Scout : Un Nouvel Outil de Recherche et de Synthèse EHR Basé sur LLM

La charge de documentation clinique et d'extraction de données des dossiers de santé électroniques (EHR) contribue de manière significative à l'épuisement des cliniciens. En réponse, nous avons développé Scout, une plateforme innovante qui utilise des modèles de langage de grande taille (LLM) pour permettre aux professionnels de santé de rechercher des données EHR via des requêtes en langage naturel. Chaque réponse de Scout est accompagnée de citations renvoyant aux données originales, garantissant ainsi une vérification facile des informations fournies. Nous avons mené une étude croisée randomisée, à l'aveugle pour les évaluateurs, impliquant 20 participants dans sept spécialités cliniques, portant sur 200 cas structurés. Les participants ont réalisé des tâches cliniques réalistes en utilisant soit Scout, soit le système EHR traditionnel. Les résultats ont montré que Scout réduisait le temps de réalisation des tâches de 37,6 % et diminuait considérablement la charge de travail perçue, notamment en matière de demande mentale et d'effort. De plus, des tests de non-infériorité ont confirmé que l'exactitude, la complétude et la pertinence des tâches effectuées avec Scout étaient comparables à celles réalisées avec l'EHR seul. Un déploiement pilote impliquant plus de 200 utilisateurs dans plus de 20 spécialités a généré plus de 6 600 interactions en trois mois, mettant en évidence diverses applications cliniques et administratives. Les évaluations automatisées ont identifié des erreurs à un taux faible, et une révision manuelle a montré que de nombreuses affirmations signalées étaient en fait soutenues par les dossiers des patients, soulignant la nécessité d'une validation humaine. Ces résultats préliminaires suggèrent que les outils EHR améliorés par LLM peuvent significativement alléger la charge de travail des cliniciens tout en préservant la qualité des résultats.