LLMS dans les soins de santé: une voie mesurée à l’impact

Ce qui suit est un article invité de Julien Dubuis, directeur commercial à Nym

L’excitation entourant les modèles de grands langues (LLM) et l’IA générative dans les soins de santé est palpable. Les prédictions abondent, annonçant une nouvelle ère où ces technologies remodèlent les soins aux patients, les processus administratifs et la recherche médicale. Pourtant, tout comme les premiers jours de l’IA dans d’autres secteurs, l’étreinte des LLM de Healthcare a déclenché une vague initiale de surestimation. Bien que leur potentiel transformateur soit immense, le voyage vers la réalisation sera long, nécessitant à la fois une maturation technologique et une adaptation spécifique au secteur.

L’opportunité de 1 billion de dollars

McKinsey estime que l’IA générative, y compris les LLM, pourrait débloquer jusqu’à 1 billion de dollars de valeur pour le secteur des soins de santé. Cette valeur pourrait se manifester à bien des égards, de l’amélioration des résultats cliniques et de la réduction des inefficacités opérationnelles pour rationaliser les tâches administratives. Les soins de santé, cependant, sont différents de la finance ou du commerce de détail, où l’adoption de l’IA a rapidement progressé. C’est un champ où une seule erreur peut avoir des conséquences sur la vie ou la mort. De plus, la sécurité des patients, la vie privée et les considérations éthiques présentent des défis importants pour l’intégration d’IA sans couture.

La diversité de Healthcare ajoute d’autres défis. Chaque discipline a des flux de travail, des structures de données et des réglementations uniques. De nombreux LLM ont été formés et affinés sur les données cliniques, chacune avec son propre tableau de bord de performance. Certains sont mieux adaptés à des tâches de santé spécifiques, comme aider à la découverte de médicaments, tandis que d’autres excellent dans l’automatisation de la communication des patients ou de l’interprétation d’images médicales. Le développement de systèmes d’IA qui répondent efficacement à ce large éventail de besoins nécessite une compréhension approfondie des subtilités de chaque sous-secteur. Dans ce paysage, une solution de «taille unique» n’existe tout simplement pas.

Victoires précoces en efficacité administrative

Malgré ces obstacles, les LLM commencent à se tailler des rôles significatifs, en particulier dans l’administration des soins de santé. Le traitement des réclamations d’assurance, la correspondance des patients et les tâches de facturation consomment souvent des ressources précieuses qui pourraient être mieux dépensées pour les soins aux patients. La réduction de ces charges administratives est l’endroit où les LLM peuvent briller.

Un exemple particulièrement frappant de l’impact des LLMS est dans gribouillage ambiant. Les LLM peuvent désormais produire des notes cliniques détaillées et structurées en écoutant des interactions doctorales, ce qui réduit considérablement le temps que les cliniciens passent pour la prise de notes. Bien que le retour sur investissement et l’impact à long terme soient encore entièrement prouvés, cette innovation dans la documentation clinique est prometteuse dans l’amélioration de la satisfaction des prestataires et potentiellement à la réduction de l’épuisement professionnel, permettant aux cliniciens de se concentrer davantage sur les soins aux patients et de consacrer moins de temps aux tâches administratives.

Dans le codage médical, les LLM ont montré un potentiel, mais, comme mis en évidence dans Nejm quiLes LLM standard ne sont pas une «solution miracle». NYM adopte une approche plus sur mesure en utilisant sélectivement les LLM pour des tâches spécifiques, telles que l’analyse de la documentation et la réalisation de la reconnaissance des entités nommées (NER), un processus qui identifie les termes médicaux dans le texte. Nym Fine Tunes Clinical LLMS s’est formé sur la littérature biomédicale pour exceller dans des tâches comme la négation, la temporalité et la subjectivité, garantissant une précision plus élevée. Moteur de codage de Nym Applique ensuite un système basé sur des règles ancré dans les directives de codage établies de l’American College of Emergency Physicians (ACEP), de l’American Academy of Professional Coders (AAPC) et des procédures opérationnelles de santé Scripps (SOPS) pour attribuer des codes de facturation. Ce processus se produit en quelques secondes et avec une intervention humaine nulle, en offrant une précision de plus de 95%, en rationalisant des flux de travail, en réduisant efficacement les erreurs et en récupérant efficacement les revenus.

Les payeurs adoptent également des processus axés sur la LLM pour améliorer l’arbitrage des réclamations, rationalisant davantage l’écosystème global de facturation. Ce type d’automatisation peut économiser du temps et de l’argent, permettant aux prestataires de soins de santé de se concentrer davantage sur leur mission principale: dispenser les soins.

De plus, les LLM sont prometteuses dans l’automatisation des tâches répétitives telles que rédaction des lettres d’appel pour les réclamations d’assurance. Actuellement, les hôpitaux et les cliniques investissent des ressources importantes dans les réclamations démenties, un processus qui implique souvent de collecter manuellement des dossiers médicaux, de résumer les justifications cliniques et de rédiger des réponses complètes. En utilisant des LLM pour générer des ébauches initiales de ces lettres, les organisations de soins de santé peuvent gagner du temps, réduire les erreurs et potentiellement récupérer davantage en remboursements, améliorer leur efficacité opérationnelle.

