L’intelligence artificielle (IA) révolutionne la gestion des risques dans le secteur de la santé, offrant des gains d’efficacité considérables. Cependant, son déploiement sans garde-fous adéquats peut entraîner des erreurs coûteuses et des biais préjudiciables. Comment les organisations de soins gérés peuvent-elles exploiter le potentiel de l’IA tout en garantissant son intégrité et sa défendabilité ? La réponse réside dans la mise en place de cadres de contrôle robustes, inspirés des secteurs à haut risque comme l’aviation.
Arun Hampapur, co-fondateur et PDG de Bloom Value, plaide pour une approche structurée, axée sur deux piliers fondamentaux : l’exactitude et la traçabilité.
Pilier 1 : L’impératif de l’exactitude et de la précision
Dans le domaine de l’ajustement des risques, l’exactitude n’est pas une option, mais une nécessité absolue. Un codage erroné peut avoir des conséquences graves, allant de répercussions sur les remboursements à des risques juridiques, en passant par des dossiers patients compromis. L’objectif est d’éliminer pro activement les erreurs évitables.
Pour y parvenir, plusieurs mesures essentielles doivent être intégrées :
- Supervision humaine et validation par des experts : Si les outils d’IA peuvent accélérer le processus de codage, ils manquent de la compréhension clinique nuancée des professionnels expérimentés. Une étude de 2025 a montré que les codeurs utilisant l’IA étaient 46 % plus rapides pour remplir des notes cliniques complexes. Néanmoins, chaque code suggéré par l’IA doit impérativement être validé par un expert en codage clinique avant soumission. L’intégration de l’interface de validation directement dans la plateforme de codage fluidifie ce processus.
- Ancrage des suggestions d’IA dans la documentation clinique : Pour garantir la défendabilité, chaque indicateur doit être systématiquement lié à des enregistrements explicites et horodatés, excluant tout codage non étayé. L’IA doit confirmer automatiquement la présence des documents justificatifs pertinents (par exemple, descripteurs CIM-10 ou valeurs de diagnostic) avant de proposer une suggestion pour examen. Ce mécanisme, sous la responsabilité d’un responsable de la conformité du codage ou d’un spécialiste CDI, protège contre les risques de non-conformité et renforce la confiance des prestataires de soins.
- Feedback des cliniciens comme moteur d’apprentissage : Il est crucial de mettre en place des mécanismes permettant aux prestataires de partager des retours structurés (notes, commentaires) sur chaque suggestion d’IA. Ces informations alimentent directement le réentraînement des modèles. Une supervision régulière par un responsable de l’informatique clinique ou un médecin conseiller, capable de traduire ces retours en données exploitables, assure l’adaptation de l’IA aux normes de codage et aux réalités du terrain.
- Prévention du surcodage, de la fraude et des abus : Sans contrôles adéquats, l’IA peut involontairement favoriser un codage excessif. Des enquêtes récentes du ministère de la Justice ont mis en évidence des diagnostics non étayés gonflant les scores de risque et entraînant des millions d’euros de trop-perçus dans les programmes Medicare Advantage. Des garanties de conformité robustes doivent signaler les diagnostics à haut risque, imposer des examens de second niveau et s’aligner sur les règles d’intégrité du programme CMS, sous la surveillance d’un agent d’intégrité du codage ou d’une liaison de l’Unité des Enquêtes Spéciales (UES).
Pilier 2 : Traçabilité et responsabilité
À l’instar des « boîtes noires » dans l’aviation, qui permettent de reconstituer les événements après un incident, les méthodes employées dans l’ajustement des risques Medicare doivent être explicables, révisables et défendables. Cette transparence est la clé de la confiance et de l’amélioration continue.
Les principaux garde-fous pour assurer cette traçabilité et responsabilité incluent :
- Décisions traçables avec une logique transparente : Les auditeurs ont besoin de comprendre le raisonnement derrière chaque code soumis. L’opacité est un frein majeur. Une étude de 2025 a révélé que les cliniciens font davantage confiance à l’IA lorsqu’elle fournit des explications claires et des liens vers des données cliniques spécifiques. L’utilisation de techniques d’IA explicables, telles que la mise en évidence des points de données pertinents ou l’affichage de scores de confiance, permet aux évaluateurs de retracer les décisions et de renforcer la confiance.
- Maintien de l’équité grâce à la surveillance éthique et des biais : L’IA peut involontairement perpétuer les inégalités. Une revue systématique de 2023 a identifié six types de biais courants dans les modèles d’IA formés sur des données médicales. Des audits d’équité structurés doivent surveiller les disparités liées à la race, au sexe, à l’âge et à la géographie, avec des ajustements si nécessaire. La surveillance des examens biaisés et des mises à jour des politiques devrait incomber à un responsable de l’éthique de l’IA ou à un comité de gouvernance interfonctionnel.
- Contrôle de version et documentation complète pour une traçabilité exhaustive : Les modèles d’IA doivent être traités comme des logiciels d’entreprise : rigoureusement contrôlés en version, horodatés et entièrement documentés. Il est essentiel de maintenir une base de connaissances centralisée capturant la configuration du modèle, les instantanés des données d’entraînement, les protocoles de validation et la justification des modifications. La responsabilité de ce processus incombe à un responsable désigné de la conformité et de la gouvernance, tel qu’un architecte de plateforme ou un gestionnaire du cycle de vie de l’IA.
- Préparation continue aux audits : La préparation aux audits doit être un processus continu, et non une course de dernière minute. Les équipes de conformité doivent surveiller les journaux d’audit en temps réel, s’assurer que chaque suggestion de code et étape de validation est enregistrée, et utiliser des tableaux de bord pour détecter les anomalies. Un responsable de la conformité ou de l’audit interne devrait superviser ces processus et les alertes générées.
En conclusion, si l’IA offre un potentiel immense pour optimiser l’identification des cas suspects, la découverte d’opportunités cachées et l’amélioration des revenus dans le cadre de l’ajustement des risques Medicare, son déploiement sans garde-fous appropriés peut se révéler contre-productif. En ancrant la stratégie d’IA dans ces principes de contrôle, les organisations de santé bâtissent un système non seulement plus rapide et plus intelligent, mais surtout défendable par conception.