L’impact du Covid-19 sur la démocratisation des agents conversationnels intelligents

La crise du COVID-19 s’est accompagnée d’un nombre d’appels record vers les hôpitaux (+ 160 %). Cet important flux d’appels a été éreintant pour le SAMU et pour les malades qui pouvaient attendre jusqu’à une heure avant de trouver un interlocuteur.

Les régulateurs du SAMU ont dû suivre une procédure de premier contact basique et répétitive consistant à poser des questions prédéfinies. La majorité de ces questions requéraient une réponse binaire : “oui” ou “non”.

Exemple de question :

‍

Dans un contexte nécessitant des délais de réponse extrêmement réduits, l’intelligence artificielle se présente comme une solution permettant aux professionnels de la santé de réduire leur temps passé sur des tâches répétitives et de se concentrer sur la prise en charge des patients infectés.

Nous verrons dans un premier temps quelles initiatives ont été mises en place pour simplifier les premiers contacts avec les patients à risque, puis nous proposerons notre propre approche à ce problème, basée sur le connecteur Modeo Speech-To-Text.

‍

Les initiatives mises en place par l’Etat

Dès mars, l’OMS a mis en place un chatbot sur WhatsApp. L’Etat français s’est lui aussi doté de plusieurs chatbots issus d’éditeurs privés : Covid-bot, AlloCovid, ISA, Chatbot TPLS Covid.

COVID-BOT

Covid-Bot est le chatbot du gouvernement français. Il utilise des règles décisionnelles basiques et il est donc difficile dans ce cas de parler d’IA. Nous avons testé son autodiagnostic. La conversation est guidée par le bot, qui vous pose au minimum 21 questions. Les huit premières questions concernent vos symptômes, le reste votre état de santé générale afin de déceler vos risques de comorbidité. Après avoir recueilli suffisamment de données pour un premier diagnostic Covid-19, le questionnaire vous demande votre code postal. L’objectif avec cette dernière question est d’associer la probabilité qu’une personne est le Coronavirus et la zone géographique afin de prédire la formation d’un nouveau cluster.

‍

‍

Notre avis : CovidBot est intéressant pour sa simplicité de mise en oeuvre. En effet, il est relativement simple de créer un agent conversationnel basé sur des règles décisionnelles. Cependant, il est dommage d’utiliser une interaction manuscrite car elle rend d’une part l’expérience utilisateur plus compliquée auprès des personnes âgées. D’autre part, elle ne permet pas au patient d’évoquer toutes les informations qu’il souhaite transmettre à l’agent conversationnel.

‍

‍

AlloCovid

AlloCovid est un bot vocal, issu d’une coopération entre partenaires académiques et privés : l’Inserm et l’université de Paris, e.Voyageurs SNCF et Allo Media. Il s’agit du premier cas d’utilisation de Chatbot vocal au service de la santé publique selon Xavier Jouven, porteur du projet, qui dirige l’unité Inserm Epidémiologie intégrative des maladies cardiovasculaires.

C’est un service gratuit, disponible 7j/7, 24h/24 et capable de traiter 1000 appels en parallèle.

Le bot pose des questions au patient puis utilise un système de compréhension du langage naturel (NLP) pour analyser les réponses et les classifier selon leur gravité. Après avoir posé une succession de questions et analysé chaque réponse, AlloCovid vous donne un diagnostic rapide, vous incitant ou non à consulter un médecin.

‍

‍

Notre avis : AlloCovid possède toutes les caractéristiques pour se substituer à un médecin pour un premier contact. Cependant, il est difficile de savoir à quelle point le modèle de transcription est performant, quand on voit la simplicité des questions posées. On regrette aussi un petit tutoriel de pré-diagnostic pour expliquer au patient comment fonctionne l’agent conversationnel et comment lui parler.

‍

Le concept d’agent conversationnel que nous proposons

L’intelligence artificielle (IA) permet d’analyser n’importe quel type de données y compris les données vocales. En partant d’un fichier audio, nous pouvons :

• Convertir des audios en texte : permet d’archiver les appels en les anonymisant pour rétrospectivement en extraire des informations pertinentes sur des gros volumes de données (tendance au niveau des symptômes, âge moyen des patients etc…), anticiper des signes précurseurs.
• Mots/expressions clés : possibilité d’extraire d’un appel des données importantes : âge de la personne, symptômes, date d’apparition des symptômes etc…
• Niveau d’affaiblissement/émotion : analyse du ton de la voix pour en déduire le niveau d’affaiblissement et l’émotion du patient.
• Génération d’une réponse adaptée : Association de la question et des mots/expressions identifiés à la réponse la plus adaptée pour ensuite orienter le patient vers un médecin ou lui recommander de rester chez lui.
• Classification des patients : Segmenter les patients selon les niveaux de symptôme pour concentrer le travail des médecins sur les cas les plus importants.

Le schéma ci-dessous illustre la façon dont nous pourrions automatiser le traitement des appels téléphoniques grâce à l’IA.

‍

‍

‍

Fonctionnement de la solution

‍

1. Les appels des patients sont réceptionnés via un système d’acquisition et de traitement en temps réel d’audio, comme AWS Connect (https://aws.amazon.com/fr/connect/).
2. Un Load Balancer redirige le flux d’appels entrant vers des machines virtuelles utilisées pour transcrire la voix en texte avec le model Speech-To-Text Modeo puis analyser le niveau d’affaiblissement et d’émotion de la voix.
3. Une fois l’audio converti en texte, on applique à la transcription le modèle custom Modeo de NLP spécialement entrainé sur des données médicales, pour extraire les mots clés : fièvre, symptômes, âge etc…
4. On utilise ensuite un modèle de détection d’informations sensibles pour anonymiser le texte, puis on fait un chiffrement des données avant de les envoyer dans une base de données sécurisée.
5. Enfin, on prédit la réponse la plus adaptée, basée sur la transcription et un ensemble de réponses possibles. Il ne reste plus qu’à envoyer la réponse la plus adaptée avec un système de Text-To-Speech.

‍

‍

Conclusion

La gestion des premiers contacts au téléphone avec les patients est un enjeu majeur dans la lutte contre le Covid-19. D’une part, ils mobilisent du personnel médical qualifié sur des tâches répétitives et relativement simples. D’autre part, ils sont une source d’informations fiables pour les patients, limitant ainsi la propagation de Fake News. C’est également une source d’informations pour les médecins. En effet, ces échanges contiennent de nombreuses données, extrêmement utiles pour suivre l’évolution de l’épidémie et mieux comprendre le virus

Lors de la première vague du Covid-19, plusieurs initiatives ont été mises en place par l’Etat et par des centres de recherche privés ou publics pour simplifier la prise en charge des patients utilisant différents agents conversationnels. Ces systèmes ont su faire leurs preuves, en comptant plusieurs centaines de milliers d’utilisateurs. Il s’agit d’un premier pas vers la démocratisation de l’utilisation des agents conversationnels dans notre société, dans le secteur de la santé ou autres (retail, transport, télécommunications, e-commerce etc…).

Cependant, les agents déployés pendant la première vague restent relativement basiques et de nombreuses autres fonctionnalités auraient pu être développées pour tirer pleinement profit de ces agents conversationnels (analyse de l’affaiblissement, segmentation des patients les plus à risque, prédiction de la formation d’un nouveau cluster etc…).