Chapitre 4. LLM et le potentiel de l'IA générative pour les patients et la clinique.

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com

Les derniers paradigmes de conception de l'IA - qui englobent le raisonnement agentique et des fenêtres contextuelles largement élargies dans les prompts de l'IA générative et de la LLM - changeront fondamentalement la nature et les fonctions des applications de soins de santé. Bien que révolutionnaire, la prochaine génération de systèmes d'IA ne transformera pas fondamentalement les soins de santé du jour au lendemain.

Cependant, certains des principaux moteurs du changement seront probablement des startups et d'autres entreprises technologiques. Beaucoup d'entre elles ne sont pas aussi encombrées par l'inertie et l'aversion au risque que l'on peut trouver dans les grandes entreprises du secteur de la santé, et elles peuvent être le type d'adopteurs précoces que les nouvelles technologies dont le retour sur investissement n'a pas encore été prouvé sont avides de trouver. D'un autre côté, les entreprises traditionnelles du secteur de la santé seront probablement plus prudentes, se lançant dans l'IA quand et si ces types de technologies font leurs preuves sur le marché et sont considérées comme sûres et financièrement saines.

Pourtant, ironiquement, à mesure que les multinationales de la tech et les startups créent une masse critique de succès divers en infusant l'IA dans les soins de santé, ces résultats positifs filtreront dans une grande partie du champ plus large. Les rendements commençant à s'accumuler, les entreprises du secteur de la santé s'orienteront vers des solutions d'IA qui les aideront à fournir de meilleurs soins tout en restant compétitives. Les années à venir seront le théâtre de tensions entre l'éthique commerciale des startups, avec leur monde "aller vite et casser les choses", contrastant fortement avec certains des inconvénients des grandes entreprises de santé qui doivent faire preuve de plus de mesure dans leurs pas. La coopération et la concurrence se joueront entre elles, d'où émergera certainement l'avenir des soins de santé, car les applications de l'IA aident à augmenter les nouvelles normes de qualité pour les résultats des patients, ainsi que l'efficacité globale et la personnalisation des services de soins de santé.

Expérience des patients

L'expérience du patient fait référence à les perceptions et les sentiments généraux des patients au cours de leurs interactions avec le système de santé. Elle englobe tout, de la prise de rendez-vous à l'interaction avec le personnel et l'environnement physique jusqu'à la réception des soins. Il se concentre sur les aspects émotionnels et psychologiques du parcours, y compris des facteurs tels que le respect, la communication, l'empathie et la satisfaction générale. On peut soutenir que de nombreux systèmes et applications de soins de santé doivent se concentrer sur l'expérience du patient, et c'est là que les LLMs peuvent faire une énorme différence et améliorer les soins aux patients. Les soins centrés sur le patient qui donnent la priorité à une expérience positive des soins de santé apportent une valeur inhérente avec des avantages en cascade qui vont au-delà de la seule perception. Des études confirment que la satisfaction des patients est directement liée à des résultats critiques en aval, tels que l'observance du traitement, l'engagement dans la gestion de la santé et, en fin de compte, les résultats cliniques.

Les cas d'utilisation décrits dans cette section se concentrent sur les apps qui améliorent l'expérience des patients. Les LLMs et l'IA générative amélioreront l'expérience des patients de plusieurs façons. Les LLMs peuvent générer des explications personnalisées sur des sujets de santé complexes, des procédures et des problèmes de médication en fonction des préférences, des styles d'apprentissage et des antécédents de chaque patient. Les chatbots, les assistants vocaux et les interfaces avatar des LLM et de l'IA générative permettent à l'assistance 24/7 de prendre commodément rendez-vous et de connecter les dossiers médicaux, d'obtenir des réponses sur les questions de facturation et d'obtenir de l'aide pour d'autres tracas.

Les LLMs peuvent assurer la continuité des soins en examinant les dossiers longitudinaux, en promptant les patients et les prestataires à assurer le suivi des points en suspens, et en réexaminant les symptômes non résolus lors des visites antérieures pour éviter que les patients ne "passent entre les mailles du filet". Les LLMs conçus en fonction des émotions écoutent activement et répondent avec empathie aux contextes des patients au-delà des seuls antécédents médicaux, ce qui peut rendre les interactions plus favorables. Les LLMs peuvent automatiser la documentation administrative et clinique ainsi que la paperasserie pour permettre aux prestataires de se concentrer davantage sur le temps passé en face à face avec les patients et pour réduire les temps d'attente.

Les LLMs et l'IA générative introduisent des opportunités pour rationaliser de manière systémique les tracas de coordination et synthétiser des idées personnalisées qui aident les patients à se sentir compris. L'IA peut communiquer avec les patients à leur propre rythme, en utilisant un langage qu'ils comprennent, ce qui peut conduire à un meilleur engagement dans leur propre gestion de la santé. L'avenir offre des expériences plus lumineuses et sans obstacles aux patients. Ensuite, nous décrivons quelques exemples de futures apps émergentes inaugurant cette nouvelle expérience patient.

Concierge Bot Santé

Imagine un système de santé où les patients reçoivent un soutien personnalisé, comprennent le jargon médical complexe et franchissent rapidement les obstacles administratifs. C'est l'avenir promis par les chatbots conversationnels d'IA générative, les compagnons d'IA empathiques et une race d'assistants intelligents prêts à révolutionner le paysage de la santé. Ces bots - alimentés par le Deep Learning, les LLMs et le traitement du langage naturel (NLP) - entretiennent de véritables conversations avec les utilisateurs, comprennent leurs questions et y répondent avec un langage contextuel pertinent, semblable à celui des humains. Leurs applications vont au-delà du simple service client, transformant le triage de première ligne, la gestion des maladies chroniques et le soutien à la santé mentale. Le concierge bot de santé, illustré dans la figure 4-1, sera l'un des premiers cas d'utilisation réalisés avec les LLMs et l'IA générative.

À l'extrémité basse de l'échelle, un chatbot pourrait jouer le rôle de consultant en triage pour un patient à domicile qui pourrait faire discuter ses symptômes afin d'identifier le meilleur parcours de soins. Tu t'es déjà demandé à quoi ressemblera l'avenir du triage ? Au lieu d'avoir à supporter des salles d'attente remplies de patients au nez qui coule, nous pourrions discuter de nos maux de gorge avec un chatbot qui pourrait nous suggérer du miel et du citron apaisants ou nous recommander d'appeler pour une consultation virtuelle avec un médecin à la place.

Au-delà du triage, les algorithmes pourraient commencer à jouer le rôle de coachs de santé personnels virtuels, en évaluant les informations recueillies à partir de dispositifs portables ou de questionnaires post-symptômes, et en recommandant une routine quotidienne ou un horaire de prise de pilules basé sur des suggestions personnalisées sur la façon d'améliorer l'humeur et la vigilance, les habitudes de sommeil et la douleur. Pense à un chatbot qui envoie au patient des indicateurs de santé quotidiens. Elle pourrait t'envoyer un rappel, un léger coup de pouce, pour que tu prennes ton insuline dans l'heure si un taux de glycémie atteint des sommets, ou elle pourrait t'inciter à répondre à un "Comment te sens-tu aujourd'hui ?" Le chatbot pourrait s'enquérir d'une idée de quelques étirements pour calmer ton esprit à l'heure du coucher, ce qui se traduirait par des z's plus frais et plus longs.

Pour les patients souffrant de problèmes de santé chroniques ou de problèmes de santé mentale, ces chatbots peuvent apporter un soutien inégalé. Par exemple, imagine que tu reçoives chaque jour des messages d'encouragement d'un coach IA de bien-être qui vérifie ton bien-être émotionnel, te donne des citations motivantes, etc. Les chatbots pour les personnes âgées peuvent être une source d'interaction sociale et de stimulation mentale, et également aider à prévenir et à traiter la dépression, qui est plus fréquente dans la population vieillissante.

Il y a aussi des avantages pour le personnel. Les chatbots d'IA générative ont le potentiel de combler le fossé entre le médecin et le patient ; certaines maladies sont si complexes que, si tu fais confiance à ton médecin, il peut être utile que le chat soit réécrit dans un langage plus simple. Tu n'auras plus à te perdre dans le jargon médical et à te demander ce que ton médecin veut dire par ceci ou cela, ou plus tard à essayer de retrouver ce qu'il a dit que tu devais maintenant te rappeler de faire. Imagine que le chat a résumé les informations, en soulignant les mots importants à emporter en caractères gras, en rendant les prochaines étapes compréhensibles. Tu quittes la pièce avec une compréhension totale.

Les tâches administratives que redoutent la plupart des patients peuvent être transformées, grâce à l'utilisation croissante des chatbots. Il existe encore de nombreux horizons pour l'utilisation des chatbots d'IA générative dans les soins de santé, qui ne feront qu'augmenter à mesure que les algorithmes apprennent et s'améliorent. C'est tout le paradigme des soins de santé personnalisés, accessibles et abordables qui va changer, le patient tenant le volant. La révolution conversationnelle est là - les soins de santé ne seront plus jamais les mêmes.

Notes et visites chez le médecin

L'une des frustrations les plus courantes des patients du site consiste à examiner les résumés des diagnostics, des médicaments prescrits et des soins recommandés par les médecins. La figure 4-2 illustre le scénario de la compréhension des notes des médecins. Il existe souvent un écart important entre ce que les patients comprennent de leur état de santé et ce que les médecins consignent dans leur dossier médical. Cet écart peut avoir des conséquences graves, voire mortelles.

Considère le scénario suivant. Greg, un homme de 30 ans, a des antécédents familiaux d'une maladie génétique qui augmente le risque de dissection aortique - une déchirure dangereuse du grand vaisseau sanguin qui se ramifie à partir du cœur. Greg commence à consulter un cardiologue pour surveiller et gérer ce risque. Cependant, une erreur de communication cruciale se produit :

Ce que Greg comprend: Il perçoit son risque comme modéré et pense que des contrôles occasionnels sont suffisants.
Ce que le cardiologue documente: Les notes médicales détaillent un état à haut risque nécessitant une surveillance fréquente et éventuellement des mesures préventives.

