Au lendemain de toute crise, le changement est inévitable. La pandémie n'a pas seulement bouleversé la vie, les économies et les industries, elle a été le plus grand perturbateur de l'industrie de la santé au niveau mondial, déclenchant une transformation sans précédent. La COVID-19 a également accéléré la dépendance déjà croissante des soins de santé aux technologies fondées sur les données. Ainsi, on demande aujourd’hui aux prestataires de soins de santé d’agréger de plus en plus de sources de données, afin de créer des diagnostics, des plans de traitement et des stratégies précis.
La pandémie actuelle ne permet pas encore de mesurer l'ampleur des changements, mais une chose est sûre : les soins de santé numériques vont devoir continuer d'évoluer. Nous sommes d’ailleurs en train d’assister aux prémices de cette transformation, qui devrait changer les processus commerciaux, cliniques et de prestation de soins de santé bien après que la pandémie ne soit derrière nous. Il existe déjà quelques exemples précoces de la manière dont la robotique peut répondre à nos besoins en matière de soins de santé, de la mesure des niveaux de sang et de sucre à la prise de température. Mais ces nouvelles techniques vont nécessiter un réel changement de paradigme, en mettant l’utilisation de données, qu’elles soient anciennes ou en temps réel, sur le devant de la scène.
Ainsi, la téléconsultation, par exemple, a connu et connaît encore une croissance astronomique au moment où nous parlons, avec un taux de croissance de 300 à 500 % depuis l'avènement de la COVID-19. Alors que le fait de ne pas voir un médecin en personne était considéré comme un sacrilège auparavant, le constat n’est plus le même aujourd’hui, et ce partout dans le monde. Dans la même veine, l’adoption de la télésurveillance à distance augmente également, permettant aux équipes de soins de contrôler, gérer et faire participer les patients tout en les laissant dans le confort de leur domicile. Les données sont essentielles pour fournir un diagnostic pertinent en télémédecine. Les médecins peuvent utiliser une grande quantité d'informations externes potentiellement utiles et comparer ou analyser les données des patients en fonction de celles-ci. Pour les personnes à haut risque, le fait que les coordinateurs de soins s'appuient sur la téléconsultation et la surveillance à distance pour réduire le nombre de visites des patients dans leur cabinet, représente une opportunité durable pour les prestataires de soins de réduire le risque de réadmission à 30 et 90 jours, tout en assurant de meilleurs résultats pour leurs patients et en réduisant les coûts. Il faudra bien sûr s’organiser pour que l’utilisation des données des patients reste un bienfait et non un risque, ce qui implique une éthique sans faille.
D’un point de vue technique, l'un des principaux obstacles rencontrés durant la crise du COVID a été la disponibilité de kits de test. Les délais allongés de diagnostic, ayant pour cause des volumes de données colossaux à traiter dans un temps réduit, ont encore aggravé le problème. Heureusement, les dirigeants ainsi que les jeunes pousses du secteur de la santé ont réagi à cette crise en proposant une pléthore d'applications basées sur l’intelligence artificielle dans le cloud, pouvant être déployées sur des appareils mobiles et des tablettes (on parle aujourd’hui de mobile Health - mHealth), dont beaucoup peuvent capturer et enregistrer les signes vitaux des patients sur des portails online, pour un accès instantané par les équipes de soins et les cliniciens. De plus, le traitement de la donnée permet d’aller encore plus loin : l'analyse spatiale, par exemple, peut être utilisée avec les données des kits de test pour cartographier visuellement les points chauds de l'épidémie.
À l'avenir, les leaders d'opinion dans le domaine des soins de santé mettront probablement en place des centres de surveillance et de réaction aux pandémies et aux épidémies, dans le cadre de leurs initiatives de planification stratégique de scénario et de politique, et cela même au niveau du système de santé. Équipés de flux de données provenant des organismes publics en charge de la santé, et exploitant des plateformes d'analyse en libre-service et des outils d'analyse visuelle, ces leaders seront amenés à créer des « war rooms » qui surveilleront non seulement les épidémies et les maladies dans d'autres régions du monde, mais fourniront également des informations utiles grâce à des tableaux de bord d'analyse visuelle qui permettront de surveiller, d'analyser et de mesurer de manière proactive les implications tant du côté de la demande que de l'offre.
Au vu de tous ces nouveaux défis, les dirigeants du secteur de la santé voient dans l'IA et l'analytique un potentiel énorme pour tenir la promesse de soins de meilleure qualité à moindre coût en donnant à leurs dirigeants, chefs d'entreprise, cliniciens et infirmières les moyens d'exploiter la puissance de l'analyse prédictive et prescriptive. De nombreux organismes de santé exploitent maintenant le vaste potentiel de l'intelligence artificielle (IA) et de ses quatre composantes - apprentissage machine (ML), traitement du langage naturel (NLP), apprentissage approfondi et robotique - pour transformer leurs processus cliniques et commerciaux. Elles cherchent à appliquer ces technologies avancées pour donner un sens à un "tsunami" de données structurées et non structurées qui ne cesse de s'étendre, et pour automatiser des opérations itératives qui nécessitaient auparavant un traitement manuel. L’impératif de distanciation sociale imposé par la COVID-19 a également vu l'avènement et le déploiement de robots médicaux pour des applications nouvelles et prêtes à l'emploi, allant de la capture des signes vitaux des patients, agissant comme moyen ou intermédiaire de télésanté, à la distribution de nourriture et de médicaments - un domaine prometteur de l'innovation en matière d'IA qui prend de l’ampleur cette année.
2020 sera une année charnière pour le monde de la santé, qui a réalisé dans la douleur l’importance des données dans ce domaine comme dans les autres, et qui ressortira malgré tout grandie de ce constat. Alors que la complexité des données augmente, il est impératif d’adopter à la fois l’analyse descriptive, l’analyse prédictive, tout en se servant du machine learning et du traitement du langage naturel pour obtenir les informations nécessaires.