Articles

  • Panorama des cas d’usage de l’IA en pharmacie à usage intérieur (PUI)

    État des lieux de la pharmacie à usage intérieur

    La pharmacie à usage intérieur (PUI) représente un maillon essentiel de la chaîne de soins dans les établissements de santé. Cependant, elle est confrontée à plusieurs défis et difficultés, notamment :

    • La gestion des opérations logistiques : la PUI doit assurer la préparation, l’acheminement et la gestion des stocks de manière efficace et précise pour répondre aux besoins des services de soins tout en minimisant les erreurs et les gaspillages.
    • La sécurité des patients : assurer la sécurité des patients en évitant les erreurs médicamenteuses, en détectant les interactions médicamenteuses potentielles et en minimisant les risques liés à la prise de médicaments.
    • L’optimisation des soins : améliorer la qualité des soins en personnalisant les traitements, en assurant une adhésion thérapeutique optimale et en anticipant les besoins des patients.
    • La gestion administrative : simplifier et automatiser les tâches administratives telles que la gestion des commandes, la facturation et le codage médical pour réduire les coûts et les délais.

    L’émergence de l’IA en PUI

    “La pharmacie, longtemps numérisée, voit émerger une nouvelle ère avec l’intelligence artificielle. l’IA débarque tardivement dans ce domaine, avec seulement 19 publications entre 2000 et 2021. Toutefois, cette tendance s’accélère récemment, avec 63 % de ces études publiées en 2020 et 2021, mettant en avant le traitement automatique du langage naturel et les méthodes d’apprentissage profond.” Selon Pierrick Bedouch, chercheur au CHU de Grenoble.

    Cette étude menée par des chercheurs du laboratoire de recherche translationnelle et innovation en médecine et complexité (TIMC – CNRS / Université Grenoble Alpes) a scruté la littérature scientifique pour évaluer le rôle de l’IA dans l’analyse de prescriptions, l’éducation thérapeutique du patient et la délivrance de médicaments spécifiquement pour les PUI. Les conclusions, publiées dans l’international journal of medical informatics, mettent en lumière la nécessité croissante de solutions numériques pour naviguer à travers les défis posés par une médecine de plus en plus personnalisée au sein des PUI. L’étude révèle également une émergence récente d’outils d’IA, notamment dans le traitement automatique du langage naturel et les méthodes d’apprentissage profond, pour soutenir les professionnels de santé dans leurs décisions thérapeutiques au sein des PUI. En pratique, ces outils visent principalement à faciliter la prescription des médicaments, à anticiper les préparations de prescriptions, à éviter les erreurs lors de la délivrance des médicaments et à renforcer l’adhésion thérapeutique des patients dans le contexte spécifique des PUI. Les chercheurs soulignent la nécessité de développer davantage la recherche dans le secteur ambulatoire des PUI, où l’IA pourrait apporter une contribution significative à la gestion des patients atteints de maladies chroniques et à la médecine de ville en général.

    ➔ Cliquez ici pour découvrir les solutions d’IA disponibles en France destinées aux PUI.

     Optimisation de l’usage des médicaments :

    Une récente étude menée par des chercheurs de l’incubateur Mass General Brigham Mesh a mis en lumière l’importance croissante de gérer efficacement la polypharmacie, un phénomène courant chez les personnes âgées et associé à un risque accru d’interactions médicamenteuses indésirables. Bien que la déprescription des médicaments inutiles puisse réduire ce risque, le processus décisionnel est souvent complexe et chronophage, notamment en raison de la pénurie de personnel dans les soins primaires. Dans une étude récente menée par l’incubateur Mass General Brigham Mesh, ChatGPT émerge comme un outil prometteur pour soutenir la gestion de la polypharmacie et la déprescription. Les résultats, publiés dans le Journal des Systèmes Médicaux, marquent une première dans l’utilisation des modèles d’IA pour la gestion des médicaments. Les chercheurs ont testé ChatGPT avec différents scénarios cliniques impliquant des patients âgés prenant plusieurs médicaments, notant sa tendance à recommander la déprescription chez les patients sans antécédents de maladies cardiovasculaires, mais à être plus prudent en présence de telles conditions. Bien que l’étude soulève des questions sur la cohérence des recommandations et la prise en compte de certains types de médicaments, elle met en évidence le potentiel des outils basés sur l’IA.

    Décryptage des cas d’usage de l’IA en PUI

    La pharmacie à usage intérieur (PUI) est au cœur des établissements de santé, assurant la gestion des médicaments et des dispositifs médicaux, ainsi que des opérations logistiques. Avec l’avènement de l’intelligence artificielle, la PUI se transforme, offrant de nouveaux cas d’usage et solutions pour optimiser les processus et améliorer les soins aux patients.

    Une nomenclature détaillée en quatre axes, opérations et logistique, pharmacie clinique, sécurité et tâches administratives, avec un focus sur la pharmacie clinique est proposée pour une meilleure compréhension et classification des différents cas d’usage de l’IA.

    Opérations et logistique :

    Dans le segment opérations et logistique, on retrouve trois principaux cas d’usage de l’IA :

    • La préparation des produits de santé ; 
    • l’acheminement des traitements ;
    • et la gestion des stocks. 

    Les systèmes d’IA transforment les opérations et la gestion de la logistique des PUI en accroissant la productivité, en réduisant les erreurs et en optimisant les processus. Grâce à des robots et des systèmes automatisés, pilotés par des algorithmes avancés, la préparation précise et efficiente des médicaments est assurée, minimisant ainsi les risques pour les patients. Les algorithmes d’IA jouent également un rôle important dans la planification des itinéraires les plus efficaces pour l’acheminement des traitements. Cette optimisation logistique contribue à une meilleure gestion des ressources et du temps. La gestion des stocks bénéficie également des avancées de l’IA qui permet l’optimisation des niveaux de stock en prévoyant les besoins futurs et minimisant les gaspillages, assurant ainsi une disponibilité constante des médicaments tout en réduisant les coûts associés à la gestion des stocks.

