Qualified Health et le University of Texas System utilisent Claude pour identifier les patients ayant besoin de soins vitaux

Qualified Health est une plateforme d'IA native du secteur de la santé qui identifie les patients éligibles à des traitements vitaux et à une meilleure gestion fondée sur les preuves, mais qui passeraient autrement inaperçus. Le University of Texas System est l'un des plus grands systèmes universitaires publics des États-Unis, avec des établissements de santé desservant des patients dans tout le Texas.

Avec Claude, Qualified Health et le UT System :

• Dépistent une population de 2 millions de patients pour identifier les candidats à des interventions vitales
• Orientent les patients éligibles directement dans les flux de travail des cliniciens avec la documentation associée
• Réalisent des examens de dossiers en quelques minutes, là où il fallait auparavant une extraction manuelle considérable
• Identifient les patients pouvant bénéficier d'une optimisation médicamenteuse, d'une intervention thérapeutique ou d'une discussion approfondie
• Prévoient de s'étendre de la cardiologie aux soins primaires, à la chirurgie vasculaire, à la gastro-entérologie, à la rhumatologie et à la neurologie d'ici fin 2026

Le problème

Au Texas, presque tous les comtés connaissent une pénurie critique de médecins. Les professionnels de santé savent que la détection précoce des maladies améliore les résultats, mais les informations nécessaires pour identifier les patients à risque sont enfouies dans des données cliniques fragmentées qu'aucun être humain ne pourrait raisonnablement examiner à grande échelle.

« Les gens veulent et méritent un niveau d'accès aux soins de santé que notre effectif ne peut pas réalistement fournir sans l'augmentation par l'IA », a déclaré le Dr Peter McCaffrey, Chief Digital and AI Officer au University of Texas Medical Branch (UTMB).

Les systèmes de santé ont passé des années à numériser leurs dossiers, mais la numérisation n'a pas rendu les données exploitables. « Le problème auquel nous sommes confrontés est littéralement un problème de recherche, de récupération et de compréhension », a expliqué McCaffrey. « Cela représente 90 % de ce que nous faisons. C'est là que notre personnel s'épuise et c'est là que la plupart des lacunes dans les soins s'accumulent. La taille et la portée de ces données ne cessent de croître, l'étendue de notre responsabilité envers les patients ne cesse de croître, mais notre effectif ne suit pas le rythme. »

Les organisations se sont retrouvées avec d'immenses quantités de notes cliniques non structurées, de rapports d'imagerie et de résultats d'examens dispersés dans des systèmes déconnectés. Un patient peut recevoir un nouveau diagnostic d'insuffisance cardiaque et se voir prescrire un traitement, mais ces médicaments et dosages peuvent ne pas correspondre aux dernières recommandations. Parallèlement, une équipe de cardiologie, même au sein du même hôpital, peut connaître les dernières recommandations, mais ne saurait pas si les patients nouvellement diagnostiqués reçoivent des soins conformes aux recommandations, même si cela améliore la mortalité. Au Texas, on estime que 4 à 6 millions de patients sont éligibles chaque année à des interventions fondées sur les preuves et ne sont jamais identifiés, ce qui entraîne des décès évitables, des complications évitables et une pression croissante sur le système de santé.

Claude permet l'identification des patients à l'échelle de la population

Qualified Health a développé une plateforme d'IA avec Claude Sonnet 4.5 pour aider les systèmes de santé à identifier les patients éligibles à des interventions éprouvées et fondées sur les preuves, à l'échelle de la population. Claude a été sélectionné à l'issue d'une évaluation structurée de plusieurs modèles, sur la base de ses performances en matière d'extraction précise d'informations cliniques, de minimisation des hallucinations et de production de résultats entièrement traçables jusqu'aux données sources, des capacités requises pour une utilisation sûre en milieu clinique.

La plateforme intègre des données cliniques fragmentées, telles que des notes, des résultats de laboratoire, des imageries et des dossiers de procédures, et applique des critères cliniques précis, fondés sur les recommandations, pour déterminer l'éligibilité des patients dans un large éventail de pratiques cardiologiques. 

Les patients répondant à ces critères sont signalés directement dans les flux de travail existants des cliniciens pour examen, avec une documentation associée générée pour tracer chaque constatation jusqu'aux données sources. Cette approche raccourcit le chemin entre l'identification et le traitement tout en préservant la supervision clinique, permettant aux systèmes de santé de fournir des soins fondés sur les preuves de manière plus cohérente et à une échelle auparavant irréalisable.

De la prise en charge réactive à l'intervention proactive

Justin Norden, MD, médecin et informaticien, a fondé Qualified Health pour aider les systèmes de santé à déployer l'IA de manière sûre et à grande échelle dans les opérations cliniques et administratives, permettant aux cliniciens de trouver et de traiter les patients qui passeraient autrement entre les mailles du filet. Son entreprise précédente se concentrait sur la sécurité des algorithmes et la confiance dans les environnements à haut risque avant d'être acquise pour des applications de véhicules autonomes. Cette expérience a façonné l'approche de Qualified Health : construire l'infrastructure nécessaire pour surveiller, valider et gouverner les performances de l'IA dans les environnements de santé à haut risque.

