Utilisation de l'IA dans la prédiction précoce des complications maternelles

Utilisation de systèmes basés sur l'IA dans le secteur de la santé publique : leçons tirées de Mlinde Mama

Des données à l'action : une IA pratique, éthique et centrée sur l'humain dans le secteur public

Leçons tirées de l'expérience de Mlinde Mama sur la mise en place d'une IA au service de la santé maternelle en Tanzanie.

Introduction : au-delà de la théorie

L'intelligence artificielle (IA) est souvent abordée en termes abstraits, mais le travail de PHIT avec Mlinde Mama montre comment des systèmes basés sur l'IA peuvent être appliqués de manière responsable dans le secteur public pour améliorer la prestation des services et sauver des vies. Plutôt que de remplacer les systèmes humains, l'IA au sein de Mlinde Mama est venue renforcer les capacités de santé publique, en se concentrant sur la prédiction des risques prénataux dans la région de Geita, en Tanzanie.

Notre objectif était ambitieux : construire un modèle d'apprentissage automatique (ML) capable de prédire les complications de grossesse et l'intégrer directement dans l'infrastructure nationale de santé numérique de la Tanzanie. Il ne s'agissait pas d'un exercice académique, mais de créer un outil concret pour les infirmières des dispensaires ruraux. Voici ce que nous en avons retenu.

Comment l'IA a été utilisée dans Mlinde Mama

L'IA et l'automatisation ont soutenu les fonctions essentielles de la plateforme, en s'appuyant sur plus de 300 000 dossiers de CPN enregistrés dans le système communautaire unifié du gouvernement (Unified Community System, UCS) :

• Planification personnalisée des messages : en fonction de l'âge gestationnel et des données de l'utilisatrice, pour des alertes santé adaptées à chaque étape.
• Reconnaissance de schémas : analyse des questions issues de la communication bidirectionnelle afin de fournir des conseils adaptés et de signaler les problèmes urgents tels que les signes de danger.
• Prédiction des risques : l'algorithme de ML, développé avec des experts du Ministère de la Santé selon des méthodes telles que XGBoost, a été entraîné pour prédire les troubles hypertensifs, atteignant une précision de 91 %.
• Analyse des données pour le suivi : nettoyage et structuration des données pour un apprentissage automatique continu et une surveillance de la santé publique.

Le modèle final a été déployé sous la forme d'une solution de logiciel en tant que service (SaaS) dotée d'API bien documentées, permettant à d'autres systèmes de se connecter au moteur de ML et de recevoir des prédictions, même hors ligne.

Leçon 1 : la phit_userity des données est toujours plus complexe qu'on ne le pense

Notre première leçon, et la plus profonde, concernait les données. Nous avions initialement prévu de nous appuyer sur de vastes dossiers médicaux électroniques, mais nous avons découvert :

• Des systèmes fragmentés : les données prénatales d'une femme étaient souvent stockées séparément de l'issue de son accouchement, ce qui rompait le lien essentiel nécessaire à la prédiction.
• Des dossiers incomplets : de nombreux établissements fonctionnaient encore sur papier. Même là où des systèmes numériques existaient, ils se concentraient sur les données démographiques, et non sur les données cliniques détaillées dont nous avions besoin.
• Des lacunes dans les données : certains paramètres clés n'étaient souvent testés qu'en cas de suspicion de problème.

Cela nous a contraints à réorienter notre approche vers la plateforme UCS du gouvernement. Nous avons dû nous retrousser les manches et effectuer nous-mêmes le travail minutieux de nettoyage, de structuration et de mise en relation de ces données. Commencez par les données, pas par l'algorithme.

Leçon 2 : concevoir pour l'intégration, tout en prévoyant de la flexibilité

Notre ambition était d'intégrer directement le module de ML au sein de l'UCS. Toutefois, le Ministère de la Santé était en train de mettre à jour l'UCS, et notre calendrier n'a pas pu s'y adapter directement.

Plutôt que d'abandonner, nous avons fait preuve de flexibilité. En étroite collaboration avec le Ministère de la Santé, nous avons développé le moteur de ML sous la forme d'un « module de prédiction » autonome, selon un modèle SaaS. Cette adaptabilité a transformé un échec potentiel en atout. L'outil n'est plus limité à une seule plateforme : il peut être utilisé par des hôpitaux privés, des institutions de recherche et d'autres programmes de santé, ce qui élargit son impact.

Leçon 3 : l'appropriation par le gouvernement est l'objectif ultime

Dès le départ, notre mot d'ordre a été la durabilité. En choisissant l'UCS, propriété du gouvernement, et en co-créant la solution avec les responsables du Ministère de la Santé, nous avons veillé à ce que le produit final ne soit pas « l'outil de PHIT », mais « l'outil de la Tanzanie ». Cela impliquait de composer patiemment avec la bureaucratie, de renforcer les capacités locales et de nous concentrer sur les besoins du système plutôt que sur nos propres attentes.

Principes clés pour l'IA dans le secteur public

L'expérience de PHIT met en lumière des enseignements essentiels pour une innovation responsable :

1. L'intérêt public avant tout : l'IA a servi les citoyens en réduisant la charge des établissements et en priorisant les cas à haut risque, sans se limiter à une simple recherche d'efficacité.
2. Transparence et confiance : la co-création avec le Ministère de la Santé a favorisé l'adoption, et les boucles de retour d'information ont permis aux prestataires de corriger et d'ajuster les résultats du système.
3. La supervision humaine n'est pas négociable : les prestataires interprétaient les prédictions de l'IA, garantissant un usage éthique dans le domaine de la santé. L'IA vient renforcer, et non remplacer, le jugement humain.
4. Équité et inclusion : le système a été conçu pour les utilisatrices rurales et peu alphabétisées, avec un recours au SMS en solution de repli, touchant plus de 5 900 femmes.
5. Protection des données et éthique : nous avons respecté rigoureusement les normes du Ministère de la Santé et de l'Institut National de Recherche Médicale (NIMR), avec des protocoles clairs de partage des données et aucun dépôt de propriété intellectuelle, garantissant ainsi la protection des données des citoyens.

Pourquoi cela compte pour les gouvernements et les partenaires

Mise en œuvre de manière responsable, l'IA peut :

• Étendre la portée des services publics : au sein de Mlinde Mama, elle a contribué à faire passer le taux de CPN4+ à 93,9 %.
• Améliorer la cohérence et la qualité : avec des taux d'achèvement des tests plus élevés et une réduction spectaculaire de 88 % des issues de naissance défavorables chez les femmes ayant effectué quatre consultations ou plus.
• Appuyer des décisions fondées sur des données probantes : les enseignements tirés des évaluations finales et des études publiées alimentent directement les plans de mise à l'échelle.
• Renforcer la redevabilité : les revues mensuelles des données et leur diffusion lors de conférences telles que le IDM Symposium 2024 garantissent un apprentissage continu.

La vision de PHIT pour l'avenir

Mlinde Mama démontre que l'IA peut être concrète, éthique et porteuse d'impact dans des contextes de secteur public à ressources limitées, à condition d'être ancrée dans les besoins des phit_user et une gouvernance solide. PHIT s'engage à faire progresser une infrastructure publique numérique et basée sur l'IA responsable, qui :

• Renforce les systèmes gouvernementaux pour en assurer l'appropriation et la durabilité.
• Protège les droits des citoyens en priorisant l'équité et l'éthique.
• Produit un impact social mesurable, comme en témoigne l'amélioration des résultats en santé maternelle à Geita.

Contactez info@phit.or.tz pour échanger sur les applications de l'IA dans le domaine de la santé.