Fiche de révision : Introduction à la santé numérique et intelligence artificielle

📋 Plan du Cours

1. Panorama, gouvernance et typologie des services numériques en santé en France
2. Fonctionnalités et déploiement de l’Espace Numérique de Santé et de MSSanté
3. Mesures d’incitation et e-prescription dans la transformation numérique des soins
4. Fondements, méthodes et représentations sémantiques en intelligence artificielle appliquée à la santé
5. Sources, types et enjeux des données de santé pour l’intelligence artificielle
6. Applications pratiques, limites et impacts cliniques de l’intelligence artificielle en santé

📖 1. Panorama, gouvernance et typologie des services numériques en santé en France

🔑 Notions clés & Définitions

• M-santé : Utilisation d'outils et services mobiles pour la santé, permettant aux usagers et professionnels d'accéder et de gérer des données ou services de santé via des dispositifs mobiles.
• Télémédecine : Pratique mettant en relation à distance des patients avec des professionnels de santé ou entre professionnels, pour prévenir, diagnostiquer, prescrire, suivre ou surveiller.
• Télésoin : Pratique permettant à un professionnel paramédical ou pharmacien d'accompagner ou suivre un patient à distance.

📝 Points essentiels

• La télésanté inclut la télémédecine, la télésoin et la m-santé, qui utilisent des outils numériques pour le suivi et la coordination des soins.
• Les systèmes d'information de santé (SIS) et hospitaliers (SIH) facilitent le partage d'informations en interne et entre structures.

💡 À retenir

Comprendre la diversité des services numériques en santé et leur gouvernance est essentiel pour saisir les enjeux actuels et les orientations stratégiques du numérique en santé en France.

📖 2. Fonctionnalités et déploiement de l’Espace Numérique de Santé et de MSSanté

🔑 Notions clés & Définitions

• Espace Numérique de Santé : Socle numérique piloté par le Ministère de la Santé et l’Assurance Maladie, qui crée automatiquement des profils pour 65,7 millions de personnes afin de centraliser et sécuriser l’accès aux données de santé.
• Nota bene : Mention utilisée pour signaler une remarque ou précision importante dans un texte.

📝 Points essentiels

• L’Espace Numérique de Santé est un socle numérique piloté par le Ministère de la Santé et l’Assurance Maladie, avec création automatique de profils pour 65,7 millions de personnes.
• Mon Espace Santé permet aux usagers d’accéder à leurs données et aux professionnels de santé d’alimenter le DMP conformément à l’article L1111-15 du Code de la Santé Publique.
• L’Identifiant National de Santé (INS) assure la consolidation de l’identité des patients dans les échanges numériques, obligatoire depuis le 1er janvier 2021.

💡 À retenir

La mise en place de l’Espace Numérique de Santé et de MSSanté sécurise, centralise et facilite l’accès aux données de santé pour usagers et professionnels.

📖 3. Mesures d’incitation et e-prescription dans la transformation numérique des soins

🔑 Notions clés & Définitions

• E-prescription : Dématérialisation et fiabilisation du circuit des ordonnances entre médecins, pharmaciens, laboratoires et infirmiers, avec une expérimentation initiale sur les médicaments avant extension aux actes, visant à fluidifier, sécuriser et coordonner les soins, tout en permettant la réalisation d’études épidémiologiques sur données anonymisées.
• Parcours de référencement : Plateforme de l’Agence du Numérique en Santé (ANS) qui soutient financièrement les industriels pour l’intégration de leurs solutions dans l’écosystème numérique de santé.
• Plan Hop’en : Programme de soutien financier aux structures sanitaires et médico-sociales pour la transformation numérique, incluant notamment le déploiement de solutions comme e-parcours et ESMS Numérique.

📝 Points essentiels

• L’e-prescription est expérimentée sur les médicaments avant une généralisation aux actes, avec pour objectifs de fluidifier, fiabiliser, coordonner les soins, lutter contre l’iatrogénie et permettre des études épidémiologiques.
• Le parcours de référencement est une plateforme de l’ANS qui finance l’intégration des solutions numériques dans l’écosystème de santé.
• Les mesures d’incitation financière soutiennent les professionnels pour leur équipement logiciel, l’alimentation du DMP, la messagerie sécurisée, ainsi que les structures sanitaires via le plan Hop’en.