Tragiquement, Greg est décédé d'une dissection aortique un an seulement après son premier rendez-vous chez le cardiologue. Cette issue aurait pu être évitée si le cardiologue avait communiqué plus clairement la gravité et l'urgence de l'état de Greg, et si ce dernier avait pleinement compris la nature sérieuse de son risque et l'importance d'un suivi rigoureux et de l'observance du traitement.

Ce cas illustre à quel point il est vital d'avoir une communication claire et approfondie entre les prestataires de soins de santé et les patients. Lorsque les patients comprennent vraiment leur état de santé, ils sont mieux équipés pour participer activement à leurs soins, ce qui peut permettre d'éviter des résultats désastreux.

Essayer de se souvenir de la communication d'un médecin et de comprendre ses notes donne souvent l'impression de déchiffrer des runes anciennes ou de se souvenir d'un repas spécifique datant de plusieurs semaines : c'est un combat rempli de lacunes et d'incertitudes. Les patients se retrouvent souvent sans explication claire de leur état ou sans plan d'action concret.

Cette coupure entre les professionnels de la santé et les patients, causée par une documentation médicale complexe et souvent opaque, crée un épais brouillard d'incompréhension. En conséquence, les patients peuvent éprouver :

Confusion au sujet de leur état de santé et de leur plan de traitement
Augmentation de l'anxiété en raison du manque d'informations claires
Une moins bonne compréhension de leur parcours de santé global

Ce déficit de communication peut affecter la capacité d'un patient à gérer efficacement sa santé. Des informations médicales claires sont cruciales pour que les patients participent activement à leurs soins et prennent des décisions éclairées concernant leur santé.

Les notes résument parfois mal les informations sur les patients provenant de différentes spécialités. Un récit unifié doit être formé pour donner un sens aux idées offertes par plusieurs cliniciens. La conclusion est que de nombreux patients ont besoin d'aide pour comprendre les diagnostics, les plans de gestion et les directives de soins recommandés par les médecins. Par conséquent, les patients peuvent avoir du mal à suivre les recommandations, et le non-respect des recommandations peut entraîner de mauvais résultats pour la santé. Ce problème est très répandu et nécessite des mécanismes plus pratiques pour convertir ces résumés techniques de la visite en un langage simple et plus convivial pour le patient.

Un résumé clinique généré pourrait expliquer les résultats de tes tests et te dire non seulement ce que les médecins veulent faire, mais aussi pourquoi ils veulent le faire. Le résumé te donnerait également une gamme de traitements possibles et te guiderait dans le raisonnement qui ferait qu'il serait approprié de s'embarquer dans l'un d'eux plutôt que dans un autre. Imagine le temps que cela pourrait faire gagner aux médecins et au personnel clinique pour créer un résumé de visite et un plan de traitement. Il serait indispensable d'avoir un résumé de la visite généré et partagé de la voix au texte, avec ou sans l'apport de ton médecin, expliquant les questions que tu pourrais avoir et aussi à la fois leurs réponses et les suppositions éduquées générées par l'ordinateur de ce qui pourrait être utile pour toi de savoir, résumé et expliqué pour toi, annoté par ton médecin s'il a le temps.- Cela te permettrait, par exemple, d'interroger des parties de ton dossier dans un langage plus naturel via des interfaces de chatbot alimentées par l'IA générative. L'IA générative pourrait tout expliquer, et ensuite, avec un peu de chance, répondre à n'importe quelle partie de l'explication sur laquelle tu veux maintenant être éduqué.

L'IA générative favorise les médias explicatifs. Au-delà de la traduction de texte, l'IA peut générer des diagrammes explicatifs, des vidéos ou d'autres multimédias qui rendent le contenu d'une note médicale intelligible pour les patients dans des formats plus intéressants et interactifs. Les LLMs peuvent faire remonter les questions des patients, et l'IA peut scanner les notes et formuler des questions sur tous les sous-points ou portions de celles-ci qui pourraient justifier un réexamen et une réflexion de la part du patient, en adaptant des questions sur mesure pour clarifier la compréhension.

Les gains vont bien au-delà d'un fonctionnement un peu plus fluide. Comprendre ton diagnostic sans aucune confusion peut te permettre de jouer un rôle plus actif dans tes soins de santé. Lorsque tu as la possibilité de scanner le ballon diagnostique et de lire ton diagnostic, tu as la capacité de poser des questions plus éclairées, tu peux faire de meilleurs choix de traitement, et tu auras tendance à suivre les plans de traitement, sachant qu'ils fonctionnent ou que tu es en bonne voie. Si tu peux aider le médecin à diagnostiquer le problème, cela crée une boucle de communication réciproque qui peut créer une relation efficace plus productive entre le patient et le médecin, améliorant ainsi les résultats en matière de santé et au-delà.

Assistant de plan de santé

Les innovateurs du secteur de la santé s'efforcent de rendre dynamiques des systèmes disparates - couvrant les régimes d'assurance, les réseaux de prestataires, les établissements, les pharmacies et les services sociaux - lorsqu'il s'agit de gérer et d'expliquer les politiques et les bureaucraties aux patients qui cherchent un accès aux soins et/ou des ressources complémentaires. De nombreux organismes de santé cherchent à créer des expériences transparentes pour les membres à travers des points de contact fracturés.

La nouvelle génération de plans de santé personnalisés, dont le fer de lance est l'assistant LLM, est prête. Il s'agit d'un agent conversationnel virtuel qui englobe les fonctions administratives et cliniques d'un point de contact central. Équipés de modèles de langage empathiques, les assistants des plans de santé engagent un dialogue naturel avec les membres, évaluant leurs besoins, tandis que l'IA relie la pertinence des références des médecins, les tendances d'utilisation, les recherches de soins associés et les résultats pour identifier les suggestions appropriées et opportunes pour les membres. La figure 4-3 montre un patient qui utilise un assistant de plan de santé pour comprendre et naviguer dans ses plans de santé.

Les magiciens des régimes de santé de LLM peuvent décrire le jargon de l'assurance à propos des demandes de remboursement, des renvois, des paliers du formulaire et de l'admissibilité afin de promouvoir l'utilisation de l'assurance. Le langage clair peut être le centre de leur action, et leurs rayons créent des consommateurs confiants qui prennent des décisions en matière de soins de santé. Le dépistage des déterminants sociaux de la santé permet de relier les patients qui éprouvent des difficultés en matière d'alimentation, de logement et de finances à des organismes communautaires qui peuvent leur être utiles. Une assistance adaptée à la culture peut guider les patients vers des opportunités équitables.

Armés de riches connaissances contextuelles concernant leurs patients, ces assistants de santé personnels permettent d'améliorer les expériences tout au long du continuum des soins de santé, malgré les obstacles administratifs et liés au mode de vie. Les membres reçoivent des informations personnalisées et ciblées plutôt que des conseils génériques. Toutes les actions et les communications sont centrées sur les besoins et les circonstances spécifiques de l'individu, ce qui fait tomber les barrières traditionnelles des interactions cloisonnées et basées sur les transactions. Des interactions plus fluides permettent d'obtenir des résultats plus efficaces en matière de santé à long terme et de tenir les promesses de soins.

Santé maternelle chez les Noirs

Les LLMs pourraient soutenir les disparités en matière de santé maternelle de manière plus égale tout en favorisant le cheminement des femmes minoritaires vers un meilleur parcours de grossesse. Avec des avantages tels que les soins omnicanaux reliant les directives cliniques aux soins enveloppants - qui reconnaissent tous les aspects de la vie d'une mère vulnérable, physiques et mentaux - la GenAI est une technologie dont le temps est venu de s'attaquer à la crise actuelle de morbidité et de mortalité accrues chez les femmes enceintes noires et brunes(Figure 4-4).

Une application de santé maternelle équitable LLM pourrait inviter à des discussions plus approfondies sur les contextes sociaux, les obstacles à l'accès et les préoccupations spécifiques - au-delà des antécédents médicaux. Elle adapterait le soutien à la femme, en l'orientant vers un programme de soutien alimentaire si nécessaire, en la conseillant sur ses droits au travail, sur des cours de préparation à l'accouchement précisément choisis en fonction de ses besoins culturels, ou même en sécurisant un service de transport pour lui permettre d'accéder à ses rendez-vous.

Les préjugés inconscients sont insidieux, avec la santé maternelle des minorités par conséquent affectée. Une appli LLM pourrait jouer un rôle crucial dans la lutte contre ces présupposés implicites des médecins de la façon suivante :

En conservant une LLM pertinente - grâce à des profils médicaux puissants qui intègrent des indices sur le contexte social/culturel dans lequel un objectif d'accouchement est envisagé - les médecins qui pourraient exploiter un processus de prise de décision sans entrave sont bloqués. Le LLM ralentit les recommandations hâtives.
Il pourrait observer les interactions patient-médecin pour se prémunir contre l'écartement des symptômes et des préoccupations des femmes issues des minorités, insérer des prompts pour valider les préoccupations du patient, et recommander des tests supplémentaires si nécessaire.
Il pourrait aider les patients à revoir les procédures après les rendez-vous et à signaler les domaines où des stéréotypes inconscients auraient pu entraîner le rejet de leurs préoccupations ou causer des altérations dans leur plan de traitement. Par exemple, avec l'accès aux chronologies complètes des patients, le LLM peut effectuer des analyses différentielles par rapport aux normes de base et se faire le champion des patients recevant moins d'interventions proactives que leurs pairs ayant des profils de présentation des risques similaires.

Au minimum, les schémas de traitement différentiel pourraient devenir détectables au fil du temps et conduire à des directives politiques et à des normes pour des régimes de soins fondés sur des preuves qui visent à compenser la qualité différentielle, peut-être même inspirés involontairement par des préjugés implicites dans les milieux de soins prénatals.

