Modèles et plateformes d’IA

Ambience Prepare met en évidence les éléments probants et les questions en suspens avant les consultations

mm
Ajouter Unite.AI à vos sources préférées sur Google

Le 12 novembre 2026, Ambience Healthcare a présenté Ambience Préparation, un processus préparatoire aux consultations dont la fonctionnalité Chart Prep transforme les dossiers longitudinaux des patients en synthèses étayées par des éléments probants. Le système est conçu pour examiner le dossier en prévision d’une consultation à venir, mettre en évidence les questions non résolues et laisser les décisions cliniques au clinicien.

Prepare comprend également Chart Chat, qui permet aux cliniciens de poser des questions en langage naturel sur le dossier d’un patient. L’annonce porte sur Chart Prep, conçu pour le court laps de temps consacré à l’examen du dossier avant une consultation : aider le clinicien à s’orienter, rétablir le fil des soins pertinent, mettre en évidence les changements et faire ressortir les questions en suspens. Les éléments probants à l’appui restent associés aux constatations, et les dossiers incomplets ou contradictoires sont signalés.

Rapprocher les dossiers médicamenteux avant une opération

Ambience illustre cette distinction par le cas d’un urologue qui se prépare à recevoir un patient ayant récemment subi un AVC multifocal, avant une résection transurétrale de la prostate prévue. Le service de cardiologie avait prévu de modifier les médicaments si une fibrillation auriculaire était détectée. Un examen ultérieur a confirmé la fibrillation auriculaire, mais les dossiers postérieurs ne permettaient pas de savoir clairement si l’apixaban avait été commencé et le clopidogrel arrêté.

Chaque entrée pouvait être résumée fidèlement sans pour autant résoudre la question des médicaments, pourtant centrale à la préparation de l’intervention. Chart Prep vise plutôt à relier l’intervention aux médicaments qui présentent un risque de saignement, à suivre le plan du service de cardiologie, à vérifier le résultat de l’enregistrement du rythme cardiaque et à comparer le changement prévu avec le rapprochement médicamenteux effectué par la suite. L’outil montre ce que les éléments du dossier permettent d’établir, signale les contradictions et maintient les questions non résolues en vue de leur examen par le clinicien.

Chorus fournit un contexte patient partagé

Chart Prep s’appuie sur Chorus, le système de contextualisation qu’Ambience a annoncé le 24 août 2026. Chorus donne à l’agent des outils pour parcourir un dossier, suivre un fil clinique, consulter les éléments probants sous-jacents, comparer les sources et retracer les conclusions jusqu’à leur origine. Il maintient une compréhension partagée du patient, liée aux sources, que différents processus Ambience peuvent réutiliser.

Ambience estime qu’il ne suffit pas de charger dans un modèle le plus grand nombre possible de textes du dossier : les dossiers volumineux peuvent dépasser la fenêtre de contexte, un contexte surchargé peut être plus difficile à exploiter de manière fiable, et le modèle a toujours besoin d’indications sur les fils cliniques et les éléments probants à examiner. L’annonce précédente de Chorus décrit la navigation entre les notes, les médicaments, les résultats d’analyses, les hospitalisations et les comptes rendus diagnostiques, ainsi que le rapprochement des sources et des chronologies contradictoires. Le dossier médical électronique reste la source faisant autorité, tandis que Chorus fournit une couche de contexte partagée entre ce dossier et les processus d’IA d’Ambience.

L’évaluation suit les faits cliniquement importants

L’évaluation de Chart Prep commence par l’examen, par des cliniciens certifiés par un conseil de spécialité, de dossiers anonymisés tels qu’ils se présentaient immédiatement avant une consultation à venir. Ils recensent et classent par ordre d’importance les faits pertinents pour la consultation ; un deuxième clinicien examine le cas de manière indépendante, et les désaccords ou omissions font l’objet d’un arbitrage. Les évaluateurs automatisés comparent les résultats aux références établies par les cliniciens uniquement après avoir atteint un niveau d’accord acceptable avec leurs évaluations. Chaque cas est exécuté plusieurs fois afin d’évaluer la cohérence.

Sur un ensemble de référence composé de 46 cas de patients anonymisés, avec trois exécutions indépendantes par cas, Ambience indique que son dernier dispositif de contextualisation, qui détermine la manière dont l’agent examine un dossier, a fait ressortir 92,2 % des faits critiques, contre 78,7 % pour le dispositif utilisé en production. L’intervalle de confiance à 95 % pour le résultat le plus récent allait de 87,2 % à 96,3 %. Le rappel de l’ensemble des faits critiques et très importants est passé de 66,3 % à 72,3 %.

La proportion des omissions restantes attribuées à l’incapacité de retrouver les éléments probants nécessaires est passée de 19,9 % à 9,3 %, soit une baisse de 53 % selon Ambience. La comparaison a maintenu constants le modèle génératif, la cohorte de patients, les références des cliniciens et la batterie d’évaluation, faisant du dispositif de contextualisation conçu par Chorus le principal changement. La différence mesurée porte donc sur la manière dont l’agent examine le dossier, et non sur une modification du modèle sous-jacent.

Cette distinction fournit aux systèmes de santé une mesure précise de l’utilité du produit : déterminer si un examen plus approfondi permet de retrouver et de hiérarchiser les faits jugés importants par les cliniciens, tout en conservant les éléments probants et les incertitudes pour examen. Dans l’exemple des médicaments, une préparation utile fait apparaître le plan non résolu avant l’intervention ; il revient au clinicien de décider comment le clarifier.

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.