The Joint Commission

Le machine learning révolutionne The Joint Commission

Imaginez un inspecteur de la santé parcourant les services d’un établissement médical, observant avec rigueur chaque aspect de la prise en charge des patients.

C’est une mission qui exige précision et souci du détail. Qu’il s’agisse de la sécurité des patients ou des pratiques cliniques, chaque observation revêt une importance capitale.

Mais le véritable défi réside dans la traduction de ces observations en données exploitables, en les alignant avec des centaines de normes et d’éléments de performance (EPs) qui régissent le secteur de la santé.

Avec des milliers de standards en vigueur, cette tâche relevait du défi permanent.

Aux États-Unis, tous les établissements de santé doivent être certifiés comme “aptes à fonctionner”.

Cette certification implique le respect strict de critères de conformité tout en garantissant un haut niveau de service.

The Joint Commission est l’un des rares organismes habilités à délivrer cette certification, qu’elle garantit au travers d’inspections rigoureuses portant sur un large éventail de normes publiques, réglementations, exigences et procédures.

Consciente de la nécessité de se transformer, The Joint Commission a entamé une collaboration stratégique avec Inmeta by SoftwareOne (anciennement Crayon), une entreprise experte de l’écosystème cloud Azure.

L’objectif : exploiter la puissance du machine learning et de l’intelligence artificielle pour automatiser et fiabiliser l’analyse des résultats d’inspection.

Poser les bases d’une transformation cloud réussie avec Azure

Le choix de la plateforme Azure de Microsoft s’est imposé comme une décision stratégique, offrant l’infrastructure robuste nécessaire à un projet aussi ambitieux.

En combinant Azure DevOps, Azure Data Factory, Azure Machine Learning et Azure Kubernetes Service, les équipes d’Inmeta by SoftwareOne ont conçu l’architecture d’un système véritablement innovant.

Cette base technologique a permis de mettre en place des processus de Machine Learning Operations (MLOps) pour assurer le déploiement, le suivi, la mise à jour et le réentraînement continu des modèles.

La construction, l’entraînement et le prétraitement avancé des modèles sont entièrement réalisés sur Azure Machine Learning (AML) à l’aide de clusters de calcul flexibles équipés de GPU, garantissant puissance et évolutivité.

Un moment clé de cette transformation a été l’introduction d’un mécanisme de recherche “au fur et à mesure de la saisie” (search-as-you-type).

Les inspecteurs disposent désormais d’un outil intelligent capable de suggérer instantanément les éléments de performance (EPs) les plus pertinents dès qu’ils commencent à saisir leurs observations.

Cette innovation a considérablement réduit le temps passé à naviguer parmi les normes, permettant aux inspecteurs de se concentrer sur l’essentiel de leur mission : garantir la qualité optimale des soins de santé.

Une nouvelle ère du machine learning intelligent

Développer une solution de machine learning intelligente capable de répondre aux défis spécifiques de The Joint Commission n’a pas été une mince affaire. Le cœur du problème résidait dans la nature évolutive des EPs (éléments de performance), révisés tous les six mois.

Une approche classique basée sur la classification ne suffisait tout simplement pas.

L’équipe visionnaire de The Joint Commission a décidé d’aborder le problème sous un angle totalement nouveau, en le reformulant comme un défi de type "Question/Réponse". Chaque observation réalisée lors d’une inspection a été envisagée comme une « question », et l’EP correspondant comme la « réponse ».

Le défi consistait alors à établir un lien entre ces deux éléments, en s’appuyant sur des représentations en espace vectoriel.

Universal Sentence Encoder (USE) de Google s’est imposé comme l’outil idéal pour relever ce défi.

En convertissant les observations textuelles et les éléments de performance (EPs) en vecteurs (embeddings), l’équipe a pu poser les bases d’un système de correspondance précis.

L’entraînement d’un module de transformation (transformation head) pour aligner ces embeddings a permis d’affiner encore davantage le modèle.

La stack technologique mise en place était particulièrement solide, avec Python et le framework PyTorch au cœur de l’architecture.

Des expérimentations rigoureuses ont été menées sur des machines virtuelles Data Science dans l’environnement Azure.

Une fois le modèle stabilisé et optimisé, des pipelines Azure ML ont été déployés pour automatiser son entraînement et son déploiement.

Cohérence améliorée, gains d'efficacité et processus rationalise

L’impact de cette solution de machine learning a été profond.
The Joint Commission a constaté une amélioration significative de la cohérence des constats, un facteur clé pour garantir les standards les plus élevés en matière de qualité des soins.

Les inspecteurs peuvent désormais exercer leurs missions avec plus d’efficacité, et l’attribution des normes et des EPs n’a jamais été aussi fluide et structurée.
Kin Lee, Chief Digital and Information Officer de The Joint Commission et figure centrale de ce projet de transformation, souligne :
« L’initiative 'Machine Learning for Survey Consistency' exploite la richesse de nos données pour améliorer la cohérence des constats d’inspection et renforcer notre efficacité opérationnelle.

Ce projet et les enseignements qui en découlent ouvrent la voie à de nombreuses autres opportunités pour exploiter les données et les technologies au service de notre mission : améliorer la qualité des soins de santé et réduire les risques pour les patients. »
À l’heure où technologie et santé convergent, l’initiative de The Joint Commission démontre tout le potentiel du machine learning pour combler les écarts, renforcer la rigueur, et garantir à chaque individu l’accès à des soins de qualité optimale.

Accéder à l'excellence des soins de santé : technologie, innovation et collaboration.

La collaboration entre The Joint Commission et Inmeta par SoftwareOne témoigne du pouvoir de la technologie, de l'innovation et du partenariat dans la quête de l'excellence en matière de soins de santé. Elle illustre comment une approche avant-gardiste de l'IA et de l'apprentissage automatique peut remodeler un secteur fondamental pour le bien-être de chaque individu. Ce projet sert d'exemple inspirant pour les organisations de soins de santé du monde entier, soulignant l'impact transformateur de la technologie sur le chemin de la fourniture de soins de santé plus sûrs et de meilleure qualité.