Les prompts et les repères déclencheraient des rappels personnalisés et des questions dont la patiente pourrait discuter avec ses médecins, qu'il s'agisse du calendrier des tests ou des plans d'accouchement, tout en fournissant une éducation interactive concernant les risques pour la santé maternelle qui menacent de façon disproportionnée les minorités. L'avocat de garde pourrait intervenir en cas de symptômes inquiétants et donner aux femmes les moyens d'obtenir les meilleurs soins possibles.

Après la naissance, l'appli LLM continuerait à protéger la femme tout au long de sa convalescence et du développement de son enfant grâce à des conseils ciblés et des connexions aux ressources communautaires. Elle place les femmes au centre de leur propre santé. L'application crée des opportunités qui contournent les systèmes juridiques intrinsèquement racistes et renforcent la capacité des femmes issues de minorités à accéder aux grossesses saines et autonomes qu'elles méritent légitimement.

En conclusion, un chatbot alimenté par l'IA et utilisant les LLMs peut être un partenaire vigilant dans les soins de santé maternelle. Cette technologie peut :

Identifier activement les préjugés inconscients qui ont un impact négatif sur la santé maternelle des minorités.
Défendre les intérêts des patients de manière cohérente
Offre un soutien en temps réel lors des rencontres médicales.
Contrôler les soins de longue durée pour en assurer la continuité et l'équité.

L'objectif ultime est de faire en sorte que chaque mère, quelle que soit son origine, reçoive des soins avancés de haute qualité et exempts de préjugés. Ce partenaire d'AI travaille en permanence pour promouvoir un traitement équitable dans les situations médicales immédiates et tout au long du parcours de santé maternelle.

Les LLMs axés sur l'équité proposent des innovations prometteuses pour soutenir les personnes les plus touchées par les disparités en matière de soins de santé. Ces systèmes d'IA peuvent :

Transforme les données historiques et les expériences en informations significatives.
Améliorer l'accès à des soins de santé de qualité pour les populations mal desservies.

Si l'on se tourne vers l'avenir, cette technologie pourrait contribuer à un monde où.. :

Tous les embryons viables ont la possibilité de se développer et de naître, quels que soient les facteurs socio-économiques
Les femmes de toutes les origines raciales et ethniques ont un accès égal aux technologies reproductives avancées, à des soins prénataux et maternels de haute qualité et à des expériences d'accouchement en toute sécurité.

L'objectif est de créer un système de soins de santé où la race, l'ethnie et le statut socio-économique ne déterminent plus les résultats en matière de santé maternelle et infantile.

Rappel de médicaments

Suivre un régime de médicaments peut être un défi étonnant. Les plans de traitement comportent souvent des instructions complexes concernant le calendrier, le régime alimentaire, les conflits avec d'autres remèdes, et bien d'autres choses encore. Même les patients motivés ont besoin d'aide en cas d'oubli, de détails confus ou parce qu'ils trouvent le régime désagréable. C'est pourquoi les obstacles à l'observance des prescriptions demeurent fréquents dans divers groupes.

Les prestataires de soins de santé et la recherche montrent que les patients qui arrêtent de prendre leurs médicaments risquent de voir leur maladie progresser, d'avoir des coûts de santé plus élevés et même de mourir - en particulier pour ceux qui gèrent des maladies chroniques. Les médecins tentent de simplifier les traitements, par exemple en s'efforçant d'administrer une seule dose, une fois par jour. Mais la complexité inévitable reste un ingrédient de certaines formules de traitement.

Une étude de 2017 sur l'observance des médicaments¹ a comparé une variété d'aide-mémoire à bas prix à un groupe témoin qui n'a bénéficié d'aucune intervention. Les outils étaient simples : une bande de pilulier avec des bascules à glissière pour indiquer quelle dose du jour avait été prise ; un bouchon de suivi des horodatages ouverts ; et un pilulier journalier standard à huit compartiments.

Voici les principales conclusions des résultats de l'étude :

Les aides-mémoire à bas prix (bandelette de pilulier à bascule, capuchon de suivi des horodatages d'ouverture, et pilulier quotidien standard) n'ont pas amélioré l'observance des médicaments par rapport au groupe témoin qui n'a bénéficié d'aucune intervention.
Cette conclusion ne ressortait pas immédiatement des résultats primaires de l'étude, mais elle a été révélée par l'analyse des données de renouvellement des pharmacies.
L'inefficacité de ces outils d'observance courants a été une découverte inattendue ou potentiellement malvenue.
Les données sur les renouvellements en pharmacie ont fourni une image plus précise ou plus complète de l'observance que les mesures primaires de l'étude.

Ces résultats enterrés sont importants car ils remettent en question l'efficacité supposée des méthodes peu coûteuses couramment utilisées pour améliorer l'observance des médicaments. Des approches plus innovantes ou plus complètes peuvent être nécessaires pour influencer le comportement des patients lorsqu'ils prennent les médicaments qui leur sont prescrits.

Les auteurs de l'étude ont émis l'hypothèse que l'accent mis sur les rappels ne tient pas compte de la raison et du moment où les doses sont oubliées. Ce qu'il faut pour l'observance thérapeutique, c'est une meilleure compréhension des contextes, des intérêts et des obstacles des patients. Pourtant, l'inefficacité des aide-mémoire, même les plus simples, témoigne de l'obstination du problème de l'observance. La figure 4-5 montre un patient qui utilise la technologie pour se souvenir du moment où il doit prendre ses médicaments.

Un rapport des NIH de 2022² examinant les technologies de suivi de l'observance des médicaments a abouti à des conclusions intéressantes :

Les technologies actuelles de suivi de l'observance présentent des caractéristiques et des approches variées en matière de saisie des données. Elles peuvent être améliorées grâce à l'innovation technologique.
Les nouveaux paradigmes de recherche doivent être profondément intégrés et interopérables avec les environnements cliniques et les systèmes d'information sur la santé ; en d'autres termes, l'utilité d'une approche de recherche doit maximiser le potentiel de l'écosystème technologique plus large.
Bien que prometteuses, individuellement, aucune de ces technologies ne constitue un "étalon-or" magique. Il est plus probable qu'elles fonctionneront mieux en conjonction les unes avec les autres dans le cadre d'une solution multimodale exploitant les points forts des technologies émergentes et des méthodes traditionnelles.
Il ne fait aucun doute que les preuves concernant les technologies d'observance sont de plus en plus nombreuses, et qu'elles pourraient être un véritable moteur pour améliorer les comportements d'observance et les résultats en matière de santé. Mais la base de données concernant la fonctionnalité des technologies et leur impact sur les résultats de l'observance doit encore s'élargir.

Une fois que nous aurons pris conscience de ces artefacts et que nous en serons débarrassés, nous ne devrons pas nous attendre à ce que les LLMs soient une solution miracle - ils ne seront qu'un complément prometteur aux modalités actuelles. Une approche collaborative et fondée sur des preuves pour créer des LLMs qui peuvent être utilisés de manière itérative avec les outils d'aide à l'observance actuels, contextuels et centrés sur le patient, pourrait être la seule voie réaliste.

Santé bucco-dentaire

Les LLMs et l'IA générative peuvent aider la télédentisterie de plusieurs façons :

Tâches courantes: Les LLMs automatisent ces tâches de routine telles que l'envoi de rappels et le traitement des paiements, ce qui libère les dentistes et les hygiénistes dentaires pour qu'ils soient au service des patients.
Analyse des données: Les LLMs analysent les données des séances de télédentisterie, sous forme de chats vidéo et d'images dentaires, afin d'améliorer la qualité des soins en identifiant les tendances et les modèles.
Génération de rapports: Les LLMs créent des rapports détaillant les résultats des séances de télédentisterie afin de les communiquer aux patients et aux autres prestataires de soins de santé.
Éducation des patients: Un LLM dispense une éducation à la santé dentaire en discutant avec toi par chat vidéo, messagerie texte ou à l'aide d'un chatbot.
Traduction: Les LLMs sont compétents en matière de traduction des langues. Cela permet aux patients de télédentisterie de s'exprimer dans n'importe quelle langue.

Les LLMs peuvent transformer considérablement le domaine de la télédentisterie de plusieurs façons, notamment en améliorant les interactions avec les patients et la communication personnalisée.

Les LLMs peuvent alimenter des assistants virtuels et des chatbots qui répondent aux premières questions des patients sur les services de télédentisterie, la couverture d'assurance ou les informations de base sur la santé bucco-dentaire. Cela peut libérer le temps des dentistes pour des consultations plus complexes.

Les LLMs peuvent analyser les antécédents médicaux et les préoccupations dentaires d'un patient afin d'adapter la communication et le matériel éducatif. Imagine un LLM qui génère des courriels personnalisés avant le rendez-vous ou des instructions après le traitement en fonction des besoins du patient.

Les LLMs pourraient éduquer les patients sur la santé bucco-dentaire. En se basant sur l'analyse de millions d'études et de millions de dossiers médicaux électroniques de patients, un LLM pourrait développer un enseignement personnalisé sur le brossage des dents, l'utilisation du fil dentaire, le régime alimentaire et d'autres sujets liés à l'hygiène dentaire qui correspondent aux facteurs de risque et aux préférences d'un patient. Les LLMs pourraient interpréter les symptômes rapportés par les patients, et pourraient souvent fournir des réponses sur les raisons pour lesquelles les patients pourraient avoir des problèmes et quand consulter leur dentiste. Les LLMs peuvent expliquer les procédures et les médicaments dans un langage simple, et ils peuvent décrire les avantages et les inconvénients attendus d'un plan de traitement. Les LLMs pourraient discuter et passer en revue les options avec les patients, ce qui pourrait améliorer la façon dont les patients suivent les diagnostics et les recommandations des experts. Les LLMs pourraient fournir des chatbots interactifs qui pourraient différer des assistants dentaires en ce sens qu'ils seraient programmés pour fournir un soutien compatissant et des techniques d'arrêt de l'anxiété pour réduire la peur de se rendre chez le dentiste chez les patients souffrant d'anxiété dentaire.