    Pharmacie clinique :

    L’importance de la pharmacie clinique dans l’intégration de l’intelligence artificielle (IA) en pharmacie à usage interne (PUI) est démontrée par la diversité des cas d’usage répertoriés. Avec douze cas d’utilisation répartis en trois sous-catégories distinctes, la pharmacie clinique apparaît comme l’axe principal pour l’application de l’IA dans l’amélioration de la prise en charge des patients et de la qualité des soins.  Dans cet article, Health & Tech Intelligence à choisi les trois sous-catégories suivantes pour classifier les cas d’usage de l’IA en pharmacie clinique :

    • L’optimisation du processus de soins ; 
    • l’amélioration de l’observance et de la sécurité des traitements ; 
    • et la personnalisation des soins et soutien aux patients. 

    Grâce à des outils comme le jumeau numérique patient, les pharmaciens peuvent créer des modèles virtuels précis de chaque individu, permettant ainsi une personnalisation inégalée des traitements. L’analyse pharmaceutique utilise également les avancées de l’IA pour affiner les protocoles thérapeutiques, identifier les interactions médicamenteuses et proposer des alternatives pertinentes. De plus, la priorisation des patients via l’IA assure une gestion efficiente des ressources en attribuant les soins en fonction de la gravité des cas. La validation des ordonnances électroniques automatiquement par les systèmes d’IA garantit la conformité aux protocoles cliniques et réduit les risques d’erreurs de prescription. L’optimisation de la conciliation médicamenteuse grâce à l’IA permet d’identifier les incohérences et les risques potentiels liés à la prise de plusieurs médicaments, assurant ainsi une gestion sûre et efficace des traitements.

    L’intelligence artificielle facilite la prévention et la détection des risques pour les patients au sein des PUI. La prévision de l’inobservance des traitements par les systèmes d’IA, basée sur l’analyse des données comportementales et médicales, permet d’identifier les patients à risque et d’intervenir précocement pour favoriser leur adhésion thérapeutique. De même, la détection des erreurs d’administration et des erreurs de prescription grâce à l’IA contribue à réduire les risques pour les patients en identifiant les anomalies potentielles dans la prise de médicaments. La détection et la prédiction des effets indésirables des médicaments représentent une avancée majeure, permettant une surveillance continue et une intervention anticipée pour minimiser les risques pour les patients au sein de la pharmacie interne. Enfin, le renforcement de l’adhésion thérapeutique grâce à des interventions personnalisées et des rappels de médicaments contribue à améliorer la gestion des maladies chroniques et à optimiser les résultats cliniques à long terme au sein de l’établissement.

    L’IA offre des solutions pour répondre aux besoins individuels des patients au sein de la pharmacie à usage interne. L’éducation thérapeutique du patient par les systèmes d’IA fournit des informations personnalisées et des conseils sur les traitements, favorisant ainsi une meilleure compréhension et une adhésion accrue aux recommandations médicales. Le rôle de l’IA est prépondérant dans la personnalisation des traitements, exploitant les données génétiques, physiologiques et comportementales, l’IA permet de recommander des approches thérapeutiques adaptées à chaque patient, améliorant ainsi l’efficacité des interventions médicales dans le cadre de la pharmacie interne. L’IA contribue également au soutien continu aux patients grâce à des outils aidant à renforcer l’adhésion thérapeutique en fournissant un suivi personnalisé et des rappels de médicaments.

    Sécurité :

    La place de l’IA dans la gestion de la sécurité des PUI est essentiel. On distingue deux principaux cas d’usage :

    •  La traçabilité des médicaments ;
    • et la pharmacovigilance. 

    Les systèmes d’IA permettent une traçabilité précise des médicaments et des dispositifs médicaux, de leur fabrication à leur administration, réduisant ainsi les risques de contrefaçon et d’erreur. En terme de pharmacovigilance, l’IA peut détecter plus rapidement les signaux de sécurité des médicaments, permettant une intervention précoce des autorités réglementaires.

    Tâches administratives :

    En matière de sécurité et de tâches administratives, l’IA concentre deux cas d’usage :

    • L’automatisation du processus de codage médical ; 
    • et la gestion des commandes et de la facturation. 

    L’automatisation du processus de codage médical permet d’optimiser la documentation médicale en rendant le processus plus efficient et moins sujet aux erreurs, garantissant une meilleure précision et une réduction des délais. De même, la gestion des commandes et de la facturation bénéficie de l’analyse des données et de la reconnaissance des tendances de consommation, permettant une gestion proactive, une anticipation des besoins et une minimisation des coûts administratifs.

    Référentiel des cas d’usage de l’IA en PUI

    👉 Pour accéder à la base de donnée sur les cas d’usage de l’IA en pharmacie à usage intérieur, cliquer sur le tableau interactif ci-dessous :

  • IA et PUI : benchmark des offres d’analyse pharmaceutique intelligente en France

  • Etude : quelle efficacité de l’IA dans l’optimisation des alertes médicamenteuses à l’hôpital ?

    Une fatigue liée aux alertes chez les professionnels de santé

    Cette étude met en lumière l’importance de la prévention des événements indésirables liés aux médicaments, en particulier dans le contexte hospitalier, où ils sont fréquents et souvent évitables. Les systèmes d’aide à la décision clinique sont largement utilisés pour prévenir les événements indésirables, mais les alertes qu’ils génèrent entraînent souvent une fatigue due à leur nombre élevé, ce qui peut compromettre la sécurité des patients.

    Pour améliorer la pertinence et la valeur clinique des alertes médicamenteuses, diverses interventions ont été proposées, telles que l’inactivation des alertes, la reclassification de la gravité des alertes, l’utilisation de l’information contextuelle, etc. Cependant, le manque de spécificité des alertes poussent les acteurs de la pharmacie hospitalière à chercher des alternatives plus efficaces.