« Si nous détections les patients plus tôt et intervenions, ce serait mieux pour tout le monde. C'est très bien connu », a déclaré Norden. « Ce qui n'est pas encore bien connu, c'est qu'aujourd'hui, nous avons le potentiel de le faire. »

Le partenariat avec le UT System a commencé lorsque le Dr McCaffrey étendait son rôle de leadership en IA à l'UTMB. L'institution avait besoin d'un partenaire capable de les aider à avancer rapidement et à démontrer une valeur réelle, pas seulement à mener des expériences intéressantes. « Nous ne sommes pas tellement intéressés par le fait que vous ayez fait quelque chose qui a l'air bien sur un poster », a expliqué le Dr McCaffrey. « À ce stade, nous avons besoin de véritables exemples où l'IA est déployée en pratique et apporte de la valeur aux soins, car c'est notre mission. »

Pour les cardiologues du Sealy Heart and Vascular Institute de l'UTMB, le flux de travail est simple. Ils se connectent à la plateforme de Qualified Health et voient un recensement des patients qui ont été pré-dépistés par l'IA et qui présentent des opportunités de gestion plus optimisée dans des domaines comme l'insuffisance cardiaque et les maladies valvulaires. Le système met ensuite en avant le contexte médical et historique pertinent, équilibré avec des critères d'appropriation fondés sur les preuves, pour mettre en lumière ceux qui pourraient autrement passer inaperçus mais qui bénéficieraient d'une meilleure prise en charge. La plateforme d'IA propulsée par Claude fait ressortir les détails pertinents du dossier de chaque patient, en extrayant et en synthétisant des informations qu'il serait impossible de compiler manuellement à l'échelle d'une population de patients.

« Je pourrais passer des heures à parcourir des dossiers et trouver des choses préoccupantes », a déclaré Norden. « Mais vous ne pouvez pas faire cela sur 10 000 patients. » Le système ne remplace pas le jugement clinique, a-t-il ajouté. Il l'amplifie, permettant aux cliniciens d'appliquer leur expertise à une échelle auparavant impossible.

Choisir Claude pour la précision clinique

Qualified Health évalue en permanence plusieurs grands modèles de langage à travers un processus rigoureux de benchmarking interne combinant des tests automatisés et un examen structuré par des médecins en exercice. Les modèles sont évalués sur leur capacité à extraire avec précision des informations cliniques structurées à partir de données sources complexes, à minimiser les modes de défaillance tels que les hallucinations, et à fournir des citations traçables renvoyant aux dossiers sous-jacents.

« Notre priorité est la précision et la fiabilité », a déclaré Norden. « Nous avons besoin de modèles capables d'identifier systématiquement les bons signaux cliniques, d'éviter l'introduction d'erreurs et de rendre chaque résultat entièrement référençable par rapport aux données sources. Dans nos évaluations pour ce travail, Claude a démontré les meilleures performances dans toutes ces dimensions. »

« La sécurité n'est pas négociable dans le domaine de la santé », a ajouté Norden. « Anthropic est un leader incontesté dans la construction de modèles dotés de solides fondations en matière de sécurité, et c'est un facteur important dans notre prise de décision. »

Le processus de validation reflète les racines de Qualified Health dans la sécurité algorithmique et la rigueur clinique. Chaque déploiement suit une approche par étapes qui inclut des tests rétrospectifs sur des données historiques, des évaluations automatisées, un examen structuré par des médecins et des déploiements contrôlés avant une utilisation plus large avec les partenaires.

« Aucune décision clinique n'est prise de manière entièrement automatisée », a souligné Norden. « Chaque résultat est examiné par des cliniciens, avec une validation directe par rapport aux données sources. La supervision humaine est intégrée au système dès sa conception. »

Le résultat

Au cours du premier mois de déploiement, la plateforme a révélé que jusqu'à un tiers des patients souffrant d'insuffisance cardiaque présentent des opportunités d'amélioration de l'optimisation du traitement médical dirigé par les recommandations. Lors de la première vague d'examen, cela s'est traduit par des dizaines de patients présentant des opportunités d'amélioration fondée sur les preuves de la gestion médicamenteuse, que les cardiologues pouvaient ensuite valider et signaler aux équipes soignantes. « C'est un excellent exemple de l'IA qui augmente activement l'effectif clinique », a déclaré McCaffrey. « Il est bien connu que de nombreux patients souffrant d'insuffisance cardiaque peuvent bénéficier d'une meilleure gestion pharmacologique, mais examiner cette adhérence et cette pratique médicamenteuse à l'échelle d'une population n'est tout simplement pas faisable ; nous n'avons pas la capacité clinique pour cela. »

L'approche s'étend au-delà de la cardiologie. « Nous avons commencé en cardiologie, mais ce n'est pas qu'un outil cardiologique », a noté McCaffrey. « C'est le même problème partout : il y a un patient en gastro-entérologie avec une cirrhose précoce, il y a quelqu'un en vasculaire avec un anévrisme qui n'a jamais été signalé. L'information est là. Nous n'avions tout simplement pas de moyen évolutif de la faire remonter. Le besoin n'est pas que l'IA prenne des décisions médicales ; le besoin est de mettre en lumière les problèmes enfouis afin que les cliniciens puissent prendre des décisions médicales. »

La cardiologie a été un point de départ délibéré en tant que spécialité dotée de critères diagnostiques bien établis, de recommandations cliniques claires et de la disponibilité d'interventions éprouvées avec un potentiel de sauvetage de vies.

S'appuyant sur le succès de l'UTMB, l'initiative s'étend désormais à l'ensemble du système. D'ici fin 2026, de nouveaux déploiements aideront les systèmes de santé à travers le Texas à identifier les patients éligibles à des traitements fondés sur les preuves dans les spécialités de soins primaires, vasculaires, gastro-intestinaux, de rhumatologie et de neurologie. Le Dr McCaffrey préside les travaux sur l'IA dans tous les établissements de santé du UT System, et le système se considère comme responsable de tous les Texans, dans toute sa diversité géographique, médicale et socio-économique exceptionnelle.

Le Dr McCaffrey a ajouté : « Être capable de mettre à l'échelle cette intelligence, ce raisonnement clinique, pour tout le monde, partout, est un bien social véritablement inhérent. » 

‍