Pour les dentistes, ils pourraient examiner les dossiers des patients et leurs antécédents médicaux, suggérer des diagnostics et des recommandations de traitement et même signaler les effets secondaires et les contre-indications potentielles. Les LLMs pourraient rapidement parcourir la littérature dentaire pour les aider à se tenir au courant des dernières recherches et des meilleures pratiques. Les LLMs pourraient saisir des notes précises et complètes pour le dentiste sans perdre de temps sur le formatage et l'orthographe, et ils pourraient améliorer la précision. Ils pourraient être programmés pour adapter la communication aux besoins et préférences individuels des patients, ce qui améliorerait l'engagement et la satisfaction. La figure 4-6 illustre un dentiste utilisant la technologie de l'IA pour la santé bucco-dentaire, tandis qu'un LLM fournit un résumé sur les antécédents de santé bucco-dentaire d'un patient.

Les LLMs sont présents 24 heures sur 24 et 7 jours sur 7, ce qui permet de surmonter les obstacles liés au temps et à la distance géographique. Ils ne sont jamais trop occupés pour répondre aux questions cliniques et ne sont pas distraits par les téléphones qui sonnent ou les patients frustrés qui font la queue pour être vus. Mais ils ne sont pas la fin de la route - les dentistes doivent toujours exercer leur jugement clinique. Les réponses des LLM sont là pour soutenir les dentistes, pas pour les supplanter. Dans l'ensemble, les LLMs sont donc très prometteurs pour aller au-delà de la télédentisterie. Les LLMs pourraient redonner le pouvoir aux patients ; ils pourraient soutenir les dentistes ; et eux aussi auraient un rôle à jouer dans l'amélioration de la santé bucco-dentaire de nos populations.

Vérificateur de symptômes

Les vérificateurs de symptômes sont des outils ou des applis informatisés qui permettent aux patients de saisir leur plainte principale et d'éventuels symptômes concomitants, et qui fournissent au patient une évaluation ou un diagnostic potentiel. Parmi les exemples bien connus, on peut citer WebMD, le vérificateur de symptômes de la clinique Mayo, ainsi qu'Ada Health. La plupart des outils de vérification des symptômes utilisent aujourd'hui une approche basée sur des règles, où les patients saisissent leurs symptômes, puis l'outil utilise ces informations pour puiser dans une base de données compilée de descriptions de maladies par des experts médicaux et pour fournir un diagnostic potentiel. Bien que les vérificateurs de symptômes puissent effectivement apporter une contribution utile à l'autodiagnostic des patients, ils sont limités à plusieurs égards :

Ils ne parviennent pas à saisir les nuances et les subtilités des symptômes réels des patients.
Ils fournissent une liste de conditions potentielles sans classement probabiliste clair.
Ils tiennent mal compte des comorbidités et n'itèrent pas intelligemment les questions initiales.
Ils possèdent une capacité limitée à expliquer leur raisonnement ou à conseiller les étapes suivantes optimales.
Ils présentent souvent un ensemble limité de diagnostics possibles, négligeant potentiellement d'autres possibilités.
Leurs diagnostics sont basés sur des données rapportées par l'utilisateur et peuvent être sujets à l'inexactitude ou à la partialité. Les systèmes algorithmiques doivent être plus nuancés pour gérer les cas limites ou les conditions rares.

Les LLMs ont le potentiel d'améliorer considérablement les vérificateurs de symptômes(figure 4-7) de plusieurs façons :

Les vérificateurs de symptômes identifient les figures de style saillantes et les spécificités des patients dans le texte en langage naturel, et les affinent en utilisant un langage qualifié par des termes plus précis grâce aux suggestions faites par des LLMs formés sur un grand ensemble de données médicales (y compris les diagnostics des patients, leurs cas, et les articles de recherche pertinents).
Les vérificateurs de symptômes associent des niveaux prédits (probabilités) de bénéfices aux différents diagnostics possibles à l'aide de calculs statistiques et d'heuristiques guidées par le clinicien. Ils posent une série de questions de suivi basées sur les résultats des questions précédentes afin d'écarter les conditions improbables.

Les LLMs offrent la possibilité de mieux comprendre le contexte. Les LLMs peuvent analyser des récits complexes et prendre en compte des contextes individuels tels que les antécédents médicaux, l'âge et les facteurs liés au mode de vie, ce qui permet d'obtenir des recommandations plus personnalisées. Les LLMs peuvent fournir des informations plus nuancées, en soulignant les incertitudes et en guidant les utilisateurs vers des sources fiables telles que les professionnels de santé. Les LLMs peuvent identifier les cas à haut risque en fonction de symptômes spécifiques et orienter les utilisateurs vers une prise en charge médicale immédiate. Ils peuvent apprendre en permanence à partir de nouvelles données et de retours d'expérience, en améliorant la précision et en s'adaptant à l'évolution des connaissances médicales.

En combinant un pré-entraînement à grande échelle, des connaissances médicales expertes et des tests de validation rigoureux, les vérificateurs de symptômes alimentés par LLM pourraient grandement améliorer les capacités de libre-service des patients, l'efficacité clinique et les résultats en matière de santé.

Aide à la décision clinique

Le potentiel des LLMs et de l'IA générative dans le domaine de l'aide à la décision clinique est vaste. Les soins cliniques impliquent couramment la planification du traitement du patient, ce qui comprend l'examen minutieux des risques et des avantages potentiels des options thérapeutiques. Les guides de pratique clinique (GPC) publiés par les associations médicales sont basés sur les meilleures preuves disponibles au niveau de la population et ont pour but d'aider les professionnels de santé à prendre des décisions cliniques.

Cependant, ces guides de pratique peuvent être ambigus ou sous-optimaux lorsqu'ils s'adressent à des patients polychrones souffrant de plusieurs maladies chroniques qui s'entrecroisent. Ces complexités posent des défis parce que les guides de pratique sont orientés vers des conditions uniques et qu'il revient au jugement du clinicien d'arbitrer entre des recommandations contradictoires provenant de plusieurs guides. Prenons l'exemple d'une population vieillissante qui présente des complexités cliniques et des demandes de soins croissantes, ce qui entraîne des coûts super-additifs lorsque les maladies interagissent.

L'application de GPC spécifiques à une maladie à des patients souffrant de plusieurs maladies peut donner lieu à des recommandations concurrentes et au risque d'interactions médicamenteuses indésirables ou d'interactions entre médicaments et maladies. Par exemple, les médicaments indiqués pour l'insuffisance cardiaque peuvent compromettre la fonction rénale chez les personnes souffrant d'une maladie rénale, ou les anti-inflammatoires non stéroïdiens (AINS) peuvent être suggérés pour traiter la douleur de l'arthrose, mais s'avèrent avoir une contre-indication relative chez les patients ayant des antécédents d'ulcère gastroduodénal.

Pour tenir compte des circonstances particulières du patient, telles que les données démographiques, les antécédents familiaux et pathologiques, ou les habitudes de pratique des médecins, ces derniers peuvent s'écarter partiellement ou totalement des directives applicables. Bien que ces écarts puissent être appropriés dans certains cas, ils peuvent également entraîner des variations injustifiées et de moins bons résultats pour la santé. Contrairement aux écarts qui personnalisent manuellement les soins cliniques, les écarts peuvent également résulter d'une incertitude professionnelle, comme le manque d'expertise dans un domaine spécialisé ou l'incertitude quant aux options de traitement. Les cas d'utilisation du bot d'information clinique ou du médecin à domicile présentés dans la section suivante pourraient atténuer certains des risques que nous venons d'évoquer pour les patients polychrones.

Clinical Insight Bot

Le médecin fait ce que font les médecins. L'histoire du patient, ses antécédents, les examens de laboratoire et les tests de diagnostic, ainsi que le plan de traitement provisoire sont exposés avant que le médecin n'ait un aperçu clinique. Le LLM creuse plus profondément. Il pose des questions pour en savoir plus, mais pas pour juger ou conclure. S'agit-il vraiment d'une maladie inhabituelle ? Les deux médicaments interagissent-ils ? Y a-t-il des essais cliniques qui étudient cette maladie ou les multiples maladies qui affligent le patient ? Interagir avec un assistant virtuel, comme le montre la figure 4-8, offre d'énormes avantages au médecin.

Le LLM plonge dans ses bases de données de littérature médicale, de documents de recherche, d'études de cas et même de directives cliniques, puis sélectionne ce qu'il pense que tu as besoin de savoir. Il recherche des modèles, des associations et des erreurs que le médecin aurait pu manquer. Il examine minutieusement le plan de traitement, vérifie s'il a bien fonctionné jusqu'à présent et t'oriente vers des options plus efficaces qui sont désormais solidement étayées par des données probantes.

Mais le LLM n'est pas qu'un simple processeur de données : c'est une machine analytique qui émet des hypothèses et met en évidence les biais potentiels. Il propose d'autres diagnostics susceptibles d'expliquer les symptômes du patient ou signale les zones d'incertitude, ce qui prompt le médecin à prescrire d'autres tests ou à consulter un autre médecin. En bref, la "médecine informatisée" ne remplace pas le jugement humain. Au contraire, elle le complète, offre une perspective plus large et s'assure que tous les angles possibles ont été pris en compte.

Maintenant, un médecin nouvellement enhardi examine les résultats du LLM et quitte la pièce avec un plan révisé en main. Le processus de consultation a été nuancé mais naturel, car le clinicien et l'IA travaillent ensemble, l'expertise antérieure étant augmentée et guidée par l'analyse du LLM. Les risques et les avantages du nouveau plan peuvent être pesés, et la confiance du médecin dans la conclusion est renforcée, à défaut d'être totalement gagnée. Il a un allié dans ses efforts pour améliorer les résultats - un partenaire silencieux.

Et ce n'est que le début de ce à quoi pourrait ressembler la future consultation médicale, les LLMs aidant mais ne remplaçant pas les médecins humains. Ils ne mettront pas fin à la touche personnelle, à l'empathie et au raisonnement qui définissent ce que signifie être un bon médecin. Les LLMs seront l'outil le plus puissant dont dispose le médecin pour passer au crible la pléthore d'informations afin de fournir des soins éclairés, personnalisés et humanistes à chacun d'entre nous.