    L’IA pour améliorer les systèmes d’aide à la décision :

    Dans un tel contexte, l’IA se présente comme une solution potentielle. Elle promet d’optimiser davantage les alertes médicamenteuses. En effet, les méthodes d’apprentissage automatique, ou machine learning (ML), d’apprentissage profond, ou deep learning (DL), et de traitement du langage naturel (NLP), ont la capacité :

    • d’analyser des quantités importantes de données médicales ;
    • de reconnaître des schémas complexes ;
    • et de fournir des prédictions individualisées.

     

    Leur utilisation pourrait ainsi réduire la fatigue liée aux alertes en les priorisant en fonction de leur pertinence et de leur utilité, tout en améliorant la détection des événements indésirables liés aux médicaments.

    Seulement 10 études identifiés entre 2013 et 2022

    Cette scoping review (ou étude de la portée) a démarré sur un total de 7 553 citations identifiées. Après la suppression des doublons et des citations non pertinentes, 64 études ont été retenues, parmi lesquelles seulement 10 répondaient aux critères des chercheurs et ont été incluses pour l’analyse des données.

    Les 10 études incluses présentaient les caractéristiques suivantes :

    • elles ont toutes été publiées entre 2013 et 2022 ;
    • 9 d’entre elles ont été menées dans un hôpital universitaire ;
    • 4 études ont précisé la spécialité médicale étudiée (médecine interne, pédiatrie, prescriptions d’antimicrobiens (inappropriées), gynécologie-obstétrique, chirurgie, oncologie…).

     

    Résultats :

    Dans un environnement hospitalier, les outils d’IA peuvent aider à optimiser les alertes médicamenteuses générées par des systèmes d’aide à la décision clinique, augmentant ainsi leur valeur et réduisant la fatigue des professionnels de santé liées à ces alertes. Selon cette revue publiée dans le Jamia :

    • les alertes optimisées par l’IA entraînent une réduction de la charge d’alerte, une meilleure identification des prescriptions inappropriées ou atypiques et permettent de prédire les réponses des utilisateurs ;
    • 30 % des études rapportent des performances statistiques à la fois et des résultats cliniques, avec notamment une valeur prédictive positive, allant de 9 % à 100 % ;
    • seulement 2 études rapportent que les alertes basées sur l’IA ont été mises en œuvre dans la pratique hospitalière ;
    • et aucune des études n’a été soumise à une validation externe.

     

    Les méthodes basées sur l’IA peuvent être utilisées pour optimiser les alertes médicamenteuses dans un environnement hospitalier. Cependant, il convient d’améliorer le compte-rendu du développement et de la validation des modèles. Les auteurs précisent, par ailleurs, que la validation externe ainsi que la mise en œuvre dans la pratique hospitalière devraient être encouragées.

    Une validation plus rigoureuse des études est nécessaire

    Alors que le potentiel de l’IA dans la réduction de la charge d’alerte et l’identification des erreurs de prescription est avéré, les auteurs de cette revue soulignent que les études démontrant de son efficacité sont souvent réalisées sur des ensembles de données relativement petits. Ils appellent, en outre, à l’adoption de protocoles de validation plus formelle des modèles d’IA et à leur mise en œuvre dans la pratique hospitalière.

    A l’avenir, les auteurs insistent sur le besoin, pour les études des méthodes basées sur l’IA, de se référer et suivre des lignes directrices de reporting telles que l’initiative Tripod (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) qui a développé “un ensemble de recommandations pour le reporting des études développant, validant ou mettant à jour un modèle de prédiction, que ce soit à des fins diagnostiques ou pronostiques”.

     

     

    *  The use of artificial intelligence to optimize medication alerts generated by clinical decision support systems: a scoping review

    Jetske Graafsma, Rachel M Murphy, Ewoudt M W van de Garde, Fatma Karapinar-Çarkit, Hieronymus J Derijks, Rien H L Hoge, Joanna E Klopotowska, Patricia M L A van den Bemt,

    Journal of the American Medical Informatics Association, 2024;, ocae076, https://doi.org/10.1093/jamia/ocae076

  • Recherche clinique : une carto. des solutions parmi les chantiers IA de l’Afcros en 2024

    Gagner en efficacité dans la recherche clinique

    Les CROs sont composées de plusieurs métiers (ARC, medical writers, chefs de projets, biostatisticiens, …) qui leurs permettent de fournir, sur une base contractuelle, des services dans le domaine de la recherche biomédicale pour l’industrie pharmaceutique, biotechnologique et du dispositif médical, ainsi que pour les organismes de recherche publics ou parapublics (fondations) qui œuvrent dans ce domaine. Pour être plus efficaces, chaque salariés des CRO peut bénéficier de l’IA pour l’utiliser dans la recherche clinique et offrir de meilleurs résultats pour leurs clients. Mais cette utilisation de l’IA ne peut pas se faire sans une connaissance des outils d’IA propices à la recherche clinique, ni des meilleures manières de les utiliser.

    Pour permettre à tous les salariés des CROs d’utiliser l’IA de la meilleure des manières, le groupe de travail IA|RC de l’AFCROs a lancé sa feuille de route 2024 sur l’IA et la recherche clinique qui a vocation à réunir toutes les 4 à 6 semaines ses experts pour faire avancer l’utilisation de l’IA dans les CROs. Composé de 18 membres, ce groupe de travail se réunira pour comprendre quels sont les outils disponibles pour chaque métier, ce qu’ils permettent d’améliorer, comment les utiliser, ainsi que les freins à leur utilisation.

