Confier à l’IA le calcul prévisionnel d’un budget hospitalier ?

Se faire aider par un agent conversationnel (même générique) pour améliorer l’exercice de prévision budgétaire. Est-ce possible ou même envisageable dans le contexte hospitalier ? Le groupe hospitalier universitaire Paris psychiatrie et neurosciences a tenté l’expérience et répond par l’affirmative. Mais à certaines conditions.

Le projet-test portait sur le recours à l’IA générative pour calculer des prévisions de dépenses pour le recrutement de paramédicaux intérimaires. L’hôpital ne s’est pas pour autant lancé é tête baissée dans l’exercice, laissant l’outil opérer en toute autonomie.

On le sait, les ChatGPT et consorts ont pour habitude, pour ne pas dire pour principe, de s’alimenter voracement de vos données les plus personnelles (et sensibles ?), d’en tirer des conclusions, souvent sans explications, et de les resservir sans vergogne au moindre quidam. Mieux vaut donc prendre quelques précautions.

Le GHU parisien tenait donc à “comprendre comment fonctionne l’IA et sur quoi elle se base pour faire des prévisions”, souligne le directeur financier du groupe dans une interview à APMnews/TICsanté.

Par ailleurs, les données fournies à ChatGPT (utilisé dans ce cas précis) étaient certes “représentatives” de la réalité mais n’étaient pas précisément celles correspondant aux dépenses passées.

Une fois le calcul opéré par ChatGPT, les responsables du projet ont demandé à l’agent conversationnel comment il était arrivé à ses conclusions, quels modèles statistiques il avait utilisé.

Avantage constaté : l’outil a eu recours à plusieurs modèles.

Voici ce que déclare le directeur financier : “L’outil ajuste en permanence les paramètres pour minimiser l’écart entre les prévisions et la réalité [des années précédentes]. Cela permet éventuellement de renseigner un changement dans la compréhension de la dépense. Par exemple, si l’on cherche à prévoir le nombre de passages aux urgences, pour caricaturer, imaginons que nous ayons toujours le même nombre de passages aux urgences d’une année sur l’autre. Généralement, on constate une saisonnalité, il y a plus de passages en hiver qu’en été. Le paramètre saisonnalité va donc être très fort. Mais tout à coup, on constate que pendant un temps donné, le nombre de passages se met à augmenter, en plus de la saisonnalité. A ce moment-là, le paramétrage de la saisonnalité va baisser et celui de la tendance va augmenter et ça, la machine peut l’indiquer.

Si l’on prend les dépenses d’intérim, on constate que si l’intérim a augmenté, c’est à cause des départs de personnels pendant le Covid. Mais la vision de la dépense de la [direction des affaires financières] était tellement chaotique – les dépenses variaient énormément d’un mois à l’autre – qu’on n’aurait jamais pu faire le lien aussi directement entre les deux. […] A l’inverse, on a découvert qu’on n’avait pas forcément de lien entre l’absentéisme et les dépenses d’intérim, alors qu’on aurait pu penser le contraire. Donc l’intérim a été utilisé pour combler non pas un problème d’absentéisme mais un problème de recrutement. C’est très compliqué en réalité pour nous de faire tous les croisements possibles entre toutes les données qu’on a pour expliquer une dépense.”

Autrement dit, l’outil IA peut potentiellement détecter des liens entre des phénomènes auquel un acteur humain ne penserait peut-être pas. Mais, ajoute encore le directeur financier, si l’IA s’avère donc plus efficace “pour des dépenses très variables et mal comprises”, elle est moins utile pour des données “plus routinières”. Et “l’imagination” de l’outil IA a des limites : “l’IA est incapable de donner des prévisions correctes lors d’événements inattendus”.

Source : TICsanté