Un bot d'analyse clinique diffère du médecin de bord de l'IA, car une de ses tâches principales consisterait à faire apparaître des idées, des modèles et des tendances à partir d'un ensemble de données cliniques - par exemple, les dossiers médicaux électroniques, la littérature médicale, les études cliniques et autres - de manière à aider les cliniciens à prendre de meilleures décisions.

Un bot de connaissance clinique serait en grande partie alimenté par des sources de données cliniques structurées et non structurées, à savoir les dossiers médicaux électroniques, les données relatives aux demandes de remboursement, la littérature médicale, les résultats d'essais cliniques et les données de santé générées par les patients, puis utiliserait des analyses avancées, le NLP et l'apprentissage automatique pour en extraire des connaissances et des schémas cliniquement significatifs.

Contrairement à l'analyse individuelle en temps réel, les insights bots cliniques adoptent une approche axée sur les données afin de générer des insights pour les cliniciens et les professionnels de santé. Ces insights sont délivrés périodiquement, à des intervalles prédéterminés, ou déclenchés par des événements spécifiques. Les bots analysent de vastes quantités de données anonymisées pour identifier les tendances et les modèles au niveau de la population. Ces données anonymes protègent la vie privée des patients tout en permettant au bot de découvrir des tendances plus larges en matière de soins de santé. Les informations sont ensuite présentées dans des formats clairs tels que des rapports, des tableaux de bord ou des alertes. En fin de compte, ces informations basées sur les données sont conçues pour permettre aux cliniciens et aux professionnels de la santé de porter des jugements et de prendre des décisions éclairés qui profitent à des populations entières ou à des systèmes de soins de santé.

AI Curbside Physician

Une consultation à domicile est un échange informel de conseils entre prestataires médicaux sur des cas de patients réels. Échange informel de conseils entre prestataires médicaux, une consultation curbside prend en compte des cas en attente de résolution chez des patients réels, comme l'illustre métaphoriquement la figure 4-9.

Disons qu'au cours d'une garde dans l'unité de soins intensifs (USI),, tu t'inquiètes de l'absence de fièvre chez le patient Jean. Tu viens de parler à un collègue de l'USI, lui expliquant qu'elle souffre d'une acidose lactique de grade 4, d'un ECG avec des tensions basses, d'une hémorragie gastro-intestinale au cours des 12 dernières heures, et d'une numération plaquettaire d'apparition récente atteignant 70 000. Cependant, le patient admis à 19 heures reste afébrile. Tu es perplexe. Tu sais que ta collègue des urgences a récemment utilisé une application qui fait office de médecin de garde virtuel. Tu as suivi ses conseils deux fois la semaine dernière avec d'excellents résultats. Tu décides de faire un essai.

Ta patiente s'est brûlée sur le site lorsque son peignoir a pris feu au cours d'une séance de vapotage d'herbe. La brûlure était superficielle, bien qu'elle ait couvert une grande surface (environ 20 % de la surface totale du corps). Aujourd'hui, elle est de retour à la clinique des brûlés, et tu effectues une dose quotidienne de chimiothérapie. Une semaine plus tôt, la plaie était remplie de liquide et le test de pincement était positif. Bien que le test de pincement n'aurait pas dû être nécessaire avant aujourd'hui, tu as décidé de poursuivre les soins de la brûlure au deuxième degré, y compris le bandage et le débridement. Maintenant, le test du pincement est négatif, les pansements sont malodorants et décolorés, et il y a une couche blanche. Tu es surpris et inquiet car les signes et les symptômes sont préoccupants. Tu veux consulter l'experte en soins des plaies, mais il n'y a pas de bons moyens de la contacter. Tu te souviens que ta collègue t'a parlé d'une application qui fonctionne comme un doc curbside.

Un médecin curbside AI fournit à un accès instantané à des informations médicales en constante évolution, imitant les précieux renseignements que tu pourrais obtenir lors de consultations impromptues avec des collègues. Cet outil numérique reproduit le partage des connaissances qui a lieu pendant les "tournées" avec les cliniciens aux États-Unis, ou les discussions matinales, de midi et de l'après-midi avec des pairs dans les hôpitaux britanniques. Ce faisant, il met les avantages de l'expertise médicale collaborative à la portée des cliniciens à tout moment, sans qu'il soit nécessaire d'être physiquement présent ou d'établir un emploi du temps. Tu peux utiliser un LLM pour générer un ensemble d'hypothèses sur 1) ce qui cause les symptômes d'un patient, 2) la stratégie pour soulager ces symptômes, 3) les facteurs qui pourraient être pertinents, et 4) les étapes à suivre.

Le médecin curbside de l'IA est prêt pour des discussions de cas informelles à n'importe quelle heure de la journée, n'importe quel jour de la semaine. Tu parles de ton patient, du problème en question (résultats des tests, conclusions de l'examen physique, antécédents), et tu obtiens des réponses en retour, souvent d'une grande qualité diagnostique. L'IA pourrait également produire des listes de diagnostics probables avec les probabilités associées. Ces probabilités seraient basées sur les symptômes spécifiques présents, la chronologie ou la progression de ces symptômes, et les facteurs de risque pertinents.

Le médecin de garde de l'IA examinerait comment ces éléments correspondent à des critères de diagnostic établis ou à des normes trouvées dans la littérature médicale.

Il peut même poser des questions d'approfondissement appropriées pour clarifier ou fournir plus de détails concernant les caractéristiques manquantes du cas qui pourraient permettre de faire la distinction entre différents diagnostics possibles, ou dans certains cas recommander des tests supplémentaires ou des stratégies de test. En bref, les LLMs vont changer la consultation en cabinet pour le meilleur. Ils aideront les médecins à fournir des soins plus personnalisés et plus efficaces aux patients.

La fonction clé d'un médecin curbside IA serait de fournir des conseils et des seconds avis rapides et décontractés aux professionnels de la santé. En d'autres termes, il s'attacherait à faciliter les "consultations à domicile". Fondamentalement, elle tenterait d'aider les médecins à prendre des décisions cliniques lorsqu'ils rencontrent des difficultés. Il tenterait de fournir des conseils fondés sur des preuves et des avis d'experts concernant des cas spécifiques de patients pédiatriques ou des questions d'ordre général sur la médecine.

Un robot médecin de trottoir s'appuierait sur la sagesse et les connaissances de médecins expérimentés consignées dans la littérature médicale, les directives cliniques et les articles d'opinion, et il utiliserait la logique douce et le NLP ainsi que des techniques de recherche d'informations pour récupérer et contextualiser les informations pertinentes pour la question clinique donnée.

Le bot médecin de bord poursuivrait une conversation avec toi comme s'il était un expert à tes côtés, abordant les problèmes d'une manière personnalisée et spécifique à chaque cas, en fonction des caractéristiques du patient particulier que tu as vu et de tes questions ou préoccupations spécifiques.

Un robot médecin aurait un domaine de pertinence plus étroit, fournissant des informations et des recommandations pour des scénarios cliniques très spécifiques, mais puisant dans une base de connaissances médicales très généralisée et pouvant offrir des conseils généraux sur ce que le médecin humain pourrait recommander. Un tel système pourrait offrir un accès rapide et pratique aux connaissances médicales, mais il pourrait être critiqué si les recommandations n'étaient pas adaptées à chaque patient.

Surveillance à distance des patients

Le suivi à distance des patients est une approche de plus en plus viable pour améliorer les résultats des patients. Les apps d'IA générative et de LLM pourront aider la surveillance à distance des patients de plusieurs façons. Un LLM serait en mesure de personnaliser l'expérience de surveillance à distance de chaque patient pour s'assurer qu'elle est aussi efficace et optimale que possible. En tenant compte du patient et de ses préférences, un LLM pourrait générer un emploi du temps qui réponde au mieux aux besoins du patient chaque jour. Il pourrait également être capable de fournir un retour d'information personnalisé concernant les progrès du patient.

Les LLMs peuvent être utilisés pour donner aux patients un retour d'information sur leurs données de santé en temps réel, en fonction de la lecture de leurs données. Par exemple, en utilisant la surveillance à distance des patients, un LLM peut alerter les patients si leur tension artérielle ou leur fréquence cardiaque est trop basse. La figure 4-10 illustre une session de surveillance à distance d'un patient.

Dans le monde de la médecine, les LLMs peuvent effectuer des recherches dans les données de santé d'un patient et scanner les problèmes. Ils peuvent le faire en repérant les irrégularités et les schémas dans les données qui pourraient indiquer un problème, par exemple, cela pourrait aider à identifier un patient qui risque de développer un diabète ou un autre qui est susceptible de subir une crise cardiaque. Les LLMs peuvent également rappeler au patient de prendre ses médicaments ou de prendre rendez-vous avec un médecin, ce qui peut l'aider à prendre soin de sa santé et à ne pas manquer un rendez-vous chez le médecin.

De plus, les LLMs peuvent être utilisés pour des modes de communication informatifs et engageants avec les patients en utilisant la PNL pour analyser leurs questions et leurs préoccupations, puis en leur répondant à nouveau de façon à ce qu'ils aient une voix humaine et en abordant les aspects individuels de leurs besoins.

Jumeau numérique

Un jumeau numérique d'un individu, d'un organe ou même d'un appareil médical pourrait imiter son comportement et ses caractéristiques en se basant sur les données du monde réel à partir desquelles il a été créé. Grâce à l'utilisation de jumeaux numériques, les professionnels de la santé pourraient donner un sens aux données, prédire les résultats et optimiser le traitement.

