Le dernier outil d'IA de Microsoft peut prédire les rendez-vous manqués chez le médecin

Entre la rareté des médecins formés, la pénurie de personnel infirmier et l'attrition générale parmi les travailleurs de la santé, obtenir un rendez-vous chez le médecin n'est pas une tâche facile dans le paysage clinique moderne. En effet, la valeur temps des rendez-vous n'a jamais été aussi élevée.

Cette pièce est exactement ce à quoi le dernier outil d'intelligence artificielle (IA) de Microsoft tente de répondre : réduire les rendez-vous médicaux manqués. Merav Davidson, vice-président de Microsoft Industry AI, a écrit dans les blogs Microsoft Industry : « Le coût annuel des rendez-vous manqués dans le secteur de la santé s'élève à plus de 150 milliards de dollars rien qu'aux États-Unis. Les rendez-vous manqués entraînent non seulement une détérioration de la santé des patients, mais les effets économiques de la non-présentation des patients affectent considérablement les opérations de la clinique et les calculs des coûts fixes, entraînant un sureffectif et des temps d'arrêt imprévus, laissant finalement les prestataires de soins de santé aux prises avec les opérations quotidiennes.

Davidson met en évidence un phénomène important. Les rendez-vous manqués sont non seulement préjudiciables au patient, mais aussi à l'ensemble de l'écosystème clinique. Par exemple, si un patient ne se présente pas pour le créneau qui lui a été attribué, cette chambre sera désormais inutilisée pendant cette période. Dans la plupart des situations, il ne peut pas simplement être rempli avec la personne suivante dans la file d'attente, étant donné qu'il s'agit d'un service basé sur rendez-vous, et la prochaine personne n'arrivera probablement pas avant l'heure qui lui est allouée. Bien qu'un ou deux créneaux de rendez-vous manqués puissent être négligeables, vus dans une perspective holistique, ce temps inutilisé coûte au système des milliards de dollars par an. Plus important encore, peut-être, le fait qu'un rendez-vous perdu est une occasion manquée pour quelqu'un d'autre qui avait vraiment besoin de voir un médecin mais qui n'a pas pu entrer. Étant donné que les listes d'attente actuelles pour les médecins de soins primaires entraînent des temps d'attente de plusieurs mois à l'échelle nationale, c'est un problème très réel.

PUBLICITÉ

L'outil de Microsoft est intégré à sa plate-forme robuste Cloud for Healthcare et présente une courbe d'apprentissage facile : « Le modèle est facilement déployable et peut être formé en seulement deux heures, laissant le fournisseur de soins de santé prêt à utiliser la solution en une journée seulement. Cette offre profite à la fois aux cliniciens et aux patients. Avec une interface conviviale et familière, la prévision des rendez-vous manqués permet au personnel de bureau et aux cliniciens de prévoir les absences des patients sans formation ni personnel en science des données.

Davidson explique en outre que « divers types de données d'entrée se sont avérés importants pour prédire les rendez-vous manqués dans le domaine de la santé. La démographie, les modèles historiques, les déterminants sociaux et les données de rendez-vous telles que le type et l'heure de la journée sont des exemples d'entrée que les équipes de soins peuvent utiliser pour former le modèle. Les subtilités derrière le logiciel ont été expliqué en détail par Microsoft, qui insiste également sur le fait que "le modèle n'est pas pré-formé et devra être formé par l'utilisateur d'un fournisseur de soins de santé".

PUBLICITÉ

Notamment, les cliniques et les établissements de soins ambulatoires ne sont pas les seuls endroits où cet outil pourrait potentiellement bénéficier. Il pourrait éventuellement y avoir un rôle important pour ce logiciel dans presque tous les contextes cliniques, allant du service des urgences aux situations de soins hospitaliers.

En effet, bien que ce moteur d'IA nécessite probablement plus de travail et de tests avant que son plein potentiel puisse être pleinement réalisé, le concept est prometteur en ce qui concerne l'utilisation de données et de mesures objectives pour améliorer les résultats cliniques.