    Les 4 chantiers de la feuille de route

    Ce groupe de travail co-animé par Sébastien Leuillet (Biofortis) et Hervé Servy (Sanoïa) a construit sa feuille de route de l’année 2024 autour de 4 principaux chantiers :

    • 1️⃣ la création d’une cartographie des usages de l’IA en recherche clinique pour chacun des métiers des CROs, ainsi que les outils associés, pour en comprendre les usages, bénéfices, limites et contraintes techniques ou réglementaires ;
    • 2️⃣ la mise en place d’une charte IA en CRO pour unifier les pratiques et garantir un socle commun de confiance, proposer des règles d’utilisation de l’IA sur les différents projets de recherche clinique ;
    • 3️⃣ la mise en place de formation sur l’IA pour les 9000 salariés des 102 sociétés membres de l’AFCROs afin que chacun d’entre eux puisse être acculturé à l’IA et l’utiliser dans son quotidien de manière éclairée ;
    • 4️⃣ la mise en place de veilles sur l’usage et sur les technologies d’IA pour comprendre les évolutions de l’utilisation de l’intelligence artificielle en recherche clinique.

     

    Ces 4 grands chantiers ont vocation à atteindre les objectifs fixés par le groupe de travail IA|RC de l’AFCROs depuis son lancement, à savoir la compréhension des outils d’IA en recherche clinique, mais aussi l’accélération de leur développement et de leur adoption, ainsi que le respect de l’éthique et de la sécurité des données lors de leur utilisation.

     

  • Cancer de la vessie : One Biosciences annonce une collaboration avec Gustave Roussy

    Les enjeux du cancer de la vessie en France

    En raison de son incidence élevée et de sa mortalité significative, le cancer de la vessie est une maladie pour laquelle il est crucial de comprendre les mécanismes sous-jacents et de développer des stratégies de prévention et de traitement efficaces. Les chercheurs explorent activement les facteurs de risque potentiels, tels que le tabagisme (premier facteur de risque) et l’exposition à certains produits chimiques, tout en cherchant à améliorer les méthodes de dépistage précoce pour améliorer les chances de survie des patients.

    De plus, les avancées récentes dans les thérapies ciblées et l’immunothérapie offrent de nouvelles lueurs d’espoir dans la lutte contre cette maladie dévastatrice. Malgré les progrès réalisés, une collaboration continue entre les scientifiques, les cliniciens et les décideurs est nécessaire pour relever efficacement ce défi de santé mondiale.

    Le cancer de la vessie figure en effet parmi les cancers les plus répandus, se classant au 7e rang avec environ 13 000 nouveaux cas diagnostiqués chaque année en France selon les données de l’Institut national du cancer (Inca) pour l’année 2018. Cette maladie, qui affecte les cellules de la paroi interne de la vessie, débute par une transformation d’une cellule normale suivie d’une prolifération incontrôlée conduisant à la formation d’une tumeur. Prédominant chez les hommes, le cancer de la vessie constitue le deuxième cancer urologique le plus fréquent après celui de la prostate.

    L’innovation au cœur de ce partenariat

    One Biosciences est une entreprise de biotechnologie qui exploite l’analyse en cellule unique et l’IA afin de découvrir de nouvelles possibilités de cibles et de traitements dans le domaine de la médecine de précision. Cette collaboration avec le centre de lutte contre le cancer Gustave Roussy vise spécifiquement à améliorer les stratégies thérapeutiques pour les patients atteints de cancer de la vessie.

    Dans le cadre de cette collaboration de recherche d’une ampleur exceptionnelle, Gustave Roussy partagera anonymement les données de 36 patients avec One Biosciences, offrant ainsi une source d’information capitale qui permettra d’identifier de nouvelles pistes thérapeutiques pour un cancer difficile à prendre en charge. L’objectif étant à terme, d’élargir ces recherches à d’autres cancers

    De son côté, One Biosciences déploie sa plateforme de découverte, garantissant les normes de sécurité les plus élevées pour le contrôle des données de santé des patients. Grâce à ses technologies avancées d’analyse en cellule unique et à ses outils computationnels exclusifs, les algorithmes d’IA de One Biosciences permettront d’atteindre une meilleure compréhension des mécanismes de résistance à l’immunothérapie observés chez certains patients. L’immunothérapie représente en effet le traitement de standard pour le cancer de la vessie. Après avoir noué des partenariats stratégiques avec l’Institut Curie et l’AP-HP, One Bioscience marque une étape importante dans son développement. Pour l’entreprise, ce partenariat “illustre le dynamisme de l’écosystème français de l’innovation et les synergies qui émergent entre acteurs privés et public”.

  • Allemagne : adoption d’une nouvelle loi sur l’accélération de la digitalisation du système de santé

    Le DPI enfin inscrit dans le droit allemand

    Une étape de plus a été franchie par l’Allemagne en matière de numérique en santé, après la promulgation le 26 mars 2024 de la nouvelle loi sur l’accélération de la digitalisation du système de santé. Pionnière sur la réglementation des applications de santé numérique (DiGa), l’Allemagne vient de mettre en place de nombreuses nouvelles règles pour permettre l’accélération de la digitalisation du système de santé.

    Dans ce nouveau texte de loi, le législateur allemand inscrit enfin le dossier patient informatisé (DPI) dans le droit allemand et en trace les contours. Si le DPI existe en réalité depuis 2021 en Allemagne, sa mise en place effective dépendait de la demande des patients à leur caisse d’assurance maladie, ce qui veut dire que la majorité des Allemands n’ont pas de dossier patient électronique. Désormais et à partir du 15 janvier 2025, la DigiG va obliger toutes les caisses d’assurances maladie allemandes à mettre en place un DPI pour tous les assurés et à les informer de leur droit d’opposition par la procédure d’opt-out. Ainsi, les Allemands pourront bénéficier d’un espace, ressemblant à Mon espace santé, au sein duquel pourront être partagés tous les documents (n’excédant pas 25 mo) en lien avec leur santé, que ce soit des résultats d’examens ou encore des ordonnances, afin de faciliter leur prise en charge par différents cliniciens.

