Le Défi
Un réseau de santé régional en Ontario — trois hôpitaux, douze cliniques communautaires et un programme de coordination des soins à domicile — subissait une pression opérationnelle soutenue. Les volumes de patients avaient augmenté de 18 % au cours des trois années précédentes. Les effectifs n'avaient pas suivi. L'écart se manifestait par des résultats affectant à la fois les patients et le personnel de manière mesurable et documentée.
Les délais d'attente aux urgences pour les présentations non urgentes avaient atteint une moyenne de 4,5 heures — un chiffre qui plaçait le réseau dans le dernier quartile des réseaux de santé ontariens comparables. Le problème n'était pas une pénurie de capacité en médecine d'urgence ; c'était qu'une part significative des patients se présentant aux urgences avaient des affections pouvant être prises en charge dans des milieux de soins urgents ou de première ligne.
La ligne d'infirmières — un service financé par la province fournissant des orientations cliniques après les heures d'ouverture — recevait plus de 800 appels par jour avec des temps d'attente moyens dépassant 20 minutes. Les infirmières traitaient un mélange d'appels véritablement cliniques nécessitant une évaluation et d'appels d'information ne nécessitant pas d'expertise infirmière du tout : horaires de clinique, questions générales sur les médicaments, clarification d'instructions post-visite. L'incapacité à trier ce mélange d'appels consumait une capacité clinique nécessaire pour des orientations de santé substantielles.
Les taux de non-présentation aux rendez-vous de clinique avaient atteint 18 %, représentant des milliers de créneaux de rendez-vous inutilisés annuellement.
L'Approche
Remolda a conçu un système IA intégré à trois composantes ciblant les trois points de désalignement à plus fort impact : la ligne d'infirmières, la prévision de la demande aux urgences et la gestion des rendez-vous de clinique. Les composantes étaient conçues pour se renforcer mutuellement.
Audit (4 semaines). Nous avons évalué les flux de patients dans l'ensemble du réseau. Les conclusions clés : environ 35 % des visites aux urgences concernaient des affections pouvant être triées vers des soins urgents ou des soins de première ligne. Environ 60 % des appels à la ligne d'infirmières étaient informatifs — répondant à des questions ne nécessitant pas d'évaluation clinique.
Stratégie (6 semaines). Nous avons conçu le système à trois composantes en étroite collaboration avec le comité de gouvernance clinique du réseau, la direction des urgences et la direction de la ligne d'infirmières. La sécurité clinique a été établie comme contrainte de conception principale avant la rédaction de toute spécification technique : le système IA erra systématiquement du côté de l'escalade.
Toutes les composantes ont été conçues pour répondre aux exigences de la LPRPS, les informations de santé des patients étant traitées dans l'infrastructure propre du réseau.
Mise en œuvre — Vague 1 : Assistant de ligne de santé IA (2 mois). L'assistant de ligne de santé IA a été déployé pour gérer la couche informationnelle de la file d'appels. Les appelants posant des questions sur les horaires de clinique, les adresses, les instructions sur les médicaments, les questions de soins post-visite et des demandes similaires non cliniques étaient résolus par l'assistant IA — généralement en moins de 3 minutes, sans temps d'attente. L'assistant était configuré pour acheminer tout appel à contenu clinique vers une infirmière, immédiatement et sans friction.
Mise en œuvre — Vague 2 : Prévision de la demande aux urgences (2 mois). Des modèles prédictifs pour le volume aux urgences ont été construits en utilisant quatre années de données historiques combinées à des signaux externes : jour de la semaine, tendances saisonnières, météo régionale, calendriers d'événements locaux et données de surveillance de la santé publique. Les modèles ont été validés avant le déploiement et ont généré des prévisions de demande sur 48 heures pour chaque urgence du réseau.
Mise en œuvre — Vague 3 : Gestion intelligente des rendez-vous (3 mois). Le système de gestion des rendez-vous utilisait la notation du risque de non-présentation au niveau des patients — générée à partir de tendances historiques sur le type de rendez-vous, le segment de patients, le créneau horaire et l'assiduité passée — pour piloter des stratégies de rappel différenciées. Les rendez-vous à haut risque recevaient des rappels personnalisés, une capacité de reprogrammation bidirectionnelle et des offres proactives de liste d'attente.
Responsabilisation (en parallèle). La formation a été dispensée à trois groupes avec des besoins distincts : le personnel de la ligne d'infirmières, dont le flux de travail quotidien a changé le plus significativement ; les coordinateurs cliniques ; et le personnel administratif gérant le système de rendez-vous.
Les Résultats
- Réduction de 40 % des délais d'attente non urgents aux urgences. Le délai d'attente moyen pour les présentations non urgentes est passé de 4,5 heures à 2,7 heures. La réduction a été portée par une meilleure navigation des patients vers les milieux appropriés.
- 55 % des demandes à la ligne de santé résolues par l'IA sans implication d'une infirmière. Le délai d'attente moyen des appelants est passé de plus de 20 minutes à moins de 4 minutes. Les infirmières ont rapporté que leur mélange d'appels s'était déplacé vers l'évaluation clinique.
- Taux de non-présentation réduit de 18 % à 9 %. Environ 12 000 créneaux de rendez-vous annuels ont été récupérés.
- Satisfaction des patients : la ligne de santé a progressé de 67 % à 84 %. La satisfaction aux urgences a progressé de 52 % à 71 %, portée principalement par la réduction des délais d'attente.
- L'expérience du personnel s'est améliorée dans les trois groupes affectés. Le personnel de la ligne d'infirmières a rapporté une satisfaction professionnelle améliorée — leur travail avait évolué vers des appels cliniques engageant leur expertise.
Leçons Clés
1. La pensée systémique est incontournable en soins de santé. L'effet de composition entre les composantes — le triage de la ligne de santé réduisant la demande inappropriée aux urgences, la gestion des rendez-vous récupérant la capacité des cliniques, la prévision de la demande permettant l'optimisation des ressources — a produit des résultats qu'aucune intervention ponctuelle n'aurait pu atteindre.
2. La confidentialité et la sécurité clinique comme contraintes de conception, pas comme exigences de conformité. Les deux protocoles de conformité LPRPS et de sécurité clinique ont été établis avant la rédaction des spécifications techniques. Les contraintes de conception améliorent la solution — parce qu'elles forcent la précision sur ce que le système doit et ne doit pas faire.
3. La gouvernance clinique est le partenaire de mise en œuvre qui compte le plus. Les protocoles de triage IA de la Vague 1 n'ont pas été rédigés par les ingénieurs de Remolda. Ils ont été rédigés en collaboration avec des médecins urgentistes, des infirmières praticiennes et le comité de gouvernance clinique du réseau. L'équipe Remolda a construit le système qui exécutait ces protocoles.
Pour les réseaux de santé souhaitant améliorer les flux de patients et réduire le désalignement de la demande, consultez les capacités IA de Remolda pour la santé, nos services d'analytique prédictive et notre approche du déploiement de chatbots IA en santé.