💡 À retenir

Les incitations financières et l’e-prescription sont des leviers clés pour accélérer l’adoption des outils numériques et améliorer la qualité et la sécurité des soins.

📖 4. Fondements, méthodes et représentations sémantiques en intelligence artificielle appliquée à la santé

🔑 Notions clés & Définitions

• Exemple : Instance ou cas concret illustrant un concept ou une méthode dans le domaine de l'intelligence artificielle.
• Experts Deep Learning LLM (ex : Systèmes d'intelligence artificielle basés sur des réseaux de neurones profonds et des modèles de langage de grande taille, nécessitant de vastes données d'apprentissage pour simuler des capacités cognitives complexes.
• Machine Learning : Domaine de l'intelligence artificielle regroupant des méthodes statistiques d'apprentissage supervisé et non supervisé, utilisant des modèles tels que les SVM, arbres de décision, forêts aléatoires et réseaux de neurones pour apprendre à partir de données.
• Word Embedding : Technique de représentation vectorielle des mots dans un espace multidimensionnel, fondée sur l'hypothèse distributionnelle que les mots apparaissant dans des contextes similaires ont des vecteurs proches.

📝 Points essentiels

• L’IA symbolique repose sur des représentations explicites du raisonnement via des règles, ontologies et hiérarchies, tandis que l’IA connexionniste utilise des représentations non explicites via des réseaux de neurones.
• Le Machine Learning regroupe des méthodes statistiques d’apprentissage supervisé et non supervisé, incluant des modèles comme SVM, arbres de décision, forêts aléatoires et réseaux de neurones.
• L’apprentissage par Word Embedding s’effectue par un entraînement sur de vastes corpus textuels, ajustant les vecteurs par correction d’erreurs pour capturer les relations sémantiques contextuelles.

💡 À retenir

L’apprentissage par Word Embedding s’effectue par un entraînement sur de vastes corpus textuels, ajustant les vecteurs par correction d’erreurs pour capturer les relations sémantiques contextuelles.

📖 5. Sources, types et enjeux des données de santé pour l’intelligence artificielle

🔑 Notions clés & Définitions

• Données structurées : Données organisées en tableaux, codes ou valeurs biologiques, facilement exploitables par des modèles d'IA.
• Données hospitalières : Données issues des établissements de santé, comprenant images, résultats biologiques, notes cliniques, factures, etc., souvent utilisées pour l'IA.

📝 Points essentiels

• Les données de santé en IA incluent des données structurées (tableaux, codes, valeurs biologiques) et non-structurées (texte, images, vidéos), ces dernières représentant environ 80% des informations cliniques pertinentes.
• Les Entrepôts de Données de Santé (EDS) sont des bases hospitalières qui agrègent diverses données mais offrent une vue partielle centrée sur des patients hospitalisés.
• Le Système National des Données de Santé (SNDS) est la principale source de données en soins primaires, basée sur les traces informatiques des remboursements de la sécurité sociale.
• La diversité, la qualité et la représentativité des données sont des enjeux majeurs pour l'efficacité des modèles d'IA, notamment pour éviter les biais et garantir la généralisabilité.

💡 À retenir

Les données de santé en IA incluent des données structurées (tableaux, codes, valeurs biologiques) et non-structurées (texte, images, vidéos), ces dernières représentant environ 80% des informations cliniques pertinentes.

📖 6. Applications pratiques, limites et impacts cliniques de l’intelligence artificielle en santé

🔑 Notions clés & Définitions

• IA en santé : Ensemble des méthodes d'intelligence artificielle utilisées pour résoudre des problèmes décisionnels en santé, notamment la détection, la prédiction, l'aide au diagnostic, la prise de décision, et l'assistance médicale.
• Individuelles : Applications de l'intelligence artificielle visant à aider la prise en charge d'un patient spécifique, telles que l'aide au diagnostic, la prédiction d'évènements, l'aide à la décision, et l'assistance en télémédecine.
• Souvent : Mais, le plus souvent, dans la « vraie vie »… ATCD : BPCO post tabac, HTA, dyslipidemie, polype colique ( benin?) ttt chir laparo mediane, ULCERE ESTOMAC v TRAITEMENT EN-COURS Corgard IEC.
• Black box : Modèles d'intelligence artificielle dont le fonctionnement interne est difficile à expliquer, ce qui pose des défis pour l'explicabilité et l'acceptation clinique.
• White box : Approches d'intelligence artificielle basées sur des connaissances explicites et explicables, facilitant la compréhension et l'acceptation des décisions prises.

