Le système de santé Mercy adopte une approche pragmatique de l’intelligence artificielle (IA), ancrant ses initiatives dans les objectifs stratégiques plutôt que dans les prouesses technologiques. Kerry Bommarito, PhD, vice-présidente de l’IA d’entreprise et de l’intelligence décisionnelle chez Mercy, souligne que la réussite dépend de la compréhension des défis opérationnels, de la qualité des données et d’une gouvernance rigoureuse.
« L’IA ne peut pas tout résoudre. Évidemment, elle peut faire beaucoup de choses. Mais elle ne peut pas faire beaucoup de choses », rappelle Kerry Bommarito, PhD, vice-présidente de l’IA d’entreprise et de l’intelligence décisionnelle chez Mercy. Cette déclaration résume l’approche pragmatique du système de santé Mercy en matière d’intelligence artificielle. Selon Mme Bommarito, le déploiement réussi de l’IA commence par une stratégie d’entreprise claire, et non par l’adoption précipitée d’outils prometteurs.
La démarche de Mercy s’articule autour des objectifs organisationnels. Chaque année, la direction définit cinq objectifs clés (OKR) pour l’ensemble du système. Ces objectifs dictent ensuite les priorités technologiques. Mme Bommarito est notamment impliquée dans un OKR visant à optimiser le cycle de revenus par l’automatisation et l’IA. Les premières cibles portent sur des processus administratifs comme la gestion des refus de paiement, des autorisations préalables et des transferts de patients, couvrant le parcours de l’approbation des tests jusqu’à la facturation. L’objectif est de soulager le personnel de tâches répétitives tout en améliorant l’expérience patient.
« La définition du périmètre commence par les problèmes, et non par les plates-formes : définissez l’objectif opérationnel, puis évaluez si l’analyse, la standardisation des flux de travail, la création d’un DME [Dossier Médical Électronique] ou l’IA sont le bon levier », explique Kerry Bommarito. Cette discipline permet d’éviter la dispersion des ressources sur des projets pilotes inadaptés et de concentrer les efforts d’ingénierie sur des gains tangibles. L’approche de Mercy reconnaît également que certains problèmes, même solubles, peuvent être mieux gérés par des partenariats avec des fournisseurs externes, en tenant compte du délai de rentabilité et de la maintenabilité des solutions.
La qualité des données est un préalable essentiel au succès des solutions d’IA. Mme Bommarito insiste sur l’importance des fondamentaux : une saisie cohérente dans le DME, des terminologies standardisées et une uniformité des processus. « Les mises en œuvre des fournisseurs échouent lorsque les spécifications de données supposées entrent en collision avec les réalités spécifiques au site », constate-t-elle. Mercy veille donc à tester ces hypothèses en amont et à s’assurer de la conformité aux propres normes de collecte et de gouvernance des données. Pour ce faire, des informaticiens et des responsables opérationnels sont associés aux ingénieurs dès la phase de découverte, afin d’analyser comment les modèles de documentation et les chemins d’exception influencent les données d’entrée et de sortie des modèles d’IA.
La gouvernance de l’IA est traitée comme une fonction distincte. Chez Mercy, le bureau des données et de l’IA ainsi que la gouvernance de l’IA opèrent en dehors de la structure informatique principale. Des examinateurs dédiés analysent les fiches techniques des fournisseurs et s’assurent de la conformité aux pratiques d’IA responsable. De plus, Mercy intègre des clauses contractuelles imposant aux fournisseurs de notifier toute nouvelle fonctionnalité intégrant de l’IA, afin de permettre une période d’évaluation avant sa mise en service. « Je pense que la gouvernance de l’IA, selon la manière dont une organisation est structurée, devrait être un processus autonome », affirme Mme Bommarito. L’objectif n’est pas de freiner les innovations, mais de synchroniser les contrôles de l’IA avec les processus de sécurité et de gestion des modifications informatiques, garantissant ainsi transparence et clarté sur les usages prévus et imprévus.
En matière de réglementation, de risque et de présence humaine, Mercy établit une ligne claire concernant la sécurité clinique. Toute fonctionnalité susceptible d’être qualifiée de dispositif médical fait l’objet d’une analyse des implications auprès de la FDA. L’utilisation de grands modèles de langage (LLM) dans des contextes cliniques requiert la supervision d’un professionnel de santé. La formation des cliniciens est primordiale : ils doivent comprendre les capacités et les limites des outils, le raisonnement derrière leurs recommandations et les risques associés. « C’est toujours votre responsabilité parce que c’est vous qui utilisez l’outil », souligne Mme Bommarito, rappelant que les systèmes de santé doivent valider leur posture de gouvernance, même lorsque les fournisseurs affirment que leurs produits ne sont pas des dispositifs réglementés.
Les projets pilotes sont conçus pour être évolutifs. Chez Mercy, le terme « pilote » désigne une phase de test technique en vue d’une industrialisation, et non une opération ponctuelle. Les développements internes sont structurés comme des plateformes, utilisant des microservices et des agents réutilisables. Ainsi, une preuve de concept réussie dans un service peut être rapidement étendue à d’autres, évitant ainsi la création de code « jetable » et accélérant la mise à l’échelle lorsque la valeur est démontrée. Pour les projets pilotes menés avec des fournisseurs, Mme Bommarito recommande une budgétisation réaliste. L’infrastructure informatique nécessaire à un essai limité est souvent comparable à celle d’une mise en œuvre complète, surtout dans un environnement à DME unique. La définition claire des ressources dès le départ permet d’éviter les expérimentations approximatives et de maintenir des étapes de décision concrètes.
Mesurer l’impact réel est une étape clé. Mercy recommande de définir dès le départ des indicateurs de valeur (financiers, opérationnels ou liés à l’expérience) et de rester adaptable face aux réalités. Certains bénéfices, comme la réduction de la charge administrative, sont qualitatifs. D’autres, tels que la prévention des refus ou la réduction des délais d’autorisation préalable, se prêtent à des mesures quantitatives avant et après la mise en œuvre. Mme Bommarito suggère également de reformuler les demandes de solutions en se concentrant sur le problème sous-jacent : parfois, la meilleure approche consiste à prévenir le problème en amont plutôt qu’à optimiser une solution corrective en aval. C’est dans cette optique que la collaboration étroite entre l’informatique, les opérations et l’ingénierie porte ses fruits grâce à une itération rapide et un retour d’information continu.
En conclusion, Mercy met l’accent sur plusieurs principes pour une intégration réussie de l’IA : ancrer les investissements dans les OKR de l’entreprise, tester rigoureusement les spécifications des fournisseurs par rapport aux réalités opérationnelles, dissocier la gouvernance de l’IA de la gestion des changements informatiques tout en assurant leur synchronisation, et intégrer des clauses contractuelles spécifiques pour l’ajout d’IA dans les produits existants. Les « pilotes » internes doivent être conçus comme des plateformes évolutives, et les pilotes fournisseurs doivent être budgétisés comme des déploiements complets. La mesure des bénéfices, qu’ils soient quantitatifs ou qualitatifs, doit être définie dès le départ, en privilégiant la prévention des problèmes. La vigilance concernant la présence humaine dans l’usage clinique des LLM et l’éducation des utilisateurs sont également cruciales.
« Nous devons faire preuve d’humilité quant à ce que l’IA peut réellement faire et ce qu’elle ne peut pas faire », conclut Mme Bommarito, soulignant l’importance de cette approche mesurée dans un domaine en constante évolution.