Quelques aspects clés des jumeaux numériques dans le domaine de la santé :

Modélisation spécifique au patient: L'un des objectifs du développement de jumeaux numériques pour les soins de santé pourrait être que chaque patient possède son propre modèle de jumeau numérique. Ce modèle combinerait les antécédents médicaux du patient, ses informations génétiques spécifiques, ses facteurs de mode de vie et d'autres données pertinentes. Ce jumeau numérique serait continuellement mis à jour avec des données de santé en temps réel provenant d'appareils personnels (tels que des smartwatches ou des moniteurs de glucose), des résultats de tests médicaux et des changements de mode de vie ou de médicaments. Le jumeau numérique recevrait et intégrerait constamment de nouvelles données. Ensuite, les données seraient analysées fréquemment par des systèmes d'IA pour détecter les changements ou les tendances et utilisées pour fournir des informations actualisées aux prestataires de soins de santé et au patient. Cette surveillance continue garantit que le jumeau numérique reste une représentation précise et actuelle de l'état de santé du patient, ce qui permet des interventions médicales plus opportunes et plus personnalisées si nécessaire.
Simulation d'organisation/de maladie: Des jumeaux numériques peuvent être développés pour des organes ou des maladies spécifiques, par exemple un cœur virtuel, ou même une version numérique d'une tumeur, cette dernière pouvant simuler la façon dont une maladie progresse dans le corps ou prédire le résultat d'un traitement proposé.
Optimisation des dispositifs médicaux: Les jumeaux numériques pourraient simuler des versions virtuelles riches en capteurs d'appareils implantables tels que les stimulateurs cardiaques ou les pompes à insuline, dont les performances pourraient être étudiées dans différentes circonstances. Par exemple, les fabricants pourraient être en mesure de faire fonctionner l'appareil virtuellement afin d'optimiser son rendement.
Analyse prédictive: L'utilisation d'algorithmes d'apprentissage automatique sur les données des jumeaux numériques en temps réel permet de modéliser les risques probables pour la santé, les événements indésirables ou les réactions au traitement afin de lancer des interventions préventives.
Essais cliniques virtuels: Les jumeaux numériques pourraient être soumis à des essais cliniques virtuels pour tester de nouveaux médicaments ou d'autres thérapies, réduisant ainsi l'exposition des patients à de nouveaux composés et tests pharmaceutiques. Les essais cliniques virtuels impliquant de grandes populations de modèles numériques de patients peuvent fournir beaucoup plus d'informations sur les effets d'un traitement ou simuler la variabilité typique d'une population.
Surveillance à distance et télémédecine: Les jumeaux numériques améliorent la surveillance des patients à distance en suivant en permanence l'état du patient. Le modèle numérique est mis à jour en temps réel avec les données des dispositifs portables et d'autres capteurs de santé. Le jumeau numérique peut rapidement identifier les changements inhabituels en comparant les données actuelles à la ligne de base du patient et aux modèles attendus. Les prestataires de soins de santé peuvent être alertés immédiatement lorsque des écarts importants sont détectés, ce qui permet d'agir promptement. Le modèle complet du patient que constitue le jumeau numérique permet un suivi et des plans de traitement plus adaptés.

Les jumeaux numériques peuvent améliorer les résultats pour les patients, le développement pharmaceutique et la conception d'appareils médicaux à l'intérieur et à l'extérieur des hôpitaux. Il y a peu d'inconvénients à avoir une version de toi en haute définition, alimentée par des prédictions, rationalisée et individualisée.

Mais cela soulève de nouvelles questions sur la confidentialité des données, la sécurité et les problèmes d'éthique liés à l'extension des jumeaux numériques dans le domaine de la santé. Comment les informations relatives aux patients seront-elles protégées ? Quelles réglementations régiront l'utilisation des jumeaux numériques ? La figure 4-11 illustre un jumeau numérique.

L'analyse de routine des dossiers de soins intégrés pourrait révéler tous les régimes médicamenteux possibles auxquels le patient pourrait être traité, et pourrait révéler des mises en garde, des contre-indications, des précautions, des interactions ou des considérations relatives à l'efficacité. Les effets secondaires et les résultats pourraient être projetés au niveau personnalisé dans le cadre de différentes interventions thérapeutiques afin d'évaluer les risques et les avantages en fonction du génome de l'individu, des biomarqueurs et d'autres données de réponse antérieures. L'impératif le plus important est que les cliniciens simulent le jumeau numérique, en fait, pour choisir quel type d'intervention sera le plus efficace et quel médicament ou thérapie sera le plus efficace.

Les flux numériques provenant des dispositifs de surveillance des patients à distance utilisant des biocapteurs portables peuvent être automatiquement contrôlés et contextualisés avec des informations cliniques exploitables (par exemple, des signes avant-coureurs d'infection). Si des anomalies dans les tendances sont détectées, le jumeau numérique générera des alertes et des avertissements aux cliniciens pour permettre des interventions et des ajustements de régime de traitement en temps opportun.

Outre sa capacité à intégrer des données provenant de diverses sources, à effectuer des analyses génératives et à fournir des recommandations de haute précision, un jumeau numérique d'un patient alimenté par la LLM constituerait un assistant fiable axé sur les connaissances que les cliniciens peuvent interroger sur le lieu des soins pour obtenir des informations autrement inaccessibles et axées sur les données. Cela permettrait d'améliorer la qualité des décisions cliniques et les résultats pour les patients. Un jumeau piloté par LLM est un outil d'aide à la décision pour les cliniciens les guidant vers des aperçus, des recommandations personnalisées et un suivi continu des patients, ce qui permet d'améliorer la prise de décision clinique et les résultats pour les patients.

Génération de lettres de médecin

Les médecins sont confrontés à une escalade de la paperasserie qui leur fait perdre un temps précieux au détriment des soins directs aux patients. Les lettres concernant les autorisations préalables, les demandes d'invalidité, les besoins de retour au travail et d'autres demandes centralisées s'avèrent administrativement lourdes, étant donné leurs formats non structurés. Les volumes élevés et les modèles rigides multiplient les inefficacités dans les cabinets médicaux. La figure 4-12 illustre un médecin qui utilise l'IA générative pour effectuer ses démarches administratives.

L'une des premières solutions adaptatives de génération de lettres de médecin LLM, connue sous le nom de ScribeMD,³ fonctionne en permettant aux médecins de saisir la lettre verbalement, puis de l'augmenter avec le NLP jusqu'à ce qu'elle devienne une missive professionnelle complète. Les médecins doivent dicter ces points dans un prompt vocal, comme suit : "Cet ancien patient du St. Francis Memorial Hospital nommé Sam Jones..." Et ils poursuivent en énumérant son histoire, à qui la note est destinée, les détails des soins primaires, les exigences de la politique de l'hôpital et les actions recommandées aux soignants, y compris la documentation, l'intubation ou les détails sur les antibiotiques.

ScribeMD, l'outil qui exécute sur ce prompt particulier, connaît les LLM conformes à la loi HIPAA et dissèque ces composants du prompt avant de poursuivre la rédaction d'une lettre. Les médecins modifient les lettres autogénérées si nécessaire avant de signer la correspondance. Souvent, l'automatisation se charge de la création des documents bruts, de la recherche de citations et de la mise en forme normalisée - de l'historique détaillé de la maladie actuelle à la production de notes d'autorisation de retour au travail.

En itérant sur plusieurs cas, Les résultats prédictifs de ScribeMD s'améliorent progressivement au fur et à mesure que le modèle apprend diverses bizarreries stylistiques, des indices sur l'endroit où citer des preuves et le profil structurel des "expressions fixes" spécifiques à ce fournisseur particulier, à cette sous-spécialité et à ce domaine d'activité. Si le système est largement adopté, le corpus d'entraînement utilisé pour le développer et les calibrages continus de rétroaction augmenteront de façon exponentielle, réduisant le temps de rédaction à seulement 30 secondes.

Passer des modèles aux récits adaptables réduit le travail de documentation clinique tout en transmettant des nuances. Les patients bénéficient également de la personnalisation. ScribeMD aide donc les médecins à partager leurs connaissances en matière de soins de manière conversationnelle au lieu de lutter contre les lacunes de forme dans la production de services de santé, évitant ainsi la douleur de la paperasserie perpétuelle.

Équité en matière de santé

L'équité en matière de santé signifie que toutes les personnes (Figure 4-13) ont une opportunité juste et équitable d'atteindre leur meilleur niveau de santé, sans que leur statut social, économique ou démographique n'y fasse obstacle. Cela signifie qu'il n'y a pas de différences évitables, injustes ou remédiables entre ces populations en ce qui concerne leur état de santé général et l'accès aux services de santé.

Les aspects clés de l'équité en matière de santé sont les suivants :

L'égalité d'accès: L'égalité d'accès aux soins de santé signifie que chacun - qu'il soit riche, pauvre, noir, blanc, etc., et quels que soient son âge, son sexe, son genre ou ses capacités physiques - doit avoir accès aux médicaments ou à tout type de soins dont il a besoin, quand il en a besoin.
Déterminants sociaux de la santé: Pour atteindre l'équité en matière de santé,, il faudra tenir compte des facteurs sociaux, économiques et environnementaux qui jouent un rôle direct et indirect dans l'évolution des résultats en matière de santé, au niveau individuel et communautaire, y compris l'éducation, l'emploi, le logement et le transport.
Uniformiser les règles du jeu: L'équité en matière de santé vise à éliminer les disparités dans les résultats de santé qui sont systémiques, évitables et injustes en raison de politiques et de pratiques sociales et économiques spécifiques.
Politiques et programmes: L'équité en matière de santé implique l'élaboration et la mise en œuvre de politiques et de programmes conçus pour répondre aux besoins des communautés marginalisées et vulnérables, en tenant compte de toute inégalité en matière de ressources.
Autonomisation et participation: L'équité en matière de santé implique de renforcer la voix des individus et des communautés pour qu'ils participent aux décisions qui affectent leur santé et leur bien-être.
Compétence culturelle: L'équité en matière de santé exige que les prestataires de soins et les systèmes de santé, institutionnels ou organisationnels, soient compétents pour comprendre et respecter les valeurs, les croyances, les comportements, les pratiques et les cultures des différentes populations.

S'attaquer aux inégalités en matière de santé et parvenir à l'équité en matière de santé est un processus complexe et à long terme qui implique de nombreux secteurs, tant publics que privés, et ce, pour de nombreuses générations. Les systèmes de santé et le reste de la société doivent cesser de se concentrer sur le traitement des maladies à la fin de la vie pour se concentrer sur la prévention des inégalités sociales et des différences de santé plus tôt dans la vie.

