Generative AI for clinical documentation
L’équipe de projet a développé et étudié un concept basé sur un grand modèle de langage (LLM) pour automatiser l’assurance qualité de la documentation clinique.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institute for Patient-centered Digital Health (PCDH)
- Unité(s) de recherche PCDH / AI for Health
- Organisation d'encouragement Innosuisse
- Durée 04.02.2025 - 30.06.2026
- Direction du projet Prof. Dr. Kerstin Denecke
- Partenaire Cistec AG
Situation
L’équipe a mis l’accent sur la détection des incohérences dans les rapports cliniques. À cette fin, elle a d’abord élaboré un schéma de classification systématique comprenant sept catégories d’incohérences. Pour procéder à l’évaluation, elle a nettoyé, structuré et enrichi d’incohérences contrôlées à l’aide d’une modélisation g4.1 à base d’agents un ensemble de données fourni par le partenaire industriel. Différentes méthodes de prompting et de détection ont ensuite été mises en œuvre, testées et intégrées dans une architecture logicielle modulaire. Par ailleurs, l’équipe a mis au point des procédures de vérification des sources afin de pouvoir attribuer les incohérences identifiées à des passages précis du texte.
Résultat
Ce projet a permis de démontrer la faisabilité technique d’un contrôle des incohérences dans la documentation clinique à l’aide d’un grand modèle de langage (LLM). Un prototype a été mis au point pour détecter et localiser les contradictions dans les textes médicaux; ce système associe les anomalies identifiées à des sources de référence vérifiables. Parmi les principaux résultats, citons l’élaboration d’un schéma de classification des incohérences fondé scientifiquement et comportant sept catégories, une modélisation à base d’agents permettant la génération contrôlée de données de test, ainsi qu’une boucle d’évidence (cycle fondé sur les preuves) visant à améliorer la traçabilité et à réduire les hallucinations.
Perspectives
Les concepts développés dans le cadre de ce projet seront appliqués à des ensembles de données plus volumineux et plus proches de la réalité lors de travaux futurs, puis évalués systématiquement. Une attention particulière sera accordée à l’élargissement de l’approche visant à détecter les informations manquantes ou incomplètes dans les rapports cliniques. Le modèle a déjà été décrit sur le plan conceptuel dans le cadre du projet, mais n’a pas pu être étudié de façon approfondie en raison d’un manque de données. Il est également nécessaire de poursuivre l’intégration des méthodes mises au point dans les processus de documentation clinique et d’assurance qualité.
