Comment l’IA transforme la détection des fractures dans les rapports cliniques : les enseignements d’ANA Healthcare
(Read this article in english)
Dans le domaine de la santé, chaque seconde compte. Qu’il s’agisse de diagnostiquer une fracture ou de fournir un plan de traitement, la rapidité et la précision des analyses peuvent faire toute la différence. Récemment, ANA Healthcare, en collaboration avec Collective Minds Radiology, a mené un projet pilote ambitieux visant à utiliser des modèles d’IA avancés, basés sur le traitement du langage naturel (ou LLM, pour Large Language Models), afin de détecter les fractures dans les rapports cliniques. Les résultats de ce projet nous donnent un aperçu précieux sur la manière dont l’IA peut être intégrée efficacement dans des contextes réels.
Des promesses concrètes de l’IA en santé
L’utilisation de l’IA dans ce projet a démontré une capacité impressionnante à analyser automatiquement de vastes volumes de rapports cliniques pour y détecter des fractures. Cela signifie un gain de temps considérable pour les professionnels de santé et une meilleure gestion des patients. Toutefois, au-delà des résultats bruts, ce projet a mis en lumière un aspect essentiel que de nombreuses entreprises négligent encore : pour réellement évaluer la performance de ces technologies, il est crucial de tester leur efficacité sur des données réelles et locales.
Pourquoi les données locales sont-elles si importantes ?
Les modèles d’IA, même les plus avancés, ne peuvent pas toujours généraliser leurs performances sur des contextes différents de ceux pour lesquels ils ont été initialement entraînés. Les rapports cliniques, par exemple, varient selon les langues, les pratiques locales et même le style des médecins qui les rédigent. Tester un modèle sur des données génériques, issues d’un autre système de santé, peut fausser les résultats.
Dans ce projet pilote, l’utilisation de données locales a permis d’identifier des ajustements nécessaires pour adapter le modèle d’IA aux spécificités des rapports utilisés dans les établissements participants. Cette approche garantit que les outils sont non seulement performants mais aussi pertinents pour les professionnels qui les utilisent au quotidien.
L’automatisation au service de la performance
Un autre enseignement clé de ce projet est la nécessité d’automatiser les étapes d’évaluation de la performance des IA. Trop souvent, ces tâches sont encore réalisées manuellement, ce qui demande un investissement en temps et en ressources important, tout en augmentant le risque d’erreurs humaines.
“Avec l’introduction de l’IA dans les parcours cliniques, la validation et le suivi des nouvelles capacités sur des données locales deviennent primordiaux pour garantir et améliorer la qualité, et donc les résultats pour les patients. Ce travail s’avère incroyablement chronophage lorsque la classification de la vérité terrain sur des milliers de rapports doit être réalisée à plusieurs reprises, ce qui prive les radiologues d’un temps précieux qu’ils pourraient consacrer à leur pratique clinique. Avec l’introduction des modèles de langage (LLMs), une grande partie de ce travail peut être transférée à des algorithmes d’IA, permettant ainsi aux médecins de se consacrer à leurs patients plutôt qu’à la classification rétrospective des rapports” déclare Pär Kragsterman, CTO et cofondateur de Collective Minds, une plateforme collaborative d’imagerie médicale dédiée à la collaboration clinique, à l’éducation et à la recherche.
ANA Healthcare a montré qu’automatiser ces processus est non seulement faisable, mais également essentiel pour des projets à grande échelle. En automatisant la collecte, l’annotation et l’analyse des données, les entreprises peuvent non seulement gagner du temps en permettant aux équipes médicales de se concentrer sur leurs patients, tandis que l’IA fait le gros du travail, mais également assurer une certaine précision. De fait, les systèmes automatisés éliminent les biais et les erreurs associés au travail manuel. Enfin, les modèles pouvant être mis à jour et optimisés rapidement en fonction des résultats obtenus sur les données locales, l’amélioration continue se voit favorisée.
Un futur prometteur pour la radiologie
En conclusion, ce projet pilote montre que l’IA a le potentiel de transformer profondément la façon dont les fractures (et d’autres pathologies) sont détectées dans les rapports cliniques. Cependant, pour que cette transformation soit réellement efficace, il est indispensable de :
- Tester ces outils sur des données réelles et locales.
- Automatiser autant que possible les étapes nécessaires à leur évaluation et à leur déploiement.
“Chez ANA Healthcare, notre mission est d’offrir aux cliniciens des outils de pointe qui rationalisent les processus et améliorent les résultats pour les patients. Ce projet pilote avec Collective Minds témoigne de la manière dont l’IA, lorsqu’elle est combinée à des données locales et à l’automatisation, peut révolutionner la radiologie et apporter une réelle valeur aux professionnels de santé et à leurs patients” déclare Kai Hashimoto, CEO et cofondateur de ANA Healthcare.
Les initiatives comme celles d’ANA Healthcare ouvrent la voie à une adoption plus large de l’IA dans le secteur de la santé, tout en garantissant qu’elle répond aux besoins réels des praticiens et de leurs patients.