Un autre domaine montrant les progrès est la planification des rendez-vous. Les LLM peuvent aider à gérer les demandes de rendez-vous et les annulations, à rationaliser la communication entre les patients et les prestataires. En automatisant ces interactions, les établissements de santé réduisent la tension administrative et améliorent l’expérience du patient avec des temps de réponse plus rapides.

Soins essentiels: progrès dans les diagnostics et la sécurité

Alors que les applications administratives de LLMS gagnent du terrain, leur déploiement dans les soins cliniques directs progresse plus prudemment. Cela dit, des progrès sont en cours dans les domaines où la technologie sert de complément à l’expertise humaine, offrant des outils pour améliorer la précision et la vitesse, sans remplacer les décideurs critiques.

La pathologie est un domaine où les LLM s’avèrent utiles. Traditionnellement, les pathologistes examinent manuellement les diapositives d’échantillons de tissus pour diagnostiquer des conditions comme le cancer – un processus qui prend du temps et sensible à l’erreur humaine. Dans une étude publiée dans Le lancetLes LLM ont été formées pour analyser les images médicales, signalant des anomalies qui peuvent être manquées même par les pathologistes les plus expérimentés. Le LLM ne remplace pas le spécialiste, mais fournit un deuxième ensemble de «yeux». Cela permet aux pathologistes de concentrer leur attention sur les cas les plus critiques, d’accélérer le processus de diagnostic et d’améliorer la précision globale de la détection des maladies, en particulier dans les zones à volume élevé où l’erreur humaine est un risque.

Une autre application émergente est dans la détection des erreurs de pharmacie. Les erreurs de médicaments, telles que des doses incorrectes ou des interactions médicamenteuses dangereuses, sont une cause principale de préjudice évitable dans les soins de santé. Selon une étude en 2024 dans Médecine de la natureLes LLM sont utilisées pour examiner les ordres de prescription pour des erreurs potentielles, telles que les contre-indications ou les doses excessives, avant que le médicament ne soit distribué. En signalant ces erreurs en temps réel, les LLM peuvent aider à réduire l’incidence des événements indésirables des médicaments et à améliorer la sécurité des patients.

Le défi de l’ajustement du marché du produit

Malgré les premiers succès, les LLM n’ont pas encore fourni les transformations radicales que certains ont prévues. La réalisation de l’adaptation du marché du produit dans cet espace reste un défi important. L’un des principaux obstacles est de s’attaquer à la longue queue des cas d’utilisation des soins de santé – ces scénarios à basse fréquence et à haute complexité qui nécessitent des connaissances spécialisées et une manipulation nuancée. S’il est possible de créer des solutions qui abordent efficacement 30 à 50% des cas plus courants, la longue queue présente un problème unique. Comme Benoît Evans souligne que de nombreuses technologies d’IA fonctionnent initialement bien dans des applications étroites mais luttent lors de la mise à l’échelle de cas d’utilisation plus complexes et réels. Dans les soins de santé, où les enjeux sont élevés, l’adaptation des LLM pour gérer ce large éventail de scénarios exige des tests approfondis, du réglage fin et une collaboration entre les disciplines.

La conformité réglementaire complique encore l’adoption. Les technologies qui interagissent avec les données des patients doivent respecter des lois strictes sur la confidentialité et la sécurité, telles que la HIPAA aux États-Unis, il est également nécessaire d’atténuer les biais algorithmiques, ce qui pourrait exacerber les disparités de santé. La réalisation d’un véritable ajustement du marché du marché nécessitera non seulement l’innovation technique, mais aussi l’alignement avec les prestataires de soins de santé, les développeurs de technologies et les organismes de réglementation.

Construire un avenir durable pour les LLM dans les soins de santé

Bien que la voie d’une adoption généralisée puisse être lente, le potentiel à long terme des LLM dans les soins de santé est immense. À mesure que la technologie mûrit, elle pourrait faire partie intégrante de domaines tels que la médecine personnalisée, l’analyse prédictive et l’engagement des patients, transformant fondamentalement la façon dont les soins sont dispensés.

Pour réaliser ce potentiel, les parties prenantes doivent se concentrer sur la sécurité des patients, la transparence éthique et la promotion de la collaboration à travers l’écosystème des soins de santé. La promesse de LLMS ne réside pas dans le remplacement de l’expertise humaine mais dans l’augmentation, créant un système de santé plus efficace et précis, tout en protégeant la confiance et le bien-être.

À propos de Julien Dubuis

Julien Dubuis est directeur commercial (CCO) chez NYM, où il mène les équipes de vente et de marketing à stimuler la croissance commerciale. Avant Nym, Julien a été vice-président des ventes chez Clarifier Health et chef de projet au Boston Consulting Group (BCG), où il s’est concentré sur l’intersection de la technologie et des sciences de la vie. Il est titulaire d’un doctorat en physique de l’Université de Princeton et d’un BSC en physique de l’Ecole Normale Superieure en France.