Contexte et enjeux
Dans un établissement de santé, chaque passage aux urgences génère un compte rendu médical. Ces documents, souvent non structurés, contiennent une quantité importante d’informations sur les parcours de soins, les orientations des patients et les interactions entre spécialités.
Malgré leur richesse, ces données restent peu exploitées en raison de leur volume et de leur hétérogénéité.
L’objectif du projet était de comprendre les orientations des patients après leur passage aux urgences, d’identifier les retours vers les spécialités internes et de détecter les fuites potentielles vers d’autres structures.
L’enjeu stratégique était de disposer d’une vision fiable, rapide et globale pour améliorer le pilotage hospitalier et la coordination des soins.
Les données sources provenaient du Dossier Patient Informatisé (DPI), sous forme de comptes rendus textuels non structurés. La base initiale comportait 20 000 comptes rendus d’urgences, représentatifs de la volumétrie réelle du service.
Un problème de volumétrie : l’impossible analyse manuelle
Une estimation simple permet de mesurer la complexité de la tâche.
En considérant un temps moyen de 4 minutes pour lire et interpréter un compte rendu :
20 000 CR × 4 min = 80 000 minutes, soit 1 333 heures,
équivalant à environ 190 jours ouvrés à raison de 7h de travail par jour.
Ce calcul montre qu’une analyse manuelle serait trop longue, fastidieuse et non reproductible.
Une solution d’automatisation intelligente s’imposait donc pour permettre une exploitation opérationnelle des données.
Les limites des solutions existantes
Les modèles d’intelligence artificielle généralistes (tels que ChatGPT ou Mistral) peuvent traiter du texte, mais présentent plusieurs limites dans un contexte hospitalier :
-
Corpus non médical : ces modèles sont entraînés sur des données générales et interprètent mal les formulations cliniques.
-
Coûts élevés : l’utilisation d’API externes à grande échelle (20 000 documents) engendre des coûts importants.
-
Problèmes de conformité : le transfert de données de santé vers des serveurs externes est incompatible avec les exigences de sécurité et de souveraineté des données hospitalières.
| Modèle | Tarif moyen (entrée + sortie) | Coût / CR (~2 500 tokens) | Coût total pour 20 000 CR |
| GPT-4-Turbo | 0,01 $ / 1 000 tokens | ≈ 0,025 $ | ≈ 500 $ (~470 €) |
| GPT-4-o | 0,005 $ / 1 000 tokens | ≈ 0,0125 $ | ≈ 250 $ (~230 €) |
Des tests menés sur des modèles locaux généralistes (Mistral, LLaMA-8B) ont également montré un manque de précision, des erreurs contextuelles et une mauvaise compréhension clinique.
L’usage d’une IA externe (type ChatGPT API) pour 20 000 comptes rendus est coûteux et non conforme sans maîtrise de la donnée. Une solution locale reste la seule voie réaliste et sécurisée.
Approche méthodologique : IA locale et logique heuristique
L’architecture retenue repose sur une combinaison entre un modèle d’IA locale et une méthode heuristique.
L’objectif : associer la puissance du traitement automatique à la rigueur d’une validation sémantique et métier.
Étapes principales :
- Étapes :1. Lecture automatique des comptes rendus : tentative initiale via une IA locale (décevant)2.Analyse heuristique : détection de patterns et étude sémantique du texte3.Algorithme de scoring : confrontation des résultats IA / heuristique et mesure de l’écart (Δ)4.Correction manuelle et stabilisation : ajustement des écarts par validation et recalibrage5.Génération d’un jeu de données validé : base stable servant de référence et d’entraînement
Principe de fonctionnement :
- L’IA et l’heuristique produisent deux interprétations distinctes du texte.
- L’écart Δ entre les deux est mesuré par l’algorithme de scoring.
- Cet écart déclenche une action corrective : ajustement manuel ou recalibrage automatique.
- Les données corrigées alimentent un jeu de données stable et vérifié.
- Une révision complémentaire du jeu de données est ensuite effectuée pour consolidation.
Cette approche crée une boucle de régulation continue entre l’IA, la logique métier et la supervision humaine, garantissant la fiabilité des résultats finaux.
Développement technique et intégration locale
L’outil final a été développé en Python, puis déployé sur le serveur local DATAMANAGER (DMANAGER), déjà utilisé pour le reporting automatisé (Bed Management).
L’ensemble du processus est totalement local, sans recours à des services cloud externes.
Caractéristiques principales :
-
Jeu de données d’entraînement : comptes rendus d’urgences 2024, nettoyés et validés manuellement.
-
Phase de test : réalisée sur le premier trimestre 2025 pour évaluer la robustesse et la stabilité du modèle.
-
Champs extraits automatiquement : Spécialité, Intention, Orientation, Établissement.
-
Interface : graphique et intuitive, accessible sans compétences techniques.
Cette architecture garantit une sécurité totale des données et une réutilisabilité pour d’autres flux hospitaliers.
Interface et expérience utilisateur
L’IA a été intégrée dans une application locale, pensée pour des utilisateurs non informaticiens (contrôle de gestion, pilotage, direction médicale).
Le fonctionnement repose sur quatre étapes simples :
-
Préparation du fichier : reformatage automatique des exports du DPI.
-
Vérification logicielle : contrôle de la configuration et installation automatique des dépendances.
-
Analyse : traitement du fichier par le moteur IA local, déclenché en un clic.
-
Export et visualisation : génération automatique d’un rapport graphique et d’un tableau de bord synthétique.
Cette ergonomie rend l’outil accessible, rapide et concret, sans nécessiter de ligne de code.
Restitution : un tableau de bord pour la décision
Les résultats sont présentés dans un tableau de bord interactif, affichant :
-
des indicateurs clés (KPI),
-
des corrélations entre spécialités,
-
et des graphiques synthétiques pour faciliter l’analyse.
Ce tableau de bord permet une lecture immédiate et actionnable des flux de patients et oriente les décisions organisationnelles.
Résultats et bénéfices
La création de cette IA locale a permis :
-
Une réduction drastique du temps d’analyse : de 190 jours estimés à seulement quelques heures de calcul.
-
Une sécurisation complète des données, grâce à un traitement 100 % interne.
-
Une fiabilisation des résultats, par le croisement entre IA, heuristique et validation humaine.
-
Une démocratisation de l’usage de l’IA, via une interface simple et intuitive.
Le modèle peut être réentraîné et adapté à d’autres services ou types de comptes rendus, ouvrant la voie à une exploitation transversale des données hospitalières.
Enseignements et perspectives
Ce projet montre que l’IA ne se substitue pas à l’expertise humaine, mais qu’elle la complète efficacement lorsqu’elle est conçue localement, supervisée et expliquée.
Il illustre une approche souveraine, pragmatique et durable de l’intelligence artificielle appliquée au monde hospitalier.
L’intégration d’une IA locale dans les processus métiers permet de :
-
valoriser les données hospitalières existantes,
-
renforcer la réactivité décisionnelle,
-
et transformer l’information en actif stratégique.
Conclusion
Les systèmes d’information hospitaliers contiennent une richesse encore sous-exploitée.
En combinant IA locale, logique métier et validation humaine, il devient possible de convertir un volume massif de données textuelles en indicateurs décisionnels concrets et fiables.
Ce projet marque une étape dans la transformation numérique du secteur hospitalier :
Passer d’une collecte de données passive à une exploitation intelligente, souveraine et utile au service des patients et des décideurs.