Les LLMs peuvent analyser les données sur les déterminants sociaux de la santé (DSS) comme le revenu, le logement et l'éducation afin de prédire les risques potentiels pour la santé de communautés spécifiques. Cela permet aux cliniciens d'effectuer des interventions proactives et d'allouer des ressources pour répondre à ces besoins. Les chatbots ou assistants virtuels génératifs AI/LLM peuvent fournir des informations culturellement sensibles et mettre en relation les individus avec les services sociaux et les ressources de santé appropriés en fonction de leurs SDOH spécifiques.

Ces assistants virtuels d'IA peuvent adapter la communication et l'éducation, en fournissant des informations de santé personnalisées et du matériel éducatif en fonction des besoins individuels et du contexte culturel, ce qui améliore la compréhension et l'accès. Les LLMs peuvent également identifier et signaler les propos potentiellement discriminatoires au sein des dossiers médicaux, des notes des médecins ou des algorithmes, favorisant ainsi des pratiques de soins de santé plus inclusives.

Les cliniciens et les équipes de soins, qui constituent l'épine dorsale du système de santé, ont souvent besoin d'aide pour accomplir de nombreuses tâches, ce qui leur laisse moins de temps pour ce qui compte le plus : leurs patients. Un clinicien virtuel pourrait fournir au médecin des diagnostics personnalisés pour leurs patients. Cela comprend l'analyse des données du patient (antécédents médicaux, rapports de laboratoire, imagerie, etc.) pour identifier des schémas et générer des prompts nuancés pour le médecin, suggérer des diagnostics potentiels et aider à réduire la voie d'investigation.

Autorisation préalable

Les infirmières et les directeurs médicaux doivent se tenir au courant d'un grand nombre de données chaque jour pour prendre une décision sur une demande d'autorisation préalable. Le processus peut être déroutant, fastidieux, chronophage et source d'erreurs. L'autorisation préalable(figure 4-14) peut constituer un problème important dans le système de santé pour plusieurs raisons :

Soins retardés: Les processus d'autorisation préalable peuvent empêcher les patients de recevoir les médicaments, traitements ou procédures nécessaires, car les prestataires doivent attendre l'approbation des compagnies d'assurance avant de procéder. Ces retards peuvent entraîner une aggravation des conditions et de moins bons résultats en matière de santé.
Charge administrative: Le processus d'autorisation préalable est souvent chronophage et lourd sur le plan administratif pour les prestataires de soins de santé. Les médecins et leur personnel passent un temps considérable à remplir des formulaires, à passer des appels téléphoniques et à naviguer dans des systèmes bureaucratiques complexes, ce qui les éloigne des soins directs aux patients.
Augmentation des coûts: Les coûts administratifs associés à l'autorisation préalable peuvent être considérables pour les prestataires de soins de santé et les compagnies d'assurance. De plus, les retards dans les soins peuvent entraîner des interventions plus coûteuses si les conditions s'aggravent faute de traitement en temps voulu.
Interférence avec la prise de décision clinique: Les exigences en matière d'autorisation préalable peuvent interférer avec le jugement clinique d'un prestataire de soins de santé, car les compagnies d'assurance peuvent passer outre les recommandations de traitement d'un médecin en se basant sur le coût ou d'autres facteurs plutôt que sur ce qui est le mieux pour le patient.
La frustration des patients: L'autorisation préalable peut être frustrante et déroutante pour les patients, qui peuvent avoir besoin d'aide pour comprendre pourquoi leur traitement est retardé ou refusé. Cela peut entraîner un mécontentement à l'égard du système de santé et une éventuelle non-observance des plans de traitement.
Inégalités en matière de santé: Les exigences en matière d'autorisation préalable peuvent affecter de manière disproportionnée des populations de patients spécifiques, comme celles qui souffrent de maladies chroniques ou qui ont des besoins complexes en matière de soins de santé, exacerbant ainsi les inégalités existantes en matière de santé.

Bien que l'autorisation préalable ait pour but de réduire les coûts des soins de santé et de s'assurer que les services appropriés sont fournis au bon moment, le fardeau des processus actuels peut entraver la prestation de soins efficaces en temps opportun. Heureusement, un nombre croissant de prestataires de soins de santé, de défenseurs des patients et de décideurs politiques plaident en faveur d'une réforme de l'autorisation préalable dans le but d'alléger la charge administrative, d'améliorer l'efficacité opérationnelle et de permettre aux cliniciens de se concentrer sur ce qui compte le plus : des soins sûrs, efficaces et centrés sur le patient.

L'autorisation préalable assistée par une machine avec un LLM supprime tout cela tout en permettant aux patients d'obtenir les soins dont ils ont besoin, quand ils en ont besoin : le processus d'approbation est accéléré pour les procédures appropriées, tandis que la productivité des cliniciens augmente. Un LLM est capable de reproduire le raisonnement humain, de vérifier les critères cliniques pour presque toutes les situations de soins qu'un assureur a besoin d'envisager, et d'acquérir les données du patient en temps réel si nécessaire, y compris les demandes de remboursement antérieures, les résultats de laboratoire, les prescriptions et les notes cliniques. Le résultat final est un système piloté par la LLM qui émet des décisions en temps réel sur le respect ou non d'un critère de "nécessité de soins" médicaux chaque fois qu'il est appelé à le faire. Il ne reste plus au clinicien qu'à approuver ou à refuser une demande d'autorisation préalable donnée. Dans la plupart des cas, le clinicien peut émettre un mandat d'approbation d'autorisation préalable positif.

L'autorisation préalable LLM assistée par machine permet aux payeurs de prendre de meilleures décisions plus rapidement, ce qui garantit aux patients d'obtenir les services dont ils ont besoin. Au fil du temps, les points douloureux associés aux autorisations préalables s'estompent, ce qui permet aux relations de confiance entre les payeurs, les prestataires et les patients de s'épanouir. Lorsqu'il est appliqué avec l'autorisation préalable LLM assistée par machine, le système de santé peut mieux fonctionner pour tous.

Comme nous l'avons vu précédemment, l'un des principaux problèmes du processus d'autorisation préalable est que les choses doivent être traitées en temps réel. C'est ainsi que cela fonctionne :

Examens manuels: Étant donné que de nombreuses demandes d'autorisation préalable sont encore traitées manuellement par le personnel des compagnies d'assurance, elles peuvent prendre beaucoup de temps et donc retarder le traitement. Comme les décisions ne sont pas prises en temps réel, les patients et les prestataires doivent attendre pour obtenir des décisions, même simples.
Informations incomplètes/incorrectes: Les informations incomplètes/incorrectes qui obligent la compagnie d'assurance à recueillir des informations auprès du prestataire sur le cas ralentissent encore le processus de décision. Dans le traitement en temps réel, ces informations sont détectées d'emblée, ce qui donne aux prestataires la possibilité de les compléter - et même de corriger les erreurs - avant de soumettre la demande de prise en charge la première fois.
Critères non standard: Les règles différentes d'approbation des autorisations préalables selon les compagnies d'assurance et les critères changeants au fil du temps sont difficiles à prendre en compte, les prestataires n'ayant aucune connaissance des derniers détails sans un traitement en temps réel et une base de données centralisée. Une autorisation préalable est une exigence fixée par une compagnie d'assurance qui doit être remplie avant que des services médicaux puissent être fournis.
Manque d'intégration: De nombreux processus d'autorisation préalable pourraient être mieux intégrés aux DSE et autres systèmes informatiques de soins de santé. Les prestataires saisissent généralement les informations dans un portail ou un formulaire distinct, qui est ensuite ajouté au dossier clinique, ce qui augmente la probabilité d'erreurs et de retards.
Frustration des prestataires et des patients: L'absence de traitement en temps réel peut entraîner une frustration importante pour les prestataires et les patients - retard de traitement, augmentation de la charge administrative et incertitude quant aux décisions de couverture.

La mise en œuvre du traitement en temps réel dans l'autorisation préalable pourrait aider à relever ces défis de la façon suivante :

Automatiser les demandes quotidiennes: Pour les demandes de routine ou à faible risque, nous pourrions autoriser les demandes automatiques qui répondent à des critères spécifiques à être approuvées immédiatement.
Fournir un retour d'information instantané: Le traitement en temps réel pourrait donner aux prestataires un retour d'information instantané sur la pertinence et l'exactitude de leurs demandes, ce qui réduirait le besoin de ping-pong papier et d'appels.
Tenir les critères à jour en temps réel: En théorie, le traitement en temps réel pourrait voir les plans de santé mettre continuellement à jour les critères utilisés par les fournisseurs lors des autorisations préalables, de sorte que les rencontres des fournisseurs soient jugées à l'aide d'informations à jour plutôt que d'informations qui pourraient être périmées, ce qui pourrait conduire à un refus.
Faciliter l'intégration: Le traitement des transactions en temps réel pourrait permettre l'intégration entre les systèmes d'autorisation préalable et les DSE, éliminant ainsi la nécessité d'une saisie manuelle des données.

