La révolution de l’intelligence artificielle transforme profondément le secteur médical. Pourtant, de nombreuses organisations peinent à instaurer des structures de gouvernance robustes. Cette dichotomie soulève des questions cruciales sur la viabilité des stratégies actuelles.
L’enthousiasme autour de l’IA dans les soins de santé est palpable, mais sa mise à l’échelle révèle des défis complexes. Selon un récent rapport de Nordic Consulting, seulement 15 % des leaders de 127 institutions médicales disposent d’une infrastructure évolutive. La gouvernance de l’IA est souvent perçue comme maîtrisée, avec 70 % des dirigeants exprimant une certaine confiance. Cependant, l’infrastructure nécessaire pour soutenir une utilisation soutenue reste insuffisante.

Kevin Erdal, vice-président principal des services de transformation et d’innovation chez Nordic, souligne que la véritable échelle nécessite une compréhension approfondie de la durabilité. De nombreuses organisations sous-estiment les besoins en gestion continue des modèles d’IA, particulièrement pour les outils personnalisés exigeant des ressources informatiques élevées. La préparation des données est également un élément clé pour le succès de l’IA, avec de nombreux répondants citant le manque d’infrastructure pour accéder et traiter les données éparpillées comme une barrière majeure.

Erdal explique que disposer des données stockées n’est qu’un premier pas ; l’interopérabilité pour extraire et traiter ces données à travers divers systèmes institutionnels est tout aussi crucial. « Ce n’est pas seulement une question de stockage, mais aussi de capacité à traiter les données », affirme-t-il. Sur le marché, les nouveaux outils d’IA peuvent être séduisants, mais ce sont les éléments fondamentaux, comme la gestion des données et l’infrastructure informatique, qui mènent aux vraies réussites.

Il met également en garde contre la surestimation de la préparation à l’IA, souvent alimentée par la disponibilité abondante de modèles fournis par les vendeurs. Une véritable préparation inclut non seulement la gouvernance et l’infrastructure, mais aussi la gestion du changement. « Activer un modèle n’est que la première étape ; il faut une gouvernance globale pour intégrer les utilisateurs opérationnels dans le processus », précise Erdal.

Le processus de gestion du changement est fréquemment négligé, avec des organisations qui échouent à expliquer clairement l’objectif global de la technologie aux utilisateurs finaux. Par exemple, si un hôpital déploie un modèle d’IA pour prédire les absences, il doit communiquer son plan d’action basé sur ces prédictions. À mesure que l’adoption de l’IA évolue dans le domaine de la santé, le succès dépendra moins des démonstrations spectaculaires et plus du travail essentiel et moins glamour comme la gestion des données et l’infrastructure informatique.

Les leaders en santé face au défi de l’intelligence artificielle

Dans le secteur de la santé, l’intelligence artificielle (IA) est perçue comme une révolution capable de transformer les pratiques médicales et d’améliorer les soins aux patients. Cependant, une nouvelle étude menée par Nordic Consulting révèle un fossé significatif entre la confiance des leaders en santé dans l’IA et leur capacité réelle à l’amplifier.

Quel est le niveau de confiance des leaders en santé dans l’IA?

Selon le rapport de Nordic Consulting, basé sur une enquête auprès de 127 dirigeants travaillant principalement dans des hôpitaux et des cliniques, 70% des leaders se déclarent au moins quelque peu confiants dans les cadres de gouvernance de l’IA de leur organisation. Cette confiance reflète une reconnaissance générale des avantages potentiels de l’IA dans l’amélioration des diagnostics, la gestion des dossiers médicaux et l’optimisation des ressources hospitalières.

Néanmoins, cette confiance semble être en décalage avec la réalité opérationnelle. Seules 15% des organisations interrogées disposent d’une infrastructure évolutive permettant de déployer l’IA à grande échelle. Ce déséquilibre met en lumière une lacune structurelle majeure qui pourrait entraver l’adoption complète de l’IA dans le secteur de la santé.

Cette situation est illustrée par les propos de Kevin Erdal, vice-président senior des services de transformation et d’innovation chez Nordic Consulting, qui souligne la complexité du déploiement à grande échelle de l’IA dans les établissements de santé. « Bien que l’enthousiasme pour l’IA soit considérable, l’expansion à travers une entreprise de santé s’avère être un processus incroyablement complexe, » explique-t-il.

Quels sont les principaux défis pour amplifier l’IA en santé?

