Les dirigeants du secteur de la santé misent beaucoup sur l’IA pour améliorer les résultats des patients et l’efficacité opérationnelle. Les investissements affluent vers les algorithmes de diagnostic, les modèles d’IA générative (« GenAI ») pour obtenir des analyses cliniques approfondies, l’analytique prédictive et les outils d’engagement des patients. Toutefois, dans la plupart des systèmes de santé, l’impact de ces investissements demeure limité. Les projets pilotes d’IA peuvent sembler prometteurs, mais le déploiement à grande échelle de ces avantages dans la prestation des soins demeure un défi majeur.

Les difficultés d’adoption à grande échelle ne proviennent pas de la technologie. L’IA fournit souvent des analyses précises dans des environnements contrôlés. Le problème réside dans son intégration à la réalité du travail clinique. Dans le secteur de la santé, cela signifie la responsabilité des médecins, les hiérarchies de soins complexes, les anciens systèmes rigides et la fragmentation des données. Sans un modèle opérationnel aligné sur le produit qui coordonne les équipes, les processus et la technologie autour du soin aux patients, l’IA risque de devenir un outil ajouté qui ne transforme pas concrètement les résultats.

Le potentiel de l’IA en santé et le fossé de l’adoption

Dans un bon contexte, l’IA peut favoriser un diagnostic plus précoce, anticiper la détérioration du patient, personnaliser les traitements et améliorer l’utilisation de la capacité. L’IA générative peut aider les cliniciens à synthétiser des historiques complexes et des données probantes pour des décisions plus rapides et mieux informées, tout en réduisant la charge administrative.

Cependant, ces résultats sont l’exception et non la règle. Les fournisseurs de soins de santé font face à des obstacles d’adoption profondément ancrés dans la façon dont les soins sont prodigués :

• Les médecins sont légalement responsables des décisions cliniques et se méfient des outils auxquels ils ne peuvent pas entièrement faire confiance.
• Les systèmes de dossiers médicaux électroniques sont conçus pour répondre aux exigences de conformité, et non pour fournir des informations en temps réel basées sur l’IA.
• Les décisions thérapeutiques nécessitent une coordination entre médecins traitants, résidents, infirmières et spécialistes, chacun ayant différents niveaux d’autorité.
• Des données précieuses sont cloisonnées dans les départements, qu’il s’agisse de sources cliniques, opérationnelles ou générées par les patients.

Ces enjeux compliquent l’intégration de l’IA dans les processus cliniques quotidiens. Pour exploiter tout le potentiel de l’IA en santé, l’industrie doit adopter un changement structurel pour permettre une véritable intégration dans la prestation des soins.

Comment un modèle opérationnel aligné sur le produit permet l’IA en santé

Le modèle opérationnel aligné sur le produit (MOAP) répond à ces barrières d’adoption en restructurant les opérations autour des parcours de soins du patient plutôt qu’autour des services traditionnels. Par exemple, au lieu d’équipes distinctes pour la cardiologie, la radiologie et les soins infirmiers, une équipe de parcours de soins cardiovasculaires réunirait tout le personnel impliqué dans le cheminement du patient.

Dans ce modèle, les médecins, infirmières, spécialistes informatiques, scientifiques des données et personnel opérationnel collaborent en partageant la responsabilité des résultats du patient. Chaque professionnel conserve son autorité décisionnelle clinique et les outils d’IA sont intégrés directement dans leurs processus existants. Par exemple, cela peut consister à présenter des recommandations issues de l’IA générative au point de service, à intégrer des scores de risque générés par l’IA dans la planification des congés ou à utiliser l’IA agentique pour automatiser les suivis.

En organisant le travail autour des parcours, les données issues de sources multiples sont regroupées afin de constituer une vue unique du patient, améliorant ainsi la disponibilité des données et la pertinence des résultats produits par l’IA. Ce modèle permet aussi de satisfaire aux exigences réglementaires tout en réaffirmant que le jugement clinique demeure la responsabilité des professionnels autorisés.