📝 Points essentiels

• L’IA en santé est utilisée pour l’extraction rapide d’informations et la prédiction afin d’aider la prise en charge et la décision, avec des niveaux de difficulté variables.
• L’IA est plus utile pour la santé publique que pour la décision individuelle, sauf en cas de manque de ressources ou d’expertise.
• L’IA facilite aussi des tâches administratives comme la génération de courriers, la prise de notes, ou le codage.
• …Car souvent :
  • Les données ne reflètent que partiellement la situation (non généralisable)
  • Biais de l’échantillon d’entrainement (non représentatif de la population cible) Impact clinique de l’IA A ce jour :
  • Plus précieux pour la décision en santé publique (organisation, planification, épidémiologie …) qu’en décision individuelle (car l’IA ne fait que reproduire les décisions des médecins eux-mêmes, qui ont déjà l’expertise)
  • Utile ++ pour la décision individuelle lorsqu’il y a manque de ressource/expertise
  • Aide administrative (génération de courriers médicaux, prise de notes/compte rendu de consultation (ex: Nabla®), aide au codage…) Quelques liens utiles
  • Pro Santé Connect (Cartes CPS ou e-CPS) pour accéder aux Dossiers Médicaux Partagés des patients (tutoriel : https://www.dmp.fr/documents/d/dmp/tutoriel-webps-dmp)
  • Page d’entrée e-Santé HAS https://www.has-sante.fr/jcms/p_3106128/fr/e-sante-m-sante
  • Bouquet de services professionnels de santé https://gnius.esante.gouv.fr/fr/reglementation/fiches- reglementation/bouquet-de-services
  • Service d’accès aux soins (SAS) https://esante.gouv.fr/sas
  • Echanges et partage de données de santé ⁃ Retours d’expérience des bonnes pratiques sur l’échange et le partage de données de santé (nov 2018, ASIP CNSA) https://esante.gouv.fr/sites/default/files/media_entity/documents/ASIP_CNSA_RETEX_%C3%A9change%20et%20partage_VF.
• L’IA en pratique
• Extraction du diagnostic ou d’autres informations de la masse (nowcasting ou prévision immédiate) pour faciliter/accélérer la prise en charge par le professionnel de santé
• Prognostique ou prédiction (forecasting) pour aider la prise de décision individuelle (difficile) ou aider les politiques de santé (plus facile) Impact clinique de l’IA : peu mieux faire !

💡 À retenir

L’IA en santé est utilisée pour l’extraction rapide d’informations et la prédiction afin d’aider la prise en charge et la décision, avec des niveaux de difficulté variables.

📊 Tableaux de Synthèse

Typologie des services numériques en santé en France

Sources et enjeux des données de santé pour l'IA

⚠️ Pièges & Confusions Fréquentes

1. Confusion entre télémédecine, télésoin et m-santé.
2. Sous-estimer l'importance de la qualité des données.
3. Confondre données structurées et non-structurées.
4. Ignorer les enjeux de représentativité des données.
5. Confondre les objectifs des mesures d'incitation.
6. Omettre la distinction entre IA symbolique et apprentissage automatique.
7. Négliger la diversité des sources de données en santé.

✅ Checklist Examen

1. Maîtriser la différence entre télémédecine, télésoin et m-santé.
2. Comprendre le fonctionnement de l'Espace Numérique de Santé.
3. Connaître les objectifs de l'e-prescription.
4. Identifier les types de données utilisées en IA santé.
5. Reconnaître les enjeux de qualité et de représentativité des données.
6. Différencier IA symbolique et apprentissage profond.
7. Savoir les principales sources de données en santé.
8. Connaître les applications concrètes de l'IA en santé.
9. Identifier les limites actuelles de l'IA en clinique.
10. Se familiariser avec les dispositifs législatifs et réglementaires.
11. Comprendre les enjeux éthiques liés à l'IA en santé.
12. Suivre l'évolution des mesures d'incitation financière.