Le principal défi réside dans la capacité des organisations à définir ce que signifie réellement « amplifier » l’IA en termes d’utilisation soutenue. Beaucoup d’organisations sous-estiment les besoins continus en gestion des modèles d’IA, en particulier les outils personnalisés qui consomment des ressources informatiques élevées. Cette sous-estimation conduit souvent à des échecs dans la pérennisation des projets d’IA.

Un autre obstacle majeur est la préparation des données. De nombreux répondants à l’enquête ont cité le manque d’infrastructure pour accéder et traiter les données provenant de systèmes disparates comme une barrière significative à la scalabilité de l’IA. Erdal souligne que « il peut y avoir des scénarios où les données sont déjà disponibles ou stockées, mais l’interopérabilité nécessaire pour accéder aux données pertinentes des différents systèmes de l’institution n’est pas assurée. »

Cette fragmentation des données complique non seulement le stockage mais aussi le traitement des données, éléments essentiels pour le bon fonctionnement des applications d’IA. Par conséquent, sans une gestion adéquate des données, les modèles d’IA risquent de ne pas atteindre leur plein potentiel, quel que soit le niveau d’innovation technologique.

Comment les structures de gouvernance influencent-elles l’IA?

La gouvernance de l’IA est un pilier fondamental pour garantir une adoption responsable et efficace. Malgré la confiance affichée, la mise en place de structures de gouvernance robustes est encore insuffisante dans de nombreuses organisations. Ces structures sont nécessaires pour superviser l’utilisation éthique de l’IA, gérer les risques associés et assurer la conformité aux régulations en vigueur.

Les leaders en santé doivent adopter une approche holistique, intégrant non seulement la technologie mais aussi les aspects humains et organisationnels de l’IA. Cela inclut la formation des équipes médicales et commerciales pour favoriser l’adoption des produits d’IA, comme récemment évoqué dans l’article sur Harmoniser les équipes médicales et commerciales pour favoriser l’adoption des produits.

En outre, l’intégration de la gouvernance permet de créer un cadre où les décisions stratégiques concernant l’IA sont prises de manière éclairée et alignée avec les objectifs globaux de l’organisation. Cela contribue non seulement à maximiser les bénéfices de l’IA mais aussi à minimiser les risques potentiels liés à son déploiement.

Quelle est l’importance de la préparation des données?

La réussite de l’IA dans le domaine de la santé repose en grande partie sur la qualité et la disponibilité des données. La préparation des données est cruciale pour assurer que les modèles d’IA disposent des informations nécessaires pour fonctionner efficacement. Sans une gestion rigoureuse des données, même les technologies les plus avancées peuvent échouer à produire des résultats fiables.

Erdal souligne que « si les organisations ne peuvent pas capturer les bonnes données, les modèles échoueront – peu importe la promesse de la technologie. » Cette affirmation met en lumière l’importance de disposer d’infrastructures capables de collecter, stocker et traiter les données de manière cohérente et sécurisée.

Un exemple concret est l’autorisation de la FDA pour le composant clé de l’implant cérébral de Precision Neuroscience, qui devrait stimuler la recherche et le développement dans le secteur. Ce type d’innovation dépend fortement de la capacité à gérer et analyser de grandes quantités de données médicales de manière efficace.

Pourquoi la gestion du changement est-elle essentielle?

La gestion du changement est souvent sous-estimée dans les projets d’IA, mais elle est essentielle pour assurer une adoption réussie. Les organisations échouent fréquemment à expliquer les objectifs globaux de la technologie aux utilisateurs finaux, ce qui peut entraîner une résistance et une adoption partielle des solutions d’IA.

Par exemple, si un hôpital déploie un modèle d’IA pour prédire les absences aux rendez-vous, il est crucial de communiquer clairement ce que l’organisation prévoit de faire avec ces informations. Sans une compréhension claire des objectifs et des implications, les utilisateurs peuvent ne pas se sentir investis dans le succès de l’outil, limitant ainsi son efficacité.

La communication transparente et la formation continue sont des éléments clés de la gestion du changement. En impliquant les utilisateurs dès le début et en expliquant comment l’IA peut améliorer leur travail quotidien, les organisations peuvent favoriser une adoption plus large et plus efficace des technologies d’IA.

Quels sont les éléments fondamentaux pour réussir l’IA en santé?

Pour réussir l’implémentation de l’IA dans le secteur de la santé, il est crucial de se concentrer sur des éléments fondamentaux tels que la gestion des données et l’infrastructure informatique. Ces aspects, bien que moins glamour que les démonstrations technologiques, déterminent en grande partie la réussite des projets d’IA.

Les organisations doivent investir dans des systèmes robustes capables de traiter et d’analyser les données de manière efficace. Cela inclut non seulement l’acquisition de technologies avancées mais aussi la mise en place de processus rigoureux pour assurer la qualité et la sécurité des données. Un exemple pertinent est celui de Teleflex, une société medtech qui a dû fermer son usine de Maple Grove, mettant fin à plus de 100 emplois, en raison de défis liés à l’infrastructure et à la gestion des ressources.

De plus, l’interopérabilité entre les différents systèmes de santé est essentielle pour permettre un échange fluide des données. Sans une intégration efficace, les données restent fragmentées, limitant ainsi l’efficacité des outils d’IA.

Comment s’assurer de la réussite des projets d’IA en santé?

Pour garantir la réussite des projets d’IA, les organisations doivent adopter une approche intégrée qui englobe la gouvernance, l’infrastructure, les données et la gestion du changement. Erdal insiste sur le fait que « il est une chose de mettre en place un modèle, mais une autre d’avoir une gouvernance globale pour impliquer les utilisateurs opérationnels dans la conversation. »

Une préparation exhaustive inclut non seulement l’acquisition des technologies nécessaires mais aussi la création d’un environnement où les utilisateurs comprennent et soutiennent les initiatives d’IA. Cela passe par des programmes de formation, des communications claires et une implication active des parties prenantes à tous les niveaux de l’organisation.

Un exemple de bonne pratique peut être trouvé dans la biographie de H4D Innovation, qui a su naviguer avec succès les défis de la medtech en mettant l’accent sur la collaboration interdisciplinaire et une gestion proactive des changements organisationnels.

En outre, l’adoption de standards et de meilleures pratiques dans la gestion des données et l’infrastructure permet de créer une base solide pour l’IA. Les organisations doivent évaluer continuellement leurs capacités technologiques et ajuster leurs stratégies en fonction des évolutions du secteur.

Enfin, il est crucial de se concentrer sur les résultats tangibles et l’impact de l’IA sur les soins aux patients. En mesurant et en communiquant les succès obtenus grâce à l’IA, les leaders peuvent renforcer la confiance et encourager une adoption plus large au sein de l’organisation.

En conclusion, bien que la confiance des leaders en santé dans l’IA soit élevée, il est essentiel de combler le fossé existant entre cette confiance et leur capacité à amplifier l’IA. Investir dans la gouvernance, l’infrastructure, la gestion des données et la gestion du changement est indispensable pour tirer pleinement parti du potentiel de l’IA et transformer le secteur de la santé de manière durable.

Photo: erhui1979, Getty Images

Le domaine de la santé connaît une fascination croissante pour l’intelligence artificielle (IA), avec de nombreux leaders exprimant une forte confiance en ses capacités à transformer les soins aux patients. Cependant, cette confiance ne se traduit pas toujours par une capacité effective à amplifier et à intégrer ces technologies à grande échelle.

Une des principales raisons de ce fossé réside dans la gouvernance de l’IA. Bien que 70% des dirigeants se sentent confiants quant aux cadres existants, seulement 15% disposent d’une infrastructure scalable. Cette disparité souligne la nécessité de renforcer les bases technologiques pour soutenir une adoption plus large et durable.

De plus, la préparation des données se révèle cruciale. De nombreuses organisations de santé sous-estiment les besoins en gestion continue des modèles d’IA, notamment pour les outils personnalisés qui requièrent des ressources informatiques importantes. Sans une infrastructure adéquate pour accéder et traiter les données de systèmes disparates, l’IA risque de ne pas atteindre son plein potentiel.

L’interopérabilité des systèmes et la capacité à traiter les données efficacement sont des éléments souvent négligés mais essentiels pour le succès de l’IA. Comme le souligne Kevin Erdal de Nordic Consulting, il ne suffit pas de stocker des données ; il faut également les rendre accessibles et utilisables par les différents départements de l’organisation.

Enfin, la gestion du changement est souvent sous-estimée. Les leaders doivent non seulement adopter des technologies innovantes, mais aussi communiquer clairement leurs objectifs aux utilisateurs finaux pour assurer une intégration harmonieuse et efficace. Sans cette approche holistique, même les technologies les plus prometteuses peuvent échouer.

En conclusion, le véritable succès de l’IA dans le secteur de la santé ne repose pas uniquement sur la confiance des leaders, mais surtout sur leur capacité à mettre en place des infrastructures robustes, à gérer efficacement les données et à accompagner le changement au sein de leurs organisations. C’est en comblant ce fossé que l’IA pourra réellement transformer le paysage médical pour le mieux.