Under the hood - Comment Cavell passe-t-il de la parole à une note ?

Cavell a été développé dès le départ comme un moteur IA générique déployable dans différents contextes de soins. Médecins généralistes, infirmiers à domicile et spécialistes travaillent chacun à leur manière, avec des workflows différents et des attentes différentes concernant leur dossier. Pourtant, toutes ces applications partent du même noyau technologique. D’un point de vue technique, Cavell est un moteur de conversion parole-vers-texte-vers-code. Les composants qui convertissent la parole en texte puis ce texte en un rapport codé sont des blocs de construction généralisés. Ce choix architectural est délibéré : les améliorations apportées au moteur Cavell se répercutent automatiquement dans toutes les applications, génèrent des économies d’échelle et permettent de prendre en charge rapidement de nouveaux cas d’usage sans devoir repartir de zéro à chaque fois.

Anthony, co-fondateur de Cavell et Product Lead, a récemment plongé sous le capot du CareConnect AI Assistant lors d’un podcast de Corilus. À cette occasion, nous souhaitons approfondir les différents blocs qui composent ce moteur Cavell, et montrer comment ces blocs sont déployés différemment selon le contexte de soins. Les blocs de construction restent les mêmes, mais leur configuration est adaptée à la réalité de chaque contexte de soins.

Étape 1 : Capture de la parole

Tout commence par la capture de l’information parlée. La manière dont cette information est fournie varie fortement selon le contexte. Les infirmiers à domicile travaillent souvent avec de courtes notes vocales de vingt à trente secondes, généralement après une visite à domicile. Dans une telle note, ils dictent toutes les observations et actions pertinentes. Comme il s’agit d’un seul locuteur et que la dictée est intentionnelle, le microphone d’un smartphone suffit parfaitement. Pour les consultations, c’est différent. Lors d’une consultation chez un médecin généraliste, un spécialiste ou un psychologue, des informations cruciales sont exprimées non seulement par le prestataire de soins, mais aussi par le patient, souvent réparties sur l’ensemble de la conversation. Pour capturer ces informations de manière fiable, la capture audio doit être plus large et plus constante. C’est pourquoi nous recommandons dans ces contextes l’utilisation d’un microphone externe. Dans le podcast, Anthony a apporté plus de précisions sur l’importance du microphone externe.

Pour offrir un bon équilibre entre qualité audio, portée et prix, nous avons fait développer ce microphone externe sur mesure. Le microphone actuel se connecte via USB à l’ordinateur et fournit une qualité audio suffisante pour capturer correctement plusieurs locuteurs, sans perturber le workflow en pratique.

Étape 2 : Transcription

L’audio constitue l’entrée de l’étape suivante : la transcription. Dans cette phase, la parole est convertie en texte via un traitement cloud, ce qui est nécessaire pour garantir la rapidité et la scalabilité. Durant le podcast, Anthony explique pourquoi cette étape ne peut pas se faire localement sur l’ordinateur ou le smartphone du prestataire de soins.

Un facteur important lors des consultations est la reconnaissance des locuteurs (speaker diarization). Lors des consultations chez un médecin généraliste ou un spécialiste, un accompagnant est souvent présent, et il est essentiel de pouvoir distinguer ce qui est dit par le patient, par un accompagnant ou par le médecin. Cette séparation est cruciale pour l’interprétation correcte de la consultation. Pour les infirmiers à domicile, où une seule personne dicte généralement, la reconnaissance des locuteurs est beaucoup moins pertinente et le pipeline peut être simplifié.

Étape 3 : De la transcription à un rapport codé

La transcription n’est pas un point final. Dans la troisième étape, le texte est converti en un rapport codé, adapté au contexte de soins et à la manière dont le DPE attend l’information. Un tel rapport codé se compose d’une combinaison de texte libre, de codes diagnostiques et de paramètres structurés et codés.

Pour les infirmiers à domicile, Cavell extrait, en plus d’un champ de texte libre limité, une quarantaine de paramètres spécifiquement pertinents pour les observations infirmières et les soins de plaies. Pour les médecins généralistes, Cavell génère un rapport au format SOAP, avec une séparation claire entre ce que le patient indique subjectivement, ce qui peut être observé ou mesuré objectivement, l’évaluation codée et le plan de suivi. Ici aussi, environ quarante paramètres sont automatiquement reconnus et structurés, allant de la tension artérielle et du poids à des paramètres plus spécialisés, par exemple dans le cadre des consultations de diabète. Chez les médecins spécialistes, le format spécifique du rapport est encore plus important. Chaque spécialité a son propre focus, sa terminologie et sa structure de rapport. C’est pourquoi Cavell contient des templates pour plus de vingt-cinq spécialités et sous-spécialités, de l’endocrinologie et la cardiologie à l’orthopédie et la psychiatrie.

Pour que Cavell s’adapte au mieux à tous ces contextes de soins, notre équipe d’ingénieurs IA a mis en place un ensemble de modèles IA collaboratifs. Ces modèles garantissent que les rapports codés sont non seulement générés rapidement, mais aussi précis sur le plan du contenu et pertinents dans chaque contexte de soins spécifique. Durant le podcast, Anthony a apporté plus de précisions sur le fonctionnement concret de ces modèles IA pour les médecins généralistes.

À la fin de ce processus, le rapport codé est disponible dans le dossier patient électronique.

Cavell a donc été construit comme un seul moteur IA générique qui s’adapte au contexte dans lequel il est déployé. Qu’il s’agisse d’une courte note vocale d’un infirmier à domicile, d’une consultation chez le médecin généraliste ou d’un rapport de spécialiste, Cavell parcourt à chaque fois les mêmes étapes fondamentales : capture de la parole, transcription et conversion en un rapport codé. Ce qui diffère, c’est la configuration de ces étapes, adaptée au workflow, au contenu et aux exigences du contexte de soins. En travaillant avec des blocs de construction réutilisables, nous combinons qualité, rapidité et scalabilité, sans sacrifier la spécificité. C’est ce qui rend Cavell aujourd’hui largement déployable dans le secteur de la santé, et en même temps prêt à évoluer avec de nouveaux cas d’usage et modèles de soins.

Pour en savoir encore plus sur ce qui se cache Under the hood chez Cavell, écoutez le podcast complet via le lien suivant.