Comprendre l’IA en anesthésie et en soins périopératoires.
Il est facile d’accorder trop ou trop peu de confiance à l’IA. Ces courts guides expliquent ce qu’elle peut et ne peut pas faire, en s’adressant directement à la personne qui les lit, qu’il s’agisse d’un patient, d’un clinicien, d’un chercheur ou d’un partenaire.
Patients et familles
Des réponses simples sur la manière dont l’IA pourrait intervenir en anesthésie et en soins périopératoires, et sur les responsabilités qui demeurent toujours celles de votre équipe soignante.
Qu’est-ce que l’IA dans les soins de santé?
L’IA est un logiciel qui repère des tendances dans de grandes quantités d’information et les utilise pour faire des prédictions ou générer du langage. Dans les soins de santé, elle est étudiée comme moyen de soutenir l’éducation, la communication et certaines tâches cliniques, toujours aux côtés de votre équipe soignante et jamais à sa place.
Comment l’IA pourrait-elle être utilisée avant, pendant ou après une chirurgie?
Avant une chirurgie, elle pourrait aider à expliquer les consignes de préparation ou à organiser vos questions. Pendant et après la chirurgie, des chercheurs du domaine explorent son utilisation pour soutenir le monitorage et la communication. Il s’agit d’exemples d’orientations de recherche, et non de services offerts par CAPITAL ni de soins que vous recevez aujourd’hui.
L’IA remplacera-t-elle mon anesthésiologiste?
Non. La recherche décrite ici vise à soutenir les cliniciens, et non à les remplacer. Votre anesthésiologiste et votre équipe soignante demeurent responsables des décisions concernant vos soins.
Quelles questions devrais-je poser à mon équipe soignante?
Vous pouvez demander ce que fait un outil, quels renseignements il utilise, si une personne vérifie ses résultats et avec qui communiquer en cas de préoccupation. Il n’y a pas de mauvaise question.
Comment mes renseignements sur la santé sont-ils protégés?
La recherche utilisant des renseignements personnels sur la santé doit respecter les exigences applicables de l’hôpital en matière de confidentialité et faire l’objet d’un examen éthique. Ne transmettez aucun renseignement personnel sur la santé par ce site Web; utilisez uniquement les voies approuvées que vous fournit votre équipe soignante.
Quels sont les risques de l’IA?
L’IA peut se tromper, reproduire des biais présents dans les données dont elle a appris et sembler sûre d’elle tout en donnant une réponse erronée. La sécurité, la supervision et l’équité doivent donc être étudiées avant qu’un outil soit envisagé pour les soins.
Comment les patients peuvent-ils contribuer à une IA plus sûre?
Les patients partenaires peuvent aider à choisir les sujets d’étude, vérifier la clarté du langage, repérer les risques et juger si un résultat compte vraiment. L’expérience vécue constitue une expertise précieuse; aucune formation technique n’est nécessaire.
Cliniciens et stagiaires
Ce qu’il faut comprendre avant de faire confiance à un outil d’IA, de l’enseigner ou de l’utiliser en pratique clinique.
Ce que les cliniciens doivent savoir sur l’IA
Assez pour en faire une évaluation critique : les données ayant servi à entraîner le modèle, la référence utilisée pour le valider, ses points de défaillance ainsi que son adéquation avec le flux de travail et votre responsabilité.
Comment lire un article sur l’IA
Allez au-delà du taux d’exactitude mis en vedette. Examinez la population, la norme de référence, le recours ou non à une validation externe et la pertinence clinique du résultat plutôt que sa seule signification statistique.
Qu’est-ce qu’un grand modèle de langage, et pourquoi les hallucinations importent-elles?
Un grand modèle de langage prédit du texte probable; il ne connaît pas les faits. Il peut produire des énoncés fluides et assurés qui sont faux, ce qu’on appelle des hallucinations. Voilà pourquoi l’utilisation clinique exige une vérification et une supervision humaine.
Biais, équité et généralisabilité
Un modèle reflète ses données d’entraînement. Son rendement peut varier selon les populations et les milieux; un outil efficace dans un hôpital pourrait donc ne pas être transférable sans nouvelle évaluation.
