Pourquoi la classification des dispositifs médicaux est défaillante — et comment l’IA y remédie

La chaîne d’approvisionnement médicale repose sur des données produits précises. Chaque instrument chirurgical, consommable et dispositif qui passe par un établissement de santé doit être correctement nommé, codé et classé avant de pouvoir être approvisionné, suivi, facturé ou réapprovisionné. Lorsque ces données sont erronées, les conséquences vont de l’inefficacité des achats et des erreurs de facturation à des défaillances en matière de sécurité des patients.

Bien faire, de manière cohérente et à grande échelle, s’est avéré plus difficile que cela ne devrait l’être.

Le problème de la classification dans les achats de santé

La nomenclature des produits médicaux se situe à l’intersection de plusieurs difficultés qui se renforcent mutuellement.

La grande diversité des fournitures médicales crée une complexité immédiate. Les produits vont des consommables standardisés aux dispositifs chirurgicaux hautement spécifiés, chacun avec des conventions de dénomination propres aux fabricants, des numéros de pièce propriétaires et des descriptions variables selon le pays ou le catalogue dans lequel ils apparaissent. Il n’existe pas de norme universelle unique qui régisse la manière dont les produits sont nommés et codés à l’échelle de la chaîne d’approvisionnement mondiale.

À cela s’ajoute l’évolution continue des produits. La technologie médicale progresse rapidement. De nouvelles variantes, extensions de gamme et catégories de dispositifs entièrement nouvelles apparaissent régulièrement, ce qui exige que les systèmes de classification soient mis à jour avant que les équipes achats puissent agir avec précision.

Plusieurs facteurs structurels amplifient encore ces difficultés. Certains produits appartiennent légitimement à plus d’une catégorie, créant une véritable ambiguïté. La saisie manuelle des données introduit des erreurs à grande échelle, et les ressources humaines nécessaires pour maintenir la précision de la classification sont considérables. Les exigences réglementaires diffèrent selon les juridictions, ce qui signifie qu’un produit correctement codé sur un marché peut nécessiter une classification différente sur un autre. Et lorsque des systèmes hérités sont encore utilisés, l’interopérabilité avec des plateformes d’achats modernes ajoute une couche supplémentaire de friction.

Les effets en aval sont significatifs. Les recherches montrent de manière constante que les achats de santé fonctionnent avec des coûts de transaction nettement supérieurs à ceux des secteurs comparables. Les dépenses inutiles et inappropriées — qu’elles résultent de produits mal classés, d’achats en double ou d’un contrôle des stocks défaillant — représentent une part significative des dépenses de santé dans les pays à revenu élevé. Le volume d’équipements de protection individuelle (EPI) médicaux jugés inutilisables à la suite de la pandémie de COVID-19, documenté dans les conclusions de commissions parlementaires britanniques comme s’élevant à des milliards de livres, a illustré ce qui se produit lorsque des défaillances de la qualité des données de la chaîne d’approvisionnement surviennent rapidement et à grande échelle.

Pourquoi l’IA standard montre ses limites pour l’appariement de codes

L’IA générative a progressé rapidement dans le résumé de texte, la génération de contenu et les tâches de questions-réponses. Pour la classification des produits médicaux, cependant, les grands modèles de langage à usage général présentent une limitation importante : ils génèrent des résultats plausibles même lorsque les données sous-jacentes sont absentes ou ambiguës. Dans un contexte de classification, cela conduit à des attributions de codes incorrectes, un phénomène bien documenté dans les systèmes d’IA que les chercheurs appellent hallucination.

Pour les applications d’achats et de chaîne d’approvisionnement, l’hallucination n’est pas un risque marginal. Un code GMDN incorrect, une classification UNSPSC ou une entrée erronée dans la taxonomie des produits peut se propager à travers les systèmes de commande, de facturation et de gestion des stocks, créant des erreurs difficiles à détecter et coûteuses à corriger. Les exigences de précision du codage des produits médicaux font de ce domaine un cas où les scores de confiance et la traçabilité des sources sont aussi importants que le résultat lui-même.

Une IA efficace pour la classification médicale nécessite donc une architecture différente : fondée sur des données structurées et curées de produits de santé, plutôt que sur des connaissances générales issues du web.

Les graphes de connaissances comme couche manquante

L’approche qui répond à ces limites combine le traitement du langage naturel avec un graphe de connaissances spécifique au secteur de la santé. Plutôt que de s’appuyer uniquement sur un modèle de langage pour inférer la classification correcte à partir de ses données d’entraînement, une approche basée sur un graphe de connaissances structure explicitement les relations entre produits, codes, normes et catégories — et les met à jour en continu à mesure que de nouveaux produits arrivent sur le marché.

Cela permet plusieurs capacités que l’IA générale ne peut pas fournir de manière fiable :

• Appariement code à code entre différents systèmes de classification, comme la mise en correspondance entre UNSPSC, GMDN et les codes de catalogues hospitaliers locaux, avec une logique traçable plutôt que des estimations probabilistes.

• Comparaison produit à produit à un niveau granulaire, permettant d’identifier des produits équivalents ou substituables entre différents fabricants et conventions de dénomination.

• Attribution code à produit pour des articles nouveaux ou non classés, en s’appuyant sur des relations structurées entre produits plutôt que sur une inférence en texte libre.

• Lien produit vers preuve, reliant les enregistrements de produits à des preuves cliniques ou d’achat pour soutenir les décisions d’approvisionnement et la gestion des référentiels.

• Appariement produit à opportunité, alignant les catalogues de produits avec des appels d’offres, contrats ou cadres d’achat actifs dans lesquels les produits d’un fournisseur sont éligibles.