    De nouvelles obligations en matière d’outils numériques

    Mais la DigiG ne s’arrête pas à l’instauration des dossiers patients électroniques, puisqu’elle apporte son lot d’obligations en matière d’outils numériques. Dès le 1er mai 2024, l’ordonnance électronique deviendra la norme en Allemagne et les cabinets médicaux et dentaires devront convertir d’ici là leurs systèmes pour permettre une prescription électronique et en présenter la preuve à leur association légale d’assurance maladie. En cas de non-présentation de cette preuve, les cabinets se verront imposer une réduction d’honoraires de 1% sur la rémunération de leurs prestations médicales. Les hôpitaux seront aussi concernés par cette obligation dès le 1er janvier 2025.

    Du côté des médecins, ils ont jusqu’à la fin du mois de juin 2024 pour convertir leurs systèmes informatiques afin de pouvoir recevoir les lettres électroniques de leurs confrères s’ils ne veulent pas voir leur allocation de travailleurs indépendants être réduite de 50 %.

    Bonne nouvelle cependant pour les médecins : si la loi limitait la télémédecine à 30 % de l’activité, désormais les médecins allemands n’ont plus de limite qui leur est imposée et peuvent décider eux-mêmes de la part de leur activité qu’ils veulent consacrer à cette pratique à distance. En matière de télémédecine, la DigiG consacre aussi la télémédecine assistée  dans les pharmacies.

    Le nouveau texte déjà critiqué

    Si la DigiG consacre un peu plus la santé numérique dans le droit allemand, certaines de ses dispositions ont été la cibles de critiques. La première de ces critiques concerne la limite de 25 mo pour les fichiers envoyés dans le dossier patient électronique qui empêche le partage de certains fichiers plus volumineux comme certains résultats d’examens d’imagerie médicale. La seconde critique a être émise est celle concernant les obligations en matière d’outils numériques qui peuvent représenter un coût important pour certains médecins et certains cabinets médicaux.

  • AI Index 2024 : science et médecine font leur apparition dans le rapport de Stanford, 10 avancées majeures détectées

    Les points clés de l’AI Index 2024

    La septième édition du rapport AI Index de l’Université de Stanford dresse un panorama complet des avancées de l’IA accompagné d’analyses sur les progrès techniques, les perceptions du public et la dynamique géopolitique entourant son développement. Elle présente notamment les nouvelles estimations sur les coûts de formation de l’IA, et une revue détaillée du paysage de l’IA responsable.

    Parmi les principaux constats du rapport :

    • l’IA a un impact significatif sur le travail, améliore la productivité et la qualité, et permet un lissage des écarts de compétences ;
    • l’IA favorise la forte accélération des découvertes en sciences et en médecine, champs majeur d’innovations en 2023 ;
    • la réglementation sur l’IA a considérablement évolué en 2023 et au cours des cinq dernières années, même aux Etats Unis (25 réglementations liées à l’IA en 2023, contre seulement une en 2016) ;
    • le public à travers le monde est de plus en plus conscient de l’impact potentiel de l’IA – et en même temps de plus en plus inquiets (une enquête Ipsos montre qu’en 2023, la proportion de ceux qui pensent que l’IA affectera considérablement leur vie dans les trois à cinq prochaines années est passée de 60 % à 66 %).

     

    ➡️ L’IA surpasse la performance humaine sur de nombreuses tâches – mais pas toutes : notamment en ce qui concerne la planification, les mathématiques ou le raisonnement visuel.

    ➡️ Les avancées de pointe en IA sont soutenues par l’industrie plus que par les universités : en 2023, l’industrie a produit 51 modèles d’apprentissage automatique, tandis que le monde universitaire n’a contribué qu’à 15 modèles, 21 modèles sont par ailleurs issus de collaborations entre l’université et l’industrie.

    Nombre de modèles de machine learning développés par secteur, entre 2003 et 2023 - @ 2024 AI Index report
    Nombre de modèles de machine learning développés par secteur, entre 2003 et 2023 – @ 2024 AI Index report

    ➡️ En 2023, un total de 149 modèles de base ont été publiés, soit plus du double de ceux publiés en 2022 :

    • parmi ces nouveaux modèles, 65,7 % étaient en open source, contre seulement 44,4 % en 2022 et 33,3 % en 2021 ;
    • toutefois, le rapport note que les modèles en open source sont significativement moins performants que les modèles fermés : sur 10 benchmarks d’IA sélectionnés, les modèles fermés ont été plus performants que les modèles ouverts, avec un avantage médian de 24,2 % (ces différences de performance entre les modèles fermés et ouverts ont des implications importantes pour les débats politiques sur l’IA) ;
    • les modèles d’IA ont des coûts de développement de plus en plus élevés, atteignant des niveaux sans précédents : ainsi, le coût d’entrainement de calcul a atteint les 78 millions de dollars pour GPT-4 d’OpenAI, et les 191 millions de dollars pour Gemini Ultra de Google.
    Coût d'entraînement des modèles d'IA, entre 2017 et 2023 - @ 2024 AI Index report
    Coût d’entraînement des modèles d’IA, entre 2017 et 2023 – @ 2024 AI Index report

    ➡️ La compétition internationale est intense :

    • les États-Unis sont en tête, devançant la Chine et l’Union européenne (UE), en tant que principale source de modèles d’IA de premier plan ;
    • en 2023, 61 modèles d’IA notables provenaient d’institutions basées aux États-Unis, dépassant de loin les 21 de l’Union européenne et les 15 de la Chine. A noter la 3eme position de la France, avec 8 modèles d’IA.
    Répartition du nombre de modèles de machine learning par zone géographique en 2023 - @ 2024 AI Index report
    Répartition du nombre de modèles de machine learning par zone géographique en 2023 – @ 2024 AI Index report

    ➡️ Les progrès récents ont conduit au développement de modèles multimodaux solides, tels que Gemini de Google et GPT-4 d’OpenAI. Ces modèles font preuve de flexibilité et sont capables de gérer des images et du texte et, dans certains cas, peuvent même traiter de l’audio.

