Systèmes de santé

Objectifs

Définir les contours pour développer et déployer des modèles d’IA fondationnels multimodaux qui soient robustes et responsables, c’est-à-dire faisables, performants, équitables et pertinents du point de vue des utilisateurs visés et du système de santé universel.

• Identifier les cas d’usage prometteurs de modèles fondationnels multimodaux pour le système de santé universel au Québec et ce à différents points du continuum de soins.
• Mettre en place la gouvernance et l’infrastructure nécessaire au déploiement de modèles fondationnels multimodaux robustes et responsables, dans un contexte réel, agnostics aux types de données et aux besoins auxquels les modèles visent à répondre.
• Co-construire un cadre d’évaluation de la qualité de ces infrastructures, de ces modèles et de leur valeur ajoutée selon la perspective des utilisateurs, des organisations et du système de santé.
• Analyser les facteurs et les mécanismes qui favorisent et limitent les développements et la mise à l’échelle de ces algorithmes au niveau organisationnel et systémique, afin d’élaborer des pistes d’action et des outils pour les décideurs et les gestionnaires.

Axes de recherche

Les scénarios d’utilisation sont au cœur de la recherche de ce regroupement et suivront les grandes lignes suivantes :

• Identification du décalage observé entre les promesses de l’IA et la réalité terrain.
• Identification des bloquants et des risques.
• Identification des méthodes prometteuses pour le déploiement robuste et responsable.
• Intégration d’une équipe interdisciplinaire (dont : utilisateur, développeur, décideur, facilitateur).
• Élaboration de cadres et pistes d’action par consensus d’experts et concertation avec l’écosystème.

Le processus de sélection des cas d’usage est actuellement en cours et les membres du R8 ont été invités à soumettre leurs scénarios. La sélection se fera selon les critères suivants :

• Alignement avec la vision, les objectifs de recherche et l’approche proposée par les co-responsables du regroupement R8;
• Effet structurant pour le système de santé québécois;
• Faisabilité et impact anticipé;
• Diversité des projets dans le continuum de soins, les domaines d’application et les populations ciblées;
• Potentiel de collaborations et synergies avec d’autres regroupements IVADO IAR³.

Défis

Le principal défi est le décalage entre les promesses de l’IA et la réalité de son utilisation dans le système de santé québécois. Il y a un potentiel d’améliorer la prévention, la détection précoce ou le traitement de maladies ainsi que d’améliorer l’efficience du système de santé. Les experts insistent sur les défis spécifiques au déploiement de l’IA dans le système de santé, notamment en lien avec la nature des données, la nature des flux de travail et cognitifs impliqués et le contexte particulier des organisations professionnelles dans un système de santé fragmenté.

Si le déploiement de modèles d’IA fondationnels multimodaux est prometteur, il comporte un nombre d’inconnus étant donné la nouveauté des approches et le peu de témoignages sur son utilisation concrète en santé et les risques associés.

Finalement, l’accès aux données de santé nécessaires pour le développement et le déploiement des modèles devra respecter les lois et normes éthiques en vigueur, en plus de s’assurer d’obtenir l’adhésion des patients.

Impact anticipé

• Amélioration de la prise de décision clinique et de la qualité des soins, grâce à la précision des diagnostics, la personnalisation accrue des soins et l’efficacité des traitements.
• Optimisation de l’organisation des services de santé : l’automatisation et l’optimisation des flux de travail se traduiront par une efficacité accrue et une réduction des coûts opérationnels, tout en libérant les cliniciens de tâches cléricales à faible valeur ajoutée.
• Renforcement de la veille et de la promotion de la santé : la mise en œuvre de ces modèles facilitera le dépistage précoce des maladies et la protection de la santé publique.
• Développement des capacités et attraction des talents : renforcement des capacités organisationnelles et systématiques pour guider une intégration de l’IA robuste et responsable, tout en favorisant le développement d’un écosystème d’IA en santé dynamique et innovant.
• Réduction des inégalités en santé en assurant un accès équitable aux technologies de pointe pour toute la population, avec une attention particulière aux groupes sous-représentés ou vulnérables.

Chercheuses et chercheurs

• Hassane Alami – Université de Montréal
• Carl-Éric Aubin – Polytechnique Montréal et CHU Sainte-Justine
• Robert Avram – Université de Montréal et Institut de Cardiologie de Montréal
• Danilo Bzdok – Université McGill
• Julien Cohen-Adad – Polytechnique Montréal et CHU Sainte-Justine
• Jean-Louis Denis – Université de Toronto
• Philippe Després – Université Laval
• Guillaume Dumas – Université de Montréal et CHU Sainte-Justine
• Julie Hussin – Université de Montréal et Institut de cardiologie de Montréal
• Marc-André Legault – Université de Montréal
• Cristina Longo – Université de Montréal
• Venkata Manem – Université Laval et CHU de Québec
• Erica Moodie – Université McGill
• Bouchra Nasri – Université de Montréal
• Jean Noel Nikiema – Université de Montréal
• Esli Osmanlliu – Université McGill et Centre universitaire de santé McGill
• Samira Rahimi – Université McGill
• Catherine Régis – Université de Montréal
• Louis-Martin Rousseau – Polytechnique Montréal
• Angel Ruiz – Université Laval
• Mireille Schnitzer – Université de Montréal
• Pablo Valdes Donoso – Université de Montréal

Conseillère de recherche

Audrée Janelle-Montcalm : audree.janelle-montcalm@ivado.ca