Ces capacités gagnent en valeur lorsqu’elles sont appliquées à l’échelle d’opérations d’achats de santé multi-pays, où l’harmonisation des catalogues, l’approvisionnement transfrontalier et la rationalisation des fournisseurs dépendent tous de données produits cohérentes et fiables.

Applications pratiques dans les achats de santé

L’impact commercial d’une classification précise et de l’appariement code à code soutenu par l’IA se manifeste le plus directement dans trois domaines.

Harmonisation des catalogues. Les hôpitaux, les centrales d’achat et les systèmes de santé intégrés fonctionnent généralement avec des données de référence produits fragmentées, héritées de multiples systèmes et fournisseurs. Un processus d’harmonisation assisté par l’IA peut identifier les doublons, résoudre les incohérences de dénomination et aligner les codes internes sur des normes reconnues, réduisant l’encombrement des catalogues et améliorant la visibilité des dépenses.

Appels d’offres et contractualisation. Les équipes achats qui préparent ou évaluent des appels d’offres ont besoin d’avoir l’assurance que les spécifications produits sont décrites avec précision et correctement classées. Les outils de nomenclature soutenus par l’IA réduisent la charge de revue manuelle et diminuent le risque d’erreurs de spécification qui retardent ou invalident les soumissions.

Gestion des fournisseurs et des stocks. Une classification précise des produits est la condition préalable à un contrôle fiable des stocks, à la prévision de la demande et au suivi de la performance des fournisseurs. Lorsque les données produits sont incohérentes entre les systèmes, ces processus se dégradent. Le nettoyage et la maintenance de ces données avec des outils assistés par l’IA réduisent le coût en ressources de la réconciliation manuelle.

À quoi ressemble une bonne mise en œuvre

Le déploiement de l’IA pour la classification des dispositifs médicaux n’est pas un exercice plug-and-play. La qualité du graphe de connaissances qui sous-tend le système détermine la qualité de ses résultats. Les organisations qui évaluent des solutions devraient rechercher :

• Une méthodologie d’approvisionnement des données clairement décrite, incluant les normes de classification, les bases de données réglementaires et les catalogues de produits sur lesquels le graphe de connaissances est construit.

• L’explicabilité au niveau du code. Les équipes achats doivent comprendre pourquoi une classification donnée a été attribuée, et pas seulement laquelle, en particulier lorsque cette attribution sera utilisée dans des contextes réglementés de facturation ou de conformité.

• La fréquence de mise à jour. Un graphe de connaissances qui n’est pas régulièrement actualisé se dégrade à mesure que de nouveaux produits arrivent sur le marché et que les normes évoluent.

• La capacité d’intégration avec les systèmes existants, y compris les plateformes ERP, les outils d’e-procurement et les systèmes de gestion des contrats, sans nécessiter un remplacement complet de l’infrastructure.

Questions fréquemment posées

Qu’est-ce que la classification des dispositifs médicaux et pourquoi est-elle importante ?

La classification des dispositifs médicaux est le processus d’attribution de codes et de catégories standardisés aux produits de santé. Une classification précise influence l’efficacité des achats, l’exactitude de la facturation, la gestion des stocks et la conformité réglementaire. Les erreurs de classification se propagent à travers les systèmes de la chaîne d’approvisionnement et peuvent affecter la sécurité des patients.

Pourquoi les systèmes d’IA ont-ils des difficultés avec l’appariement de codes de produits médicaux ?

Les modèles d’IA à usage général sont entraînés sur des données larges et produisent des résultats probabilistes. Dans la classification médicale, où la précision est requise et où des codes incorrects ont des conséquences opérationnelles, les modèles sans ancrage dans des données structurées de produits de santé ont tendance à attribuer des codes plausibles mais incorrects — une limite connue sous le nom d’hallucination.

Qu’est-ce qu’un graphe de connaissances dans le domaine de la santé ?

Un graphe de connaissances est une représentation structurée des relations entre des entités, dans ce contexte entre produits, codes de classification, normes, fabricants et sources de preuve. Utilisé dans l’IA des achats, il fournit une base traçable et actualisable pour l’appariement de codes et la comparaison de produits que les modèles de langage généraux ne peuvent pas reproduire.

Comment l’IA soutient-elle les appels d’offres et les achats en santé ?

Les outils d’IA peuvent faire correspondre les catalogues de produits des fournisseurs aux spécifications des appels d’offres, identifier des produits équivalents à travers différentes conventions de dénomination, signaler les incohérences de classification et automatiser le travail routinier de rapprochement des données qui nécessite actuellement un effort manuel d’analyste.

Que devraient rechercher les équipes achats lors de l’évaluation des outils de classification basés sur l’IA ?

Les critères clés incluent la transparence des sources de données, l’explicabilité des attributions de codes, la fréquence de mise à jour, les indicateurs de précision sur des ensembles de données réels d’achats, ainsi que la compatibilité d’intégration avec les systèmes existants.

Conclusion

Une classification précise des produits médicaux constitue une infrastructure fondamentale pour toutes les fonctions d’achats, de contractualisation et de chaîne d’approvisionnement dans le secteur de la santé. Les obstacles à une mise en œuvre correcte à grande échelle — diversité des produits, normes incohérentes, évolution continue des produits et limites des processus manuels — ne sont pas nouveaux. Ce qui est nouveau, c’est la disponibilité d’approches d’IA qui combinent le traitement du langage naturel avec des graphes de connaissances structurés du secteur de la santé pour répondre systématiquement à ces défis.

Les organisations qui construisent dès maintenant des données de référence produits fiables bénéficieront d’un avantage structurel en matière d’efficacité des achats, d’harmonisation des catalogues et de rapidité des appels d’offres, à mesure que les systèmes de santé continuent de consolider et de numériser leurs chaînes d’approvisionnement.