    Précision moyenne des grands modèles de langage - @ 2024 AI Index report
    Précision moyenne des grands modèles de langage – @ 2024 AI Index report

    ➡️ Une nouvelle enquête de l’AI Index révèle un manque significatif de standardisation dans les rapports sur l’IA responsable :

    • les principaux développeurs, dont OpenAI, Google et Anthropic, testent principalement leurs modèles par rapport à différents critères d’IA responsables, une pratique qui complique les efforts de comparaison systématique des risques et des limites des meilleurs modèles d’IA ;
    • la confidentialité, la sécurité et la fiabilité de l’IA étant les principales préoccupations des entreprises, ces dernières commencent à prendre des mesures pour atténuer ces risques.
    Importance des préoccupations des organisations par région - @ 2024 AI Index report
    Importance des préoccupations des organisations par région – @ 2024 AI Index report

    L’investissement dans la Gen AI explose

    Malgré une baisse globale des investissements privés dans l’IA l’année dernière, l’IA générative spécifiquement a multiplié par huit ses financements depuis 2022, atteignant 25,2 milliards de dollars. Les acteurs majeurs du marché de l’IA générative, tels qu’OpenAI, Anthropic, Hugging Face et Inflection, ont réalisé d’importantes levées de fonds.

    En 2023, les États-Unis ont vu leurs investissements privés dans l’IA atteindre 67,2 milliards de dollars, soit une augmentation de 22,1 % par rapport à 2022. Un montant qui équivalent à près de 8,7 fois ceux de la Chine, deuxième plus grand investisseur dans le monde, qui ont pour leur part connu une baisse de 44,2 %, sur la même période. Dans l’Union européenne, y compris au Royaume-Uni, ces investissements ont diminué de 14,1 %.

    Répartition des investissements privés dans l'IA par région géographique - @ 2024 AI Index report
    Répartition des investissements privés dans l’IA par région géographique – @ 2024 AI Index report

    L’IA fait progresser la science et la médecine

    Selon le chapitre 5 du rapport de Stanford, dédié aux usages de l’IA en science et médecine, à plusieurs systèmes médicaux importants ont été lancés en 2023. Alors que les performances de l’IA continuent de s’améliorer, le suivi de son impact sur la pratique médicale devient de plus en plus important. Parmi les principales innovations d’IA mentionnées :

    • EVEscape est un modèle qui calcule la probabilité qu’un variant de protéine virale donné induise l’échappement immunitaire des anticorps. Pour chaque protéine, EVEscape prédit l’échappement à partir des sources de données disponibles avant la pandémie : prédictions de vraisemblance de séquence à partir d’une évolution virale plus large, informations sur l’accessibilité des anticorps à partir des structures protéiques et changements dans la propension à l’interaction de liaison à partir des propriétés chimiques des résidus.

    • AlphaMissence est une IA capable de prédire les mutations de l’ADN.  Les équipes de Google Deepmind viennent de mettre au point un modèle d’intelligence artificielle capable de déterminer si une mutation dite faux-sens du code génétique peut déclencher une pathologie. D’après les calculs de DeepMind, sur 71 millions de mutations observées, 57% d’entre elles seraient plutôt bénignes et 32% pourraient entraîner une pathologie. Une incertitude plane encore sur les 11% restants, explique le laboratoire de Google dans un billet de blog. En moyenne, poursuivent les chercheurs, un individu présente dans son ADN plus de 9000 mutations faux-sens mais nombre d’entre elles sont encore inconnues des scientifiques.

    • MedQA est un test clé pour évaluer les connaissances cliniques de l’IA. Le modèle phare de 2023, GPT-4 Medprompt, a atteint un taux de précision de 90,2 %, soit une augmentation de 22,6 points de pourcentage par rapport au score le plus élevé de 2022. Depuis l’introduction de l’indice de référence en 2019, les performances de l’IA sur MedQA ont presque triplé.
    Répartition des dispositifs médicaux basés sur l'IA autorisés par la FDA par aire thérapeutique - @ 2024 AI Index report
    Répartition des dispositifs médicaux basés sur l’IA autorisés par la FDA par aire thérapeutique – @ 2024 AI Index report

    Des algorithmes cliniques autorisés par la FDA :

    En 2022, 139 dispositifs intégrant de l’IA ont été approuvés dans différentes aires thérapeutiques, contre seulement 3 en 2012. Parmi eux, le rapport AI Index met en avant les produits suivants :

    • SynthSR : transformer les scintigraphies cérébrales pour une analyse avancée avec un outil d’IA qui convertit les images numérisées du cerveau clinique en images haute résolution pondérées T-1 et facilite la création de rendus 3D détaillés du cerveau – cette avancée permet de résoudre le problème de la variabilité de la qualité de la numérisation, qui limitait auparavant l’utilisation de nombreux scans dans la recherche avancée ;
    • capteurs infrarouges plasmoniques pour la détection des maladies neurodégénératives, telles que la maladie de Parkinson et la maladie d’Alzheimer, qui dépendent d’une identification précise des biomarqueurs rendue possible par l’IA couplée aux capteurs ;
    • cartographie du génome humain : la première ébauche du génome humain a été publiée en 2000 et mise à jour en 2022 – en 2023, le Consortium de recherche sur le pangénome humain, comprenant 119 scientifiques de 60 institutions, a utilisé l’IA afin d’élaborer une approche humaine actualisée et plus représentative de la carte du génome ;
    • MedAlign : les outils d’IA ont également le potentiel d’améliorer l’efficacité de l’administration médicale et d’élever la qualité des soins aux patients en introduisant des IA dans les dossiers médicaux pour établir des plans de soins efficaces.

     

  • Diabète : les solutions numériques de gestion de la maladie n’apportent que peu d’avantages (rapport)

    Un bilan pour mesurer l’impact des solutions de gestion du diabète

    Aux États-Unis, la gestion du diabète pour les personnes qui en sont atteintes peut représenter d’énormes coûts liés notamment à l’achat de dispositifs pour contrôler le taux d’insuline, ainsi que les dépenses liées aux régimes alimentaires et à la modification du mode de vie, comme la pratique d’une activité physique régulière. Pour réduire ces coûts et faciliter la gestion du diabète, de nombreuses sociétés ont développé des solutions numériques de gestion du diabète.

