Phase préanalytique : l'IA contre les erreurs de prélèvement

Avant qu'un analyseur produise un résultat, le prélèvement a déjà traversé plusieurs étapes : prescription, identification, recueil, préparation, transport et réception. Une incohérence à ce stade peut compromettre l'interprétation, même si l'analyse elle-même fonctionne correctement. L'IA peut rapprocher des informations dispersées et attirer l'attention sur certaines anomalies. Elle ne transforme toutefois pas un prélèvement douteux en échantillon fiable. Son intérêt est d'aider le laboratoire à détecter plus tôt les situations à vérifier, dans le cadre des procédures qualité et sous la responsabilité des professionnels compétents.

Repérer les points de rupture du parcours

Le projet commence par une cartographie concrète des flux. Les prélèvements réalisés sur place, ceux provenant d'un service de soins et ceux acheminés depuis un site distant ne présentent pas les mêmes contraintes. Il faut identifier les données disponibles à chaque étape : identité, examens demandés, nature du contenant, heure de prélèvement, réception et conditions de transport lorsqu'elles sont tracées. Une donnée absente ne doit jamais être remplacée par une supposition simplement pour permettre au logiciel de poursuivre son traitement.

Un assistant peut, par exemple, rapprocher la prescription des tubes enregistrés à l'arrivée et signaler un contenant apparemment incompatible avec un examen. Il peut aussi repérer une information de prélèvement manquante ou une discordance entre plusieurs documents. Ces contrôles exigent d'abord un référentiel entretenu des examens, des contenants et des conditions d'acceptation. Sans cette base, une interface intelligente ne fait qu'habiller des règles incomplètes et peut multiplier les alertes contradictoires.

Certaines vérifications relèvent d'ailleurs de règles déterministes plutôt que d'une IA. Comparer un code de tube à une liste autorisée ne nécessite pas nécessairement un modèle complexe. L'apport de l'IA devient plus pertinent lorsqu'il faut interpréter des commentaires libres, rapprocher des formulations variables ou hiérarchiser des situations à examiner. Séparer ces fonctions facilite leur validation et permet de comprendre quelle composante est à l'origine d'une alerte ou d'une absence d'alerte.

Contrôler la cohérence sans prétendre certifier l'identité

L'identification reste un domaine particulièrement sensible. Un système peut détecter que les informations de l'étiquette ne concordent pas avec celles de la demande. Il ne peut pas établir, à partir de cette seule cohérence informatique, que le tube contient bien le prélèvement de la personne attendue. Une inversion entre deux patients peut laisser des données parfaitement plausibles. Les procédures d'identitovigilance et les vérifications au moment du prélèvement restent donc indispensables.

Lorsqu'une discordance apparaît, l'assistant doit orienter vers la procédure prévue, et non proposer une correction automatique du nom ou une réattribution probable. Le laboratoire doit pouvoir retrouver les éléments qui ont déclenché l'alerte et contacter le professionnel concerné. Une correction administrative apparemment simple peut masquer une incertitude sur l'origine de l'échantillon. Le devenir du prélèvement dépend d'une évaluation professionnelle documentée, pas d'une estimation de ressemblance entre dossiers.

Le même principe s'applique aux doublons de prescription. Deux demandes proches peuvent être accidentelles, mais aussi correspondre à des prélèvements distincts ou à une surveillance justifiée. L'outil peut présenter les éléments comparables et demander une vérification. Supprimer automatiquement une demande risquerait de faire disparaître un examen nécessaire. Une bonne assistance rend le doute visible, en fournissant suffisamment de contexte pour que l'équipe puisse décider rapidement et de manière traçable.

Exploiter les informations de transport et de qualité

Lorsque les données existent, l'IA peut aider à repérer un parcours inhabituel : délai inattendu, absence d'une étape de traçabilité ou information de température à examiner. L'interprétation doit rester spécifique aux examens et aux conditions validées par le laboratoire. Un délai identique n'a pas la même signification pour tous les analytes. Il serait donc trompeur d'appliquer un seuil général ou de transformer une anomalie logistique en conclusion automatique sur la validité du résultat.

Des dispositifs d'imagerie peuvent aussi contribuer à l'inspection de certains tubes, selon leurs capacités validées. Ils ne doivent pas être présentés comme capables de détecter toute non-conformité. Une photographie peut révéler un problème visible, mais pas garantir des conditions de prélèvement adaptées. Les indices fournis par les automates et les observations des techniciens restent à intégrer. En cas de désaccord entre ces sources, une procédure doit préciser les vérifications et les responsabilités.

Le tri des alertes est essentiel pour éviter la saturation. Une identité incohérente, une information secondaire manquante et une suspicion de transport inadapté n'appellent pas la même réponse. Les messages doivent expliquer ce qui est observé, pourquoi cela mérite attention et quelle action est attendue. Un avertissement vague oblige l'équipe à reprendre toute l'enquête et favorise les contournements. L'objectif est de rendre la décision plus sûre, pas de multiplier les fenêtres à fermer.

Valider le dispositif dans le système qualité

Le biologiste, les équipes techniques, la qualité et l'informatique doivent définir ensemble l'usage prévu. La validation s'appuie sur des situations représentatives, comprenant des anomalies connues, des cas limites et des prélèvements conformes. Elle examine les alertes injustifiées autant que les défauts de détection. Les performances observées sur un flux ne doivent pas être extrapolées sans vérification à un autre site, à un autre matériel ou à une organisation différente des transports.

Une période d'observation sans action automatique permet de comparer les suggestions aux décisions habituelles. Chaque écart doit être analysé : information indisponible, référentiel incorrect, ambiguïté documentaire ou erreur du modèle. Les modifications sont ensuite documentées et vérifiées. La gestion des versions compte particulièrement lorsqu'un fournisseur met à jour son service : une amélioration annoncée peut modifier le comportement sur des situations déjà maîtrisées et justifie des contrôles ciