Carta Healthcare réduit de 66 % le temps de traitement des données cliniques avec Claude

Carta Healthcare est née d'une simple frustration au Stanford Children's Hospital : la collecte de données lente et manuelle freinait les progrès significatifs. Ce défi a fait naître une nouvelle idée : associer l'IA à l'expertise clinique pour rendre l'abstraction des données cliniques plus rapide, de meilleure qualité et moins coûteuse, ce que Carta appelle l'« intelligence hybride ».

Avec Claude, Carta Healthcare :

• Réduit le temps d'abstraction des données cliniques jusqu'à 66 % tout en améliorant la qualité des données
• A rendu possible le traitement de questions cliniquement complexes auparavant impossibles à automatiser
• Atteint des scores de fiabilité inter-évaluateurs (IRR) de 98 à 99 %, le standard de référence du secteur de la santé pour la qualité des données
• A transformé le travail des cliniciens, qui devaient jusqu’ici traquer manuellement les données. Ils peuvent désormais se contenter de les valider et ainsi gagner du temps pour exploiter leur valeur pour améliorer les soins de santé

Le problème

Chaque jour, les hôpitaux génèrent des montagnes de documentation clinique, incluant notes médicales, résultats de laboratoire, dossiers de médication, rapports chirurgicaux, et plus encore. Enfouies dans ces dossiers se trouvent les réponses à des questions critiques dont les registres cliniques ont besoin : le patient chirurgical a-t-il développé une infection dans les 30 jours ? Quel était son IMC à l'admission ? Les antibiotiques ont-ils été administrés dans la fenêtre correcte avant l'incision  ? Quel était le délai porte-ballon ?

L'extraction de ces réponses est ce qu’on appelle l'abstraction des données cliniques, un travail minutieux. Les abstracteurs formés passent, en moyenne, une heure par cas à fouiller manuellement les notes cliniques et les documents, recherchant des détails spécifiques enfouis dans le dossier médical électronique. Pour les cas complexes, ce temps peut s'étendre à cinq ou six heures. Un seul système de santé doit parfois traiter plus de 22 000 dossiers chirurgicaux par an, soit plus de 11 000 heures de travail annuellement.

Mais la difficulté ne se borne pas au volume. La documentation clinique est désordonnée, incohérente et souvent dispersée entre plusieurs systèmes et formats. Même au sein du même hôpital, la « bonne réponse » à une question portant sur le registre clinique peut nécessiter une interprétation, une réconciliation de notes contradictoires et une compréhension approfondie de l'intention clinique. Cette complexité explique pourquoi les tentatives d'automatisation traditionnelles échouent souvent, et pourquoi les flux de travail purement manuels restent coûteux et difficiles à maintenir.

« Les systèmes d'information hospitaliers sont très complexes et les flux de travail traditionnels d'extraction et d'intégration de données au sein des hôpitaux sont notoirement fragiles, varient considérablement d'un système à l'autre et tombent souvent en panne lors des mises à niveau des dossiers médicaux électroniques », déclare Andrew Crowder, Vice President of Engineering et CISO chez Carta Healthcare. « Nous avions besoin d'une approche qui nous protège de ces incohérences et nous permette de livrer de la valeur sans être liés à des processus fragiles et spécifiques à chaque site. »

Choisir Claude

La sécurité a été le facteur décisif dans le choix du modèle par Carta Healthcare. Le traitement d'informations médicales sensibles, y compris des informations de santé protégées, exige des contrôles rigoureux en termes de confidentialité des données. La disponibilité de Claude in Amazon Bedrock a fourni à Carta Healthcare la confiance nécessaire en proposant des dispositifs pour la protection de la confidentialité des données et l'assurance que ces dernières ne seront pas utilisées pour l'entraînement des modèles.

« Même si d'autres modèles étaient disponibles dans Amazon Bedrock, aucun n'a montré la capacité de raisonnement et de compréhension que nous avons trouvée dans les modèles d'Anthropic », déclare Crowder. « De plus, la recherche publiée sur les biais et l'alignement des modèles nous a permis de passer les examens rigoureux des comités IA des hôpitaux. »

Cette combinaison d'infrastructure de sécurité, de capacité de raisonnement et de recherche documentée sur l'alignement des modèles a permis à Carta Healthcare de franchir la barre élevée des comités informatiques et IA des hôpitaux, un prérequis pour tout système traitant des données patient.

Construire un système d'IA de qualité clinique

Claude alimente la plateforme Lighthouse de Carta Healthcare, servant de moteur IA pour l'abstraction des registres cliniques. Claude interprète les données médicales structurées et non structurées de manière sémantique, comprenant le contexte clinique pour formuler des réponses, fournir des justifications et faire remonter des citations directes des dossiers médicaux. Le système peut trouver des preuves faciles à manquer lors des revues manuelles, comme c’est le cas lorsque des documents sont enfouis dans un énorme dossier ou que des consultations datent de plusieurs années.

Carta Healthcare a mis en place un pipeline d'extraction en deux phases. Dans la première phase, Claude Haiku 3.5 et Sonnet 4 ont extrait les informations pertinentes de la documentation médicale, traitant à la fois les données structurées et les notes cliniques non structurées. Dans la seconde phase, Claude Sonnet a synthétisé toutes les preuves extraites pour formuler des suggestions de réponses aux questions portant sur le registre. Les preuves sont notées et classées. Cette approche a amélioré la précision et réduit la charge de validation pour les chargés d’abstraction des données, qui n’ont plus qu’à valider les résultats sans avoir à les chercher.

Le système étant construit autour de la capacité de Claude à comprendre le langage naturel, les experts cliniques peuvent l'améliorer directement. Quand les chargés d’abstraction remarquent un problème, l'équipe ajuste les requêtes plutôt que de réécrire du code. Ces modifications peuvent être testées en production le jour même et les personnes qui comprennent la nuance clinique restent aux commandes du comportement du système.

Le résultat

Pour un grand système de santé traitant plus de 22 000 dossiers chirurgicaux par an à travers 14 hôpitaux, les résultats ont été immédiats. Le temps par dossier est passé de 30 à 15-22 minutes pour les dossiers courants. Pour les dossiers complexes — ceux qui prenaient auparavant cinq ou six heures — ce délai est tombé à 90 minutes. Les gains de temps annuels ont atteint entre 3 667 et 6 050 heures, avec une fiabilité inter-évaluateurs constante, à 99 %.

Dans un grand système de santé multi-établissements, l'abstraction manuelle des cas NSQIP était une tension constante. Avec plus de 22 000 dossiers par an à travers 14 hôpitaux, chacun nécessitant environ 30 minutes d'abstraction, la charge de travail était immense, conduisant à plus de 11000 heures de travail chaque année. Le processus était lent, coûteux et sujet aux erreurs humaines. Avant d'utiliser la plateforme Lighthouse de Carta Healthcare, une chargée d’abstraction  était assez sceptique vis-à-vis de l'IA : expérimentée et pointue sur le plan clinique, elle craignait que l'IA ne réponde pas à ses attentes.

Mais elle a vu le potentiel. Elle a rencontré l'équipe produit de Carta Healthcare, partagé des retours détaillés et travaillé en étroite collaboration avec l'ingénierie pour affiner la plateforme. Son expertise clinique s’est avérée essentielle : elle savait quand quelque chose ne semblait pas correct, et ses retours ont contribué à façonner Lighthouse en outil fiable.

Aujourd'hui, elle fait entièrement confiance à Lighthouse. Pour les cas complexes, elle l'utilise même comme une seconde paire d'yeux, vérifiant les occurrences et détectant des détails subtils comme les médications post-opératoires qui pourraient autrement passer inaperçus. Comme elle le dit : « Lighthouse ne remplace pas mon jugement, il le renforce. » L'impact a été spectaculaire :

Le choix de Claude comme LLM principal a fondamentalement transformé le modèle économique de Carta Healthcare. En automatisant le travail cognitif d'abstraction des données cliniques non structurées, Claude et Lighthouse ont transformé le travail des cliniciens de l'entreprise, qui n’ont plus à traquer manuellement les données et peuvent se concentrer sur leur validation, bien plus utile, explique Crowder. Carta Healthcare rapporte une rétention client de 100 % ; 90 % des clients étendent également leur engagement au fil du temps.

Pour la suite, Carta Healthcare prévoit d'étendre ses capacités d'IA pour gérer des scénarios de registre plus complexes, y compris les cas comptant plusieurs procédures. « Nous sommes enthousiastes à l'idée de développer notre utilisation des modèles d'Anthropic », déclare Crowder. « Nous sommes également impatients d'approfondir notre relation technique à mesure que nous explorons de nouvelles possibilités avec Claude. »