HIT17 : codification du parcours patient par un algorithme (Sancare)

Nous faisons du machine learning, avec des modèles probabilistes qui apprennent des données où il y a à la fois les input et les résultats. Ils apprennent autour de cela et ensuite ils sont capables de prédire le résultat à partir uniquement des input. Donc c’est tout ce qu’on appelle le deep learning, le machine learning ou l’IA, cela regroupe toutes ces techniques. On les applique aux processus de facturation des hôpitaux : en pratique, un hôpital doit envoyer à l’assurance-maladie des codes qui décrivent le séjour du patient, décrire ce qui s’est passé, quel diagnostic a été établi, et en fonction de cela l’Assurance-maladie va déterminer un tarif et payer l’hôpital. 

Donc si l’hôpital veut être payé par rapport à ce qu’il a réellement effectué, il faut qu’il fournisse les bons codes. Actuellement, c’est un processus qui ne fonctionne pas très bien car ce sont les médecins qui rentrent ces codes et en oublient ou ne les rentrent pas correctement.

C’est pourquoi nous proposons d’automatiser en partie ce processus : nous allons prédire avec le machine learning en lisant le dossier patient quels sont les codes à envoyer à l’Assurance-maladie.

La différence entre l'humain et la machine réside dans le fait que la machine n'oublie rien On peut modifier légèrement la tarification qu’a réalisé le médecin : la différence entre l’humain et la machine réside dans le fait que la machine n’oublie rien et donc il peut y avoir des éléments en plus que la machine voit que l’humain n’aurait pas vus.

Notre produit est à destination des hôpitaux et des cliniques, publics et privés. C’est en réalité un paiement à l’usage : du SaaS, un paiement au service, proportionnel au nombre de séjours que l’hôpital réalise.

A priori, il existe une autre start-up mais les autres proposent de « vieilles technologies » utilisant un moteur de règles donc pas du tout un modèle probabiliste. Un moteur de règles en pratique c’est « si j’ai ça, ça ça, alors c’est tel code », donc ce sont des éléments que l’humain a pensé puis rentré dans la machine, tandis que nous, nous utilisons un modèle probabiliste. On ne lui dit rien et la machine elle-même recrée ses combinaisons. Or, il existe une énorme différence entre l’humain et la machine : l’humain a une capacité finie de compréhension des interactions donc il va forcément en oublier ou ne pas voir certaines, notamment celles qui sont peu fréquentes, alors que la machine va voir toutes les corrélations possibles. Donc la machine perçoit forcément beaucoup plus de choses que l’humain.

Nous en fait nous réalisons une proposition et ensuite les départements d’information médicale (DIM) qui traitent les données médicales valident ou pas cette proposition. Donc cela demeure un outil d’assistance.

L'algorithme se nourrit des choix que font les DIMLes DIM ne peuvent pas la paramétrer car d’un point de vue méthodologique on ne donne aucune information à l’algorithme. En revanche l’algorithme se nourrit des choix que font les DIM. En pratique, les DIM vont décider que la codification est correcte ou ne l’est pas. Et si ce n’est pas correct le DIM va rentrer le bon code, l’algorithme va alors intégrer cette information-là et utiliser cette dernière pour les fois suivantes. Donc plus l’algorithme est utilisé, plus il tend à s’améliorer.

En fait, il s’améliore rapport à ce que l’humain fait. Si l’humain fait n’importe quoi, l’algorithme fera n’importe quoi.

Tout dépend de l’apprentissage que l’on fournit à l’algorithme.

Pour l’instant, nous ne sommes que sur le marché français. En revanche, la problématique de la tarification à l’activité touche plusieurs pays d’Europe (et de l’OCDE), presque la totalité excepté l’Espagne et l’Italie, dans les grands pays. Donc ils sont forcément confrontés à cette problématique qui consiste à donner à un payeur quel qu’il soit, public ou privé, les codes, d’autant plus que la classification est assez internationale donc souvent ils utilisent la même ou quelque chose d’assez proche et seront donc également confrontés à cette problématique d’automatisation. Donc c’est une solution qui devrait s’avérer facilement exportable.

Nous sommes en phase d’incubation chez Paris Biotech Santé, nous sommes dans le processus de sélection pour être incubés. Au départ nous nous sommes financés nous-mêmes et actuellement nous réalisons une levée de fonds.

Tout à fait, nous avons 3 hôpitaux et cliniques partenaires pour l’instant. Nous avons développé le produit avec eux. Actuellement nous travaillons avec de plus en plus de cliniques et d’hôpitaux.

Il faut que l'humain apprenne à faire confiance à la machineIls sont intéressés par nos résultats, il existe donc un véritable attrait pour ce que nous proposons. Cela leur procure un gain de temps mais il est pour l’instant trop tôt pour l'évaluer, il faut tout d’abord que l’humain fasse confiance à la machine. Or cette confiance se construit. Donc ce que l’on fait c’est qu’on montre à l’humain les éléments du texte qui ont entraîné la prédiction. Donc nous l’aidons : plutôt de se retrouver face à une boîte noire renfermant code dont on ignore l’origine, on lui présente telle phrase, tel élément, sur lequel l’algorithme s’est basé pour élaborer sa prédiction. Ainsi l’humain peut contrôler plus facilement le code. Je pense que plus l’humain va utiliser l’algorithme plus il va se rendre compte que lorsque l’algorithme dit que le résultat est correct, il l’est, et que lorsqu’il ne sait pas, il dit qu’il ne sait pas. Progressivement un changement va s’opérer et l’humain ne relira plus la machine et lui fera confiance. Cela nécessite encore un peu de temps.

Non, seulement les classiques ; il existe des contraintes sur les données de santé mais on les respecte, la question ne se pose pas. Peut-être concernant la capacité à aller voir les hôpitaux et à ce que l’on soit écouté, ce qui concerne toutes les start-up. Nous ne sommes confrontés qu’aux freins traditionnels auxquels font face toutes les start-up.

Non, car notre solution n’est pas à visée médicale. Notre logiciel n’est pas à but médical, on ne prend aucune décision pour un patient, c’est purement administratif. De ce point de vue là, toute la partie éthique disparaît presque instantanément à partir du moment où nous n’avons pas cette application médicale. C’est un outil automatique qui représente un gain de temps donc il y aura peut être besoin d’un peu moins de personnel au niveau du DIM. Mais il faut d’abord que les gens fassent préalablement confiance à l’outil.

La formation est assez simple, de même pour l’outil. On peut plus parler d’une phase d’explications afin qu’ils comprennent comment cela fonctionne plutôt qu’une formation, car l’outil est plutôt intuitif en termes d’utilisation

Sancare