    Le Peterson Health Technology Institute (PHTI), créé en 2023, a pour objectif de mesurer l’apport des technologies en santé, en partant du principe que les États-Unis dépensent trop d’argent pour la mise en place de moyens innovants dans les soins, sans pour autant constater d’amélioration nette de ces derniers ni de réduction de leurs coûts. Le diabète de type 2 est la maladie chronique dont le traitement et la gestion coûtent le plus aux systèmes de santé américains avec, en 2022, un coût estimé à 413 millions de dollars. Dans son nouveau rapport, le PHTI fait le bilan de son étude sur l’impact des solutions numériques sur les soins du diabète. Il émet plusieurs recommandations pour que ces technologies soient moins coûteuses pour le système de santé et apportent plus de bénéficies aux patients.

    Un bénéfice constaté, mais qui s’amenuisera avec le temps

    L’étude réalisée par le PHTI se concentre sur les solutions qui doivent permettre un contrôle glycémique amélioré pour les adultes atteints de diabète de type 2. Cela grâce à une meilleure autogestion à l’aide :

    • d’un glucomètre connectée qui propose des rappels numériques ;
    • d’une meilleure éducation sur la maladie ;
    • et d’un coaching comportemental.

     

    Il s’agit de solutions de surveillances à distance des patients, de solutions de modification du comportement et du mode de vie, et de solutions nutritionnelles pour les états de cétose.

    Un faible avantage comparé aux soins classiques :

    Après avoir analysé l’impact de plusieurs solutions de ces 3 catégories, le PHTI en a conclu qu’après 15 années d’utilisation, les solutions numériques de gestion du diabète de type 2 n’apportent qu’un faible avantage dans les soins, en comparaison avec les soins dits classiques, alors que leur utilisation entraîne des dépenses beaucoup plus importantes pour les systèmes de soins, comme pour les patients. Il explique que ces solutions permettent une plus grande réduction du taux d’hémoglobine glyquée (HbA1c) dans le sang que les soins classiques (réduction de 0,23 à 0,60 %), mais que ce léger bénéfice est voué à s’amenuiser avec le temps, sauf pour deux cas : les patients un qui ont un taux d’HbA1c initialement plus élevé que le moyenne et qui n’ont commencé que récemment à prendre de l’insuline, ainsi que ceux utilisant les solutions nutritionnelles pour la cétose, bien que les preuves concernant ces solutions sont pour le moment insuffisantes et nécessitent la production de nouvelles preuves cliniques.

    Pour chacune des 3 catégories sus-citées, le PHTI dresse un bilan :

    • les solutions de surveillance à distance permettent une faible réduction du taux d’HbA1C dans le sang et conduisent à une nette augmentation des dépenses de santé ;
    • les solutions de modification du comportement et du mode de vie permettent une faible réduction du taux d’HbA1C dans le sang et conduisent à une nette augmentation des dépenses de santé ;
    • les solutions nutritionnelles pour la cétose pourraient permettre une grande réduction du taux d’HbA1C dans le sang et même si elles entraînent une augmentation des dépenses de santé, il y a quand même un potentiel de réalisation d’économies sur le long terme.

     

    Investir dans la production de preuves

    Bien que ces 3 types de solutions montrent des limites, le PHTI émet des recommandations à l’attention des développeurs des solutions numériques de gestion du diabète :

    • investir dans des études cliniques afin de permettre la production de nombreuses preuves de l’efficacité de leurs solutions et de montrer la différence entre leur service rendu et le traitement réalisé par le biais de soins classiques ;
    • prolonger la durée du suivi de leurs études pour comprendre la durabilité des effets cliniques que leurs solutions peuvent induire et s’assurer que les solutions numériques contre le diabète complètent les soins classiques et permettent des changements de comportement durables chez les patients ;
    • aider les acheteurs de ces technologies à mieux comprendre comment une solution complète les soins et la gestion continue des maladies chroniques par les praticiens.

     

  • Simulation numérique en santé : respect de l’éthique, pertinence des formats… la HAS publie son guide des bonnes pratiques

    La simulation numérique en santé s’installe dans les pratiques

    La Haute autorité de santé (HAS) consacre un chapitre entier à la “simulation numérique en santé (SNS)” dans son nouveau guide des bonnes pratiques en matière de simulation en santé. Lors de la première édition de ce document, parue en 2012, la HAS se contentait de citer la SNS sans la détailler.

    La simulation en santé est importante pour tous les professionnels de santé, qu’ils soient en formation ou en poste. Elle permet de reproduire des situations ou des environnements de soins, pour enseigner des procédures diagnostiques et thérapeutiques et permettre de répéter des processus, des situations cliniques ou des prises de décision par un professionnel de santé ou une équipe de professionnels. Cela leur permet d’acquérir des connaissances et de les actualiser pour continuer de préserver et d’améliorer tant la qualité des soins que la sécurité du patient et la gestion des risques.

    Dans son guide, la HAS aborde les bonnes pratiques lors de la SNS (permettant de poser un cadre et d’éviter ainsi les principales dérives pédagogiques et surtout éthiques), allant du choix des activités et des outils de simulation numérique et leurs applications, à la formation des formateurs, en passant par la manière de former pour éviter la surcharge des apprenants.

    La HAS met l’accent sur l’éthique

    La nécessité de former les formateurs :

    Avant d’aborder les types d’outils numériques à utiliser lors de simulations en santé, la HAS souligne l’importance de former les formateurs afin qu’ils maîtrisent les outils qu’ils utilisent avant de dispenser ces formations. Elle insiste sur le recrutement de personnes compétentes pour assurer ces formations, qu’elles possèdent des compétences informatiques, techniques, pédagogiques, évaluatives ou éthiques. Ces formateurs doivent avoir une bonne connaissance du matériel et des logiciels utilisés lors des simulations, ainsi que des compétences pédagogiques pour garantir le respect des données des apprenants.