Le traitement en temps réel des autorisations préalables n'est pas facile, mais il peut grandement contribuer à améliorer l'efficacité, la précision et l'immédiateté du processus, ce qui aide en fin de compte les patients, les prestataires et les payeurs. Les LLMs peuvent également améliorer le traitement en temps réel des autorisations préalables⁴ de la façon suivante :

Traitement du langage naturel (NLP): Imagine un LLM qui pourrait donner un sens aux demandes d'autorisation préalable que tu reçois dans un langage libre et non structuré, en les analysant pour y trouver des détails pertinents comme le nom du patient, les codes de diagnostic et les plans de traitement. Cela pourrait rendre le processus plus rapide et notre saisie de données moins fastidieuse.
Analyse intelligente des formulaires: Les LLMs pourraient être formés à reconnaître et à analyser les informations contenues dans les formulaires d'autorisation préalable pour divers contrôles pour différentes compagnies d'assurance automobile, visuelle et dentaire. Cela pourrait permettre aux médecins de soumettre des demandes d'autorisation préalable dans le format de leur choix, tandis que les assureurs pourraient ensuite les traiter automatiquement.
Automatisation des décisions: Les LLMs pourraient être utilisés avec des systèmes basés sur des règles ou des modèles d'apprentissage automatique à des fins d'automatisation de la prise de décision. Par exemple, un LLM pourrait extraire les informations pertinentes d'une demande et les comparer aux directives de décision de l'assureur, avant de prendre une décision en temps réel. Cela pourrait conduire à des gains d'efficacité significatifs dans le traitement des demandes de routine.
Connaissance du contexte: Les LLMs pourraient devenir utiles lors de l'interprétation de la documentation clinique, comme les notes dans le dossier médical ou les justifications cliniques écrites dans les demandes d'autorisation préalable. Dans ce cas, la conscience contextuelle des LLMs pourrait permettre de s'assurer que les nuances de langage ne se perdent pas et que les analyses sont tirées d'une interprétation holistique de ce qui se passe avec le patient.
Communications personnalisées: Les LLMs pourraient créer des communications ou des explications personnalisées sur les décisions d'autorisation préalable des fournisseurs aux patients. Il s'agit par exemple d'expliquer pourquoi une demande a été refusée et comment faire appel ou soumettre à nouveau la demande.
Apprentissage continu: Les LLMs peuvent être formés sur de nouvelles données en continu, ce qui garantit qu'ils répondent à l'évolution des seuils des lignes directrices, des critères et des meilleures pratiques de soins. Cela pourrait leur permettre de réviser les règles d'autorisation préalable de manière flexible, au fur et à mesure que les preuves et les normes changent.

Dans le contexte de l'autorisation préalable, alors que les LLMs ont un potentiel massif dans l'amélioration du traitement en temps réel, il est également évident que cela devrait fonctionner en combinaison avec d'autres technologies telles que les systèmes basés sur des règles, les modèles d'apprentissage automatique/de deep learning, et une intégration robuste des données. Une solution robuste aurait besoin de la confidentialité des données, de la sécurité et de l'explicabilité pour s'assurer que toutes les décisions sont transparentes, justes et conformes aux politiques et réglementations pertinentes.

Résumé

Avec l'accélération des développements dans les LLMs et l'IA générative - des technologies qui promettent de transformer la pratique médicale - nous nous lançons dans un voyage passionnant pour mieux informer, engager et connecter les médecins et les patients. En procédant, nous décrivons plusieurs cas d'utilisation de la promesse émergente pour suggérer comment ces systèmes pourraient fournir des soins améliorés, une meilleure efficacité dans un secteur difficile, et une réponse immédiate à des besoins urgents importants.

Un cas d'utilisation pourrait être celui des concierges de robots de santé qui utiliseraient les LLMs comme outil de paraphrase pour tenter de fournir à un patient conversant avec une machine qui a le semblant d'un compagnon humain. Ce compagnon ferait partie du parcours du patient pour un problème de santé, peut-être à partir du moment du diagnostic. Un compagnon IA pourrait répondre aux questions des patients, leur donner des conseils et les aider à naviguer dans le système de santé d'une manière plus agréable pour le patient. Ce compagnon pourrait fournir les informations nécessaires pour orienter le processus de soins de manière plus coordonnée tout en épargnant au clinicien cette charge clinique.

Dans le secteur de la santé, les flux de travail cliniques peuvent être accélérés par le déploiement de LLMs et de programmes d'IA qui peuvent rationaliser la rédaction de notes et de visites médicales, en accordant plus de temps et en réduisant les erreurs dans l'élaboration d'une documentation clinique structurée. Cela permettrait en retour aux médecins de réserver plus de temps aux soins directs aux patients. Les LLMs pourraient également interroger les données des patients en ligne pour développer des formes améliorées d'aide à la décision clinique qui peuvent stimuler et soutenir la nature factuelle des décisions et des résultats des médecins.

Par exemple, dans le domaine de l'assurance maladie, les LLMs peuvent alimenter des robo-advisors qui pourraient conseiller les patients sur ce qu'il faut rechercher, et recommander, en termes de couverture d'assurance maladie, adaptée aux besoins et aux préférences de chacun, contribuant ainsi à démystifier le monde souvent obscur de l'assurance maladie, qui peut être un obstacle majeur aux soins - et au paiement des soins - pour les patients.

L'IA générative pourrait donc contribuer à minimiser les disparités en matière de santé, à accroître l'équité en matière de santé et à améliorer considérablement les résultats en matière de santé, en particulier dans les populations qui souffrent des deux. Par exemple, les femmes noires ont un taux de morbidité ou de mortalité maternelle plus élevé que les femmes blanches. Grâce à l'IA et aux données à grande échelle, une intervention interprétée par l'IA pourrait être initialement plus spécifique pour elles et leur fournir un meilleur accès à l'éducation et à d'autres ressources. De même, les LLMs peuvent alimenter, par exemple, des programmes d'observance thérapeutique et de promotion de la santé bucco-dentaire afin d'améliorer les résultats sanitaires dans les communautés mal desservies.

Les vérificateurs de symptômes basés sur le LLM pourraient aider les patients à comprendre et à interpréter plus précisément leurs symptômes et à générer des recommandations sur le moment où les tests ou les soins pourraient être appropriés. Étant donné le goulot d'étranglement florissant des connaissances, les vérificateurs de symptômes LLM pourraient être en mesure de produire des évaluations plus précises, plus fiables et plus nuancées que les vérificateurs de symptômes actuellement disponibles, réduisant ainsi les cas de non-utilisation des soins en temps opportun et encourageant une intervention plus précoce en cas de maladie grave.

À titre d'exemple, les LLMs offrent une médecine de proximité aux cliniciens en tant que source faisant autorité pour les questions cliniques fondées sur des données probantes auxquelles on répond à l'aide de la littérature médicale la plus récente. Les bots de connaissance clinique pour les patients peuvent curer, filtrer et élaborer sur les dossiers cliniques et résumer les questions pertinentes posées et les réponses données événement par événement, mais orientées pour des recommandations individualisées. En outre, les jumeaux numériques peuvent émuler le comportement réel des patients en réponse à des interventions nominales dans des conditions variables (comme les protocoles de type médecine de précision).

Les LLMs et l'IA générative peuvent être employés pour la surveillance à distance des patients afin d'interpréter les données des wearables et des smartwatches/systèmes, par exemple. De cette façon, ils peuvent identifier des modèles de prédiction et d'intervention avant même que les patients ne ressentent des symptômes physiques, et ils peuvent envoyer des alertes aux équipes soignantes bien à l'avance pour qu'elles prennent des mesures empêchant un problème potentiel de s'aggraver. Les LLMs et l'IA générative peuvent également être utilisés pour créer des lettres de médecin et des autorisations préalables afin de libérer les cliniciens de tâches administratives fastidieuses qui font partie de la prestation de soins.

Nous avons le devoir moral de protéger la vie privée et la sécurité des patients, et d'opérer une transition vers l'adoption d'une conception et d'une utilisation éthiques des technologies. Afin d'exploiter la capacité générative de l'IA au profit des patients, les développeurs doivent éviter les efforts cloisonnés et favoriser une action coordonnée entre les entités de soins de santé et les développeurs de technologies, ainsi que maintenir une vision commune avec les décideurs politiques.

En conclusion, si l'utilisation des LLMs et de l'IA générative dans divers aspects des soins aux patients est bien utilisée, nous pourrions assister à une multitude de changements dans les futurs modèles de prestation de soins, les rencontres avec les patients et l'optimisation des soins.

¹ Monique Tello, "Prendre ses médicaments comme on est censé le faire : Pourquoi est-ce si difficile ?" Harvard Health Publishing, 10 mai 2017, https://www.health.harvard.edu/blog/taking-medicines-like-youre-supposed-hard-2017051011628.

² Madilyn Mason et al, "Technologies pour le contrôle de l'observance des médicaments et critères d'évaluation technologique : Narrative Review ", JMIR mHealth uHealth 10, no. 3 (mars 2022) : e35157, https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8949687.

³ ScribeMD, consulté le 27 juin 2024, https://www.scribemd.ai.

⁴ Prashant Sharma, " LLM dans les soins de santé : The Prior Authorization Opportunity ", Medium, 14 août 2023, https://medium.com/@prashant05kumar/llm-in-health-care-the-prior-authorization-opportunity-7e72b6058301.

Get Les LLM et l'IA générative au service de la santé now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Les LLM et l'IA générative au service de la santé by Kerrie Holley, Manish Mathur

Chapitre 4. LLM et le potentiel de l'IA générative pour les patients et la clinique.

Expérience des patients

Concierge Bot Santé

Figure 4-1. Le bot concierge de la santé

Notes et visites chez le médecin

Figure 4-2. Comprendre les notes des médecins

Assistant de plan de santé

Figure 4-3. Assistant de navigation du plan de santé

Santé maternelle chez les Noirs

Figure 4-4. Future mère brune

Rappel de médicaments

Figure 4-5. Rappels de médicaments

Santé bucco-dentaire

Figure 4-6. Santé bucco-dentaire

Vérificateur de symptômes

Figure 4-7. Vérificateur de symptômes

Aide à la décision clinique

Clinical Insight Bot

Figure 4-8. Médecin en conversation avec un chatbot d'informations cliniques alimenté par l'IA.

AI Curbside Physician

Figure 4-9. Médecin de bord

Surveillance à distance des patients

Figure 4-10. Surveillance à distance des patients assurée par l'appli LLM.

Jumeau numérique

Figure 4-11. Jumeau numérique

Génération de lettres de médecin

Figure 4-12. Médecin utilisant l'IA générative pour créer des lettres, des formulaires et des courriels.

Équité en matière de santé

Figure 4-13. L'équité en matière de santé pour tous

Autorisation préalable

Figure 4-14. Rationaliser les autorisations préalables grâce aux LLMs

Résumé

Don’t leave empty-handed

It’s yours, free.

Check it out now on O’Reilly