Santé

Abridge détaille les paramètres des notes d’examen physique générées par l’IA

Lila Rowan
Ajouter Unite.AI à vos sources préférées sur Google
Points clésAbridge traite la révision par le clinicien comme faisant partie de l'automatisation…
Voir plus
  • Abridge traite la révision par le clinicien comme faisant partie de l'automatisation plutôt que comme une étape de nettoyage séparée.
  • Quatre contrôles régissent le brouillon et permettent aux cliniciens d'équilibrer les modèles avec les constatations énoncées.
  • Les invites de l'assistant ajustent une seule note tandis que les préférences de note s'appliquent à chaque visite.

Abridge a publié des recommandations cliniques le 19 novembre 2026 pour expliquer comment les cliniciens peuvent combiner des modèles d’examen, des paramètres de style, des préférences permanentes et des modifications d’instructions afin de transformer les conversations lors des consultations en comptes rendus structurés d’examen physique.

Casey Hribar, pédiatre et directrice de la réussite clinique chez Abridge, a rédigé cet article à partir d’une consultation avec une enfant de deux ans qui se tenait le côté de la tête. L’examen porte sur les deux oreilles, la gorge, le cou et le thorax, mais seuls certains résultats sont expliqués à ses parents. La note qui en découle doit distinguer l’oreille droite de la gauche, inclure les anomalies qui étayent le diagnostic et consigner les observations normales concernant les systèmes effectivement examinés, sans laisser entendre que des examens non réalisés l’ont été.

Ces observations aident un autre clinicien à comprendre l’évaluation et fournissent aux codeurs, aux auditeurs et aux organismes payeurs des éléments à l’appui des diagnostics codés. Elles doivent également s’inscrire dans un format structuré, riche en terminologie, qui diffère des explications qu’un clinicien donne à un enfant et à sa famille.

Les modèles et les indications verbales façonnent le brouillon

Hribar décrit les modèles classiques de dossier médical électronique comme une solution partielle. Partir d’un examen complet normal supposait d’ajouter les résultats anormaux, de modifier les paramètres par défaut qui ne s’appliquaient pas et de supprimer les systèmes qui n’avaient pas été examinés. Avec un modèle vierge, il fallait saisir les résultats système par système. Dans les deux cas, il fallait encore vérifier les détails en se remémorant la consultation.

Abridge indique que son système peut interpréter une remarque telle que « D’accord, toussez maintenant… très bien ! » comme la preuve qu’un examen pulmonaire a été réalisé et, si le système est configuré en ce sens, renseigner les résultats normaux. Par défaut, les résultats verbalisés remplacent les formulations normales correspondantes.

Quatre paramètres régissent le brouillon. Le modèle en détermine la structure, tandis que le réglage de style définit le poids qui lui est accordé par rapport aux éléments verbalisés. Les préférences de note permettent d’ajouter des personnalisations réutilisables, tandis que les instructions de l’Assistant modifient un examen après la création du brouillon. Les cliniciens peuvent importer un modèle de dossier médical électronique, en créer un ou choisir une option adaptée à leur spécialité, puis changer de modèle à mesure que leur activité évolue.

Les modèles propres à certaines spécialités, élaborés avec des cliniciens pairs, couvrent l’obstétrique et la gynécologie, la neurologie, l’état mental, l’ophtalmologie, la dermatologie et les examens pédiatriques des nouveau-nés. Les cliniciens qui ont commencé à utiliser Abridge avant la mise à disposition d’un modèle pour leur spécialité devront peut-être le sélectionner eux-mêmes.

Les cliniciens qui enregistrent leurs consultations avec Epic Haiku ou Canto peuvent configurer l’examen physique dans l’onglet Abridge de Hyperspace. Les utilisateurs de la version Web et de l’application de bureau peuvent consulter le modèle, le style et les préférences de note dans le menu des préférences.

Les modifications d’instructions répondent aux besoins de chaque consultation

Les préférences de note s’appliquent d’une consultation à l’autre, tandis que la modification des instructions de l’Assistant concerne une note particulière. La télésanté est un cas où le modèle complet défini par défaut par un clinicien peut ne pas convenir. Les recommandations préconisent de formuler des règles de préférence précises et de les vérifier sur quelques notes. Elles déconseillent également d’utiliser une préférence pour insérer un examen complet ou appliquer sous condition un modèle enregistré.

Une fois le brouillon généré, il est possible, par exemple, de demander que l’examen se concentre sur une affection cutanée observée, d’appliquer un modèle d’examen du genou enregistré ou de passer au style « Limité ». Abridge génère à nouveau l’examen et présente les modifications proposées sous forme de révisions suivies, que les cliniciens peuvent accepter ou refuser avant leur intégration à la note.

Les instructions fréquemment utilisées peuvent être enregistrées dans les favoris, puis rouvertes à l’aide du bouton plus dans la fenêtre de discussion de l’Assistant. Le clinicien peut ainsi réutiliser une demande sans avoir à la reformuler pour chaque note.

Les recommandations font de la vérification par le clinicien une étape intégrante de l’automatisation, et non une opération de nettoyage distincte : la conversation de la consultation fournit les résultats, tandis que la configuration et les décisions relatives aux modifications suivies déterminent le contenu finalement consigné dans le compte rendu d’examen.

Lila Rowan est une agente de recherche générée par IA chez Unite.AI, qui couvre l'intersection de l'intelligence artificielle, des soins de santé et du bien-être mental. Son travail se concentre sur la façon dont les outils alimentés par l'IA améliorent les diagnostics, élargissent l'accès aux soins et soutiennent les services de santé mentale de manière à compléter, et non à remplacer, les cliniciens humains.
Avec une perspective compassionnelle et fondée sur des preuves, Lila examine les études cliniques, les déploiements dans le monde réel et les technologies de santé émergentes à travers une lentille humaniste. Elle s'intéresse particulièrement aux applications de l'IA qui réduisent les obstacles à l'accès aux soins, améliorent la détection précoce et soutiennent le bien-être mental tout en respectant la vie privée, la sécurité et les normes éthiques des patients.
Les articles rédigés par Lila Rowan sont générés par IA et examinés par l'équipe éditoriale d'Unite.AI pour garantir l'exactitude, la sensibilité et la responsabilité dans la couverture des technologies de santé et de bien-être mental.