    La HAS recommande donc quelques bonnes pratiques pour la formation des formateurs, notamment les familiariser avec les méthodologies de simulation numérique et leurs objectifs, ainsi qu’avec les outils numériques. De plus, il est essentiel de s’assurer que les formateurs adoptent de bonnes pratiques et utilisent correctement ces outils de simulation numérique.

    Ne pas négliger l’avant et l’après SNS :

    Pour la HAS, le choix de l’outil numérique doit être fait en fonction du type de formation effectuée, de sa fidélité aux situations réelles rencontrées par les praticiens formés, de sa facilité d’utilisation, mais aussi en fonction de son accessibilité pour les personnes formées à distance et/ou handicapées. La HAS liste également les fonctionnalités indispensables pour la réalisation d’applications numériques :

    Encadré sur les fonctionnalités indispensables pour la réalisation d’applications numériques - HAS
    Encadré sur les fonctionnalités indispensables pour la réalisation d’applications numériques – HAS

    Autre aspect à prendre en considération : l’avant et l’après simulation numérique en santé (SNS). Si le choix de l’outil utilisé pour la simulation fait partie de la phase pré-simulation, d’autres pratiques doivent être mises en place pour assurer le meilleur déroulement de la formation, tant pour les apprenants que pour les formateurs. La HAS divise la SNS en 5 étapes : le pré-briefing, le briefing, le scénario, le feedback et le débriefing, les 2 premiers faisant partie de l’avant SNS et les deux derniers de l’après SNS.

    Avec le pré-briefing et le briefing, les apprenants comprennent comment utiliser de manière optimale les outils mis à leur disposition, ainsi que le déroulement de la simulation à travers son scénario, afin de garantir le respect de l’éthique et la protection de tous. Le débriefing est fortement recommandé par la HAS car il permet à l’apprenant de comprendre ses points forts et ses points faibles concernant son apprentissage. La HAS insiste sur le fait que le débriefeur doit structurer son débriefing en amont de la simulation et prendre en compte le niveau de compétences des apprenants, tout en assurant leur sécurité psychologique lors de cette étape.

    Une partie consacrée à l’éthique :

    Dans son guide des bonnes pratiques en matière de simulation en santé, la HAS consacre une partie entière (sur les 3 grandes parties du guide) à l’éthique. Dans cette section, elle aborde l’impératif éthique et moral que doit comporter la simulation en santé, qu’il s’agisse d’une simulation numérique en santé ou non.

    Ainsi, la HAS publiera des lignes directrices pour le respect de l’éthique dans la simulation en santé, à destination des apprenants, des formateurs, des patients, ainsi que des participants simulés :

    Applications résumées des principes de bioéthique à la simulation aux patients et aux personnes impliquées dans l’apprentissage par simulation - HAS
    Applications résumées des principes de bioéthique à la simulation aux patients et aux personnes impliquées dans l’apprentissage par simulation – HAS

    Un chapitre de cette partie est également consacré à l’éthique dans le cadre de la simulation numérique. Dans celui-ci, la HAS se focalise sur la réalité virtuelle et explique qu’elle présente un problème éthique potentiel important en raison de la technologie utilisée et des financements qu’elle implique. Cette technologie peut générer une relation délétère de dépendance entre le monde financier et le monde de la formation en santé, notamment à travers l’exploitation des données personnelles physiques et psychologiques qui peuvent être recueillies à l’insu de leurs auteurs, pour une exploitation inconnue. La HAS recommande donc que des règles de fonctionnement précises concernant le recueil et l’exploitation des données soient édictées pour la simulation numérique en santé utilisant la réalité virtuelle.

     

  • Ministère de la Santé : les équipes dédiées au numérique de la DGOS et de la DGS rejoignent la DNS

    Améliorer la lisibilité des missions pour le numérique en santé

    Dès le début du mois d’avril 2024, le ministère du Travail, de la Santé et des Solidarités a fait le choix de rationaliser les pouvoirs de la Délégation ministérielle au numérique en santé (DNS), de la Direction générale de l’offre de soins (DGOS) et de la Direction générale de la santé (DGS), en matière de numérique en santé, en les réunissant au même endroit : à la DNS. Alors que chacune de ces 3 directions avaient des pouvoirs en matière de numérique en santé, ce choix intervient afin de permettre au ministère d’avoir une meilleure lisibilité des missions consacrées au numérique en santé et de lever toute confusion. Les équipes de la DGOS et de la DGS en charge du numérique en santé rejoignent ainsi celles de la DNS.

    Annoncé en décembre 2023 par le directeur général de la Santé, Grégory Emery, lors du conseil du numérique en santé, ce regroupement vient confirmer sa volonté de faire de la question du numérique en santé une de ses priorités afin de :

    • donner une vision claire aux acteurs de l’écosystème sur les priorités stratégiques du ministère dans ce domaine ;
    • renforcer les liens entre les différents projets et programmes portés par le ministère ;
    • et déployer partout les mêmes réflexes notamment en termes d’interopérabilité et de sécurité.

     

    Plus de 15 nouveaux membres à la DNS

    A la suite de cette fusion, une quinzaine de personnes ont rejoint la DNS, qui compte désormais une soixantaine de collaborateurs. L’organisation de la DGOS a, elle, été modifiée. Depuis le 4 avril 2024, elle comporte un département santé et transformation numérique qui vise à “assurer une bonne coordination entre les bureaux de la DGOS et avec les autres directions, en cohérence avec la feuille de route nationale du numérique en santé”. Celui ci est dirigé par (voir mercato H&TI ici)

    Si elle était déjà chargée du pilotage de la feuille de route du numérique en santé et de l’ensemble des chantiers de transformation du numérique en santé avec ses partenaires, la DNS reprend donc les missions de la DGOS en matière de numérique en santé, telles que celles consacrées aux systèmes d’informations et des outils numériques.