Un exemple de premier plan est la façon dont Mass General Brigham collabore avec Philips pour intégrer l’IA dans les flux de travail en imagerie. Les analyses issues de l’IA sont intégrées au processus diagnostique selon les protocoles établis, permettant aux équipes de soins d’agir plus rapidement sans compromettre la conformité ou le contrôle du médecin.

Mettre en œuvre l’IA dans un cadre de MOAP

L’adoption de l’IA dans le secteur des sciences de la vie et de la santé relève autant de la discipline d’exécution que de la technologie. Le MOAP offre la structure, mais il revient aux dirigeants d’orienter sa mise en œuvre selon des priorités claires.

• Prioriser les bons parcours : cibler d’abord les domaines cliniques où l’IA peut améliorer les résultats des patients sans perturber les flux de travail établis. La gestion des maladies chroniques et les procédures électives sont souvent d’excellents candidats, car elles comportent des processus reproductibles et des indicateurs mesurables.
• Co-concevoir les outils d’IA avec les cliniciens : Impliquer les médecins dès le début permet d’assurer que les résultats de l’IA correspondent à la prise de décision clinique et que les limites de responsabilité sont respectées. Cela favorise la confiance et accélère l’adoption. Selon le rapport The Blueprint to AI‑led Operating Model de HCLTech, seulement 17 % des organisations utilisent pleinement les commentaires des clients, mais celles dotées d’un modèle aligné sur le produit sont beaucoup plus susceptibles de les intégrer au processus de conception dès le départ (70 % contre 54 %). Cela signifie que l’avis des patients, les perspectives des cliniciens et les résultats réels peuvent continuellement façonner les outils d’IA, y compris les applications d’IA générative et d’IA agentique, afin de demeurer pertinents et fiables.
• Investir dans l’infrastructure pour soutenir l’IA : Des systèmes robustes et interopérables sont essentiels pour accéder aux données en temps réel dans l’ensemble du continuum de soins. Même les modèles d’IA les plus avancés n’apportent pas de valeur si les systèmes de soutien sont obsolètes ou déconnectés.
• Accompagner le changement culturel : Passer d’une approche axée sur les services à une approche centrée sur le patient exige un leadership fort et des attentes claires quant à la collaboration multidisciplinaire. Les dirigeants doivent récompenser les équipes pour les résultats communs, et non seulement pour la performance du département.
• Mesurer ce qui compte : La performance de l’IA en santé doit s’évaluer selon des indicateurs centrés sur le patient tels que les taux de réadmission, le respect des traitements et les scores d’expérience rapportés par les patients. Les gains d’efficacité opérationnelle sont importants, mais ne doivent jamais remplacer les résultats des patients comme principale mesure du succès.
• Automatiser au-delà des décisions cliniques : L’IA agentique peut être appliquée à des processus administratifs comme la planification, l’allocation des ressources et la coordination des congés. Cela réduit le temps que les cliniciens consacrent à des tâches qui n’exigent pas de jugement médical et leur libère plus de temps pour les soins directs aux patients.

Avantage concurrentiel grâce à des parcours de soins activés par l’IA

Adoptée au sein d’un modèle aligné sur le produit, l’IA devient une composante intégrée du processus de prestation des soins. Les équipes multidisciplinaires, soutenues par des données pertinentes et des outils d’IA adaptés au contexte, prennent des décisions plus rapidement, améliorent la précision diagnostique et facilitent la transition des patients. Ces derniers bénéficient de services coordonnés qui gomment les anciennes barrières fonctionnelles. De l’analyse clinique par IA générative à l’automatisation des processus par l’IA agentique, les cliniciens gagnent des outils pour réduire leur charge tout en gardant la maîtrise de leurs décisions cliniques.

L’avantage concurrentiel est double. D'abord, les organisations de santé peuvent améliorer de façon mesurable les résultats des patients, renforçant leur réputation et la fidélité de la clientèle. Ensuite, elles peuvent réduire les coûts opérationnels en optimisant l’utilisation des ressources cliniques et en éliminant les étapes superflues dans la prestation des soins.

En combinant l’IA à une approche alignée sur le produit, les organisations hausseront la barre tant en matière de soins aux patients que d’efficacité opérationnelle, s’affirmant ainsi comme chefs de file de la nouvelle ère des soins de santé.