À l’échelle mondiale, les investissements consacrés à l’IA dans le secteur de la santé devraient croître de 44 % entre 2017 et 2020 (enquête Tata Consultancy Services). Les outils d’intelligence artificielle dédiés à la santé pourraient représenter un marché de 20 milliards de dollars d’ici 2025, soit un taux de croissance annuel moyen (CAGR) estimé entre 40 et près de 50 % au cours des cinq à sept prochaines années.

En outre, si l’on considère uniquement les 9 premiers mois de 2017, les sociétés d’analyse de big data dans le domaine de la santé au niveau mondial ont reçu plus d’un milliard de dollars d’investissements en capital-risque, ce qui correspond à une hausse de 31 % des niveaux de financement couvrant la même période en 2016 (Mercom Capital).

Dans cet environnement en évolution rapide, les leaders des industries de santé doivent trouver un juste équilibre entre leur besoin d’appliquer ces technologies pour améliorer la prise en charge des patients et leurs résultats financiers, sans se laisser happer par le battage médiatique autour de l’IA. Interrogez-vous sur l’intérêt d’investir dans des outils et des infrastructures avant qu’ils n’aient démontré leur potentiel. Vous devrez trouver le bon équilibre entre la vigilance et le fait que le machine learning sera le prochain moteur de transformation dans le secteur de la santé ?

En pratique, nous observons une tendance à l’utilisation d’outils d’aide à la décision clinique, qui fournissent aux professionnels de santé et aux patients des informations personnalisées, qui visent à améliorer les résultats médicaux. A titre d’exemple, des rappels, des alertes et des liens vers des données pertinentes dans les dossiers médicaux électroniques guideront la prise de décision des cliniciens. Les logiciels d’IA pourront aider les médecins dans leurs diagnostics et choix thérapeutiques. Le développement et l’utilisation des systèmes d’aide à la décision clinique doivent être encadrés par des règles d’utilisations appropriées. Ces règles comprennent des processus de suivi de la qualité des données, du développement et de validation des algorithmes, protégeant également les données des patients.

Dans l’industrie biopharmaceutique, les chercheurs utiliseront l’IA et le machine learning pour orienter les processus de prise de décision pour développer de nouvelles molécules et étendre l’utilisation des médicaments existants à d’autres indications. Les leaders pharmaceutiques pourront également utiliser des outils d’IA pour accélérer les processus d’essais cliniques en identifiant des patients à partir de diverses sources de données. L’industrie pharmaceutique utilise déjà l’IA pour prédire le moment, le lieu et la probabilité des épidémies.

Actuellement, un tiers des entreprises proposant des solutions d’IA SaaS (« Software as a Service ») dans le secteur de la santé se concentre partiellement ou exclusivement sur le diagnostic, ce qui en fait l’axe de développement prioritaire des start-up dans ce secteur. Selon l’Académie nationale de médecine américaine, les erreurs de diagnostic contribuent à environ 10 % des décès de patients et sont également responsables de 6 à 17 % des complications dans les hôpitaux.

Pour éviter les erreurs ou limiter vos risques en prenant des décisions d’achat de solutions d’IA, vous devrez :

(a) confirmer que votre solution est validée d’un point de vue clinique et dispose des fonctions de protection des données et de sécurité appropriées et (b) planifier étape par étape le déploiement sur site pour assurer que tous les utilisateurs maîtrisent la solution.

Avec le temps, il deviendra de plus en plus facile d’utiliser l’IA. L’IA devrait permettre d’accélérer certaines tâches, mais l’expertise humaine pourrait être nécessaire pour répondre à des besoins plus larges.

En ce moment, l’IA appliquée au domaine de la santé se trouve dans la deuxième phase du cycle d’intérêt de Gartner («Hype cycle »), correspondant au « pic des attentes exagérées ». Toutefois, si nous ne laissons pas ce complément indispensable aux prestations de santé surmonter l’effet de mode, il pourrait retomber dans ce que Gartner appelle le « gouffre des désillusions ». Pour éviter cela, il est capital de bien comprendre l’IA et ses limites afin de pouvoir l’utiliser plus efficacement dans des domaines où elle peut considérablement améliorer les process existants.