Validation clinique et rendement du modèle
De bons résultats à un banc d’essai ne correspondent pas nécessairement à un bénéfice clinique. La validation demande si l’outil améliore les soins dans un milieu réel, avec de véritables flux de travail et de vrais patients.
Intégration aux flux de travail
Un outil qui ajoute des clics, interrompt les transferts ou provoque une fatigue liée aux alertes peut échouer même s’il est exact. Son adéquation avec le travail existant contribue à déterminer s’il est sûr et utile.
Documentation, communication et prudence médico-légale
Soyez transparent lorsque l’IA a éclairé une décision, documentez le jugement humain et rappelez-vous que la responsabilité demeure celle du clinicien.
La formulation de requêtes comme compétence clinique, sans remplacer le jugement
Apprendre à bien interroger ces outils est utile, mais une bonne requête ne rend pas le résultat vrai. La formulation de requêtes soutient le jugement; elle ne le remplace pas.
Chercheurs
Concevoir et évaluer des recherches sur l’IA clinique qui produisent des données fiables et utilisables.
Conception d’études sur l’IA clinique
Adaptez le devis à l’affirmation. Les questions sur l’utilisabilité, la faisabilité et l’efficacité comparative nécessitent des méthodes différentes; un devis prospectif avec validation externe est plus solide qu’un devis rétrospectif.
Évaluation de l’utilisabilité
Observez de vraies personnes accomplissant de vraies tâches. Les moments où elles hésitent, interprètent mal ou contournent l’outil fournissent des données sur la sécurité, et pas seulement sur le degré de finition.
Mesures d’évaluation
Choisissez des mesures qui correspondent à la question clinique. L’étalonnage, l’effet sur les décisions et les résultats pertinents pour les patients comptent souvent davantage que l’exactitude seule.
Facteurs humains
La manière dont les personnes perçoivent un outil, lui font confiance et agissent en fonction de ses résultats façonne son effet. La confiance excessive et la confiance insuffisante sont toutes deux des modes de défaillance.
Science de la mise en œuvre
L’adoption dépend du contexte : flux de travail, incitatifs, formation et gouvernance. L’étude de la mise en œuvre est aussi importante que celle du modèle.
Méthodes qualitatives et partenariat avec les patients
Les entretiens, l’observation et la coconception révèlent des risques et des significations que les mesures ne saisissent pas, tandis que les patients partenaires aident à définir ce qui constitue un résultat utile.
Limites des jeux de données
Connaissez la provenance, les lacunes et les biais de vos données. Des données manquantes ou non représentatives limitent ce que tout résultat peut permettre d’affirmer.
Diffusion responsable
Présentez clairement les limites, évitez de surestimer le degré de préparation et veillez à ce que les affirmations publiques ne dépassent pas les données probantes.
Hôpitaux et partenaires
Les questions à poser avant de mettre à l’essai, d’acquérir ou de déployer à plus grande échelle un outil d’IA dans un véritable système de santé.
Quelles données faut-il avant d’adopter un outil d’IA?
Au minimum : une validation dans une population semblable à la vôtre, un cas d’utilisation clinique clair, des données sur l’adéquation aux flux de travail et un plan de surveillance après le déploiement.
Comment évaluer l’adéquation clinique
Demandez où l’outil s’insère dans le parcours de soins, qui agit en fonction de ses résultats et ce qui se passe lorsqu’il se trompe ou n’est pas disponible.
Comment évaluer les risques liés aux flux de travail
Cartographiez les étapes ajoutées, les modes de défaillance, la voie de recours et l’effet sur la charge de travail des cliniciens et le fardeau des alertes.
Quelles questions de gouvernance faut-il poser?
Qui est responsable, comment le rendement est-il surveillé au fil du temps, comment les mises à jour sont-elles gérées et comment la dérive du modèle est-elle détectée?
Confidentialité, approvisionnement et responsabilité
Clarifiez les flux et le stockage des données, les obligations du fournisseur et l’attribution de la responsabilité avant le début d’un projet pilote, et non après.
Liste de vérification pour concevoir un projet pilote
Définissez la population, les mesures de réussite, les mesures de protection, la supervision, les critères d’arrêt et le plan d’évaluation avant la mise en service.