dans un pilote d’IA de codage PMSI