CHARM : IA Pratique pour les Données de Santé

Comment l'IA peut-elle aller au-delà de l'expérimentation et résoudre des problèmes pratiques en utilisant des données de santé du monde réel ? Cette session présentera CHARM (Collaboration pour Harmoniser les Mesures d'Inscription Antimicrobienne), une initiative de gestion des antimicrobiens qui transforme les données de santé en informations exploitables grâce à des tableaux de bord interactifs et des analyses. Les participants verront comment CHARM utilise des données provenant d'organisations de santé participantes pour examiner les schémas de prescription d'antibiotiques, identifier des opportunités d'amélioration et soutenir les efforts de gestion des antimicrobiens. La session présentera ensuite deux projets d'IA en cours de développement autour de l'écosystème de données CHARM. Le premier utilise des modèles de langage de grande taille (LLMs) hébergés localement et open-source pour standardiser les données de prescription tout en maintenant des données de santé sensibles dans un environnement contrôlé. Le projet combine traitement de données structurées, génération augmentée par récupération (RAG), ajustement fin, évaluation systématique et révision humaine pour améliorer la précision tout en réduisant les hallucinations et l'effort de nettoyage des données manuelles. Le second projet, CHARM Outlier, utilise l'apprentissage machine pour identifier les prescriptions d'antibiotiques qui diffèrent des schémas attendus de prescription. Les dossiers signalés sont présentés via une application web où les chercheurs et les professionnels de la santé peuvent les examiner et fournir des retours. Ces retours sont ensuite utilisés pour améliorer les prédictions futures du modèle, créant ainsi une approche humaine dans la boucle pour identifier des prescriptions potentiellement inappropriées. Ensemble, ces projets démontrent comment les tableaux de bord, les LLMs déployés localement, l'apprentissage machine et l'expertise humaine peuvent travailler ensemble pour transformer des données de santé complexes en informations utiles tout en abordant des préoccupations pratiques relatives à la confidentialité, à la précision et à la mise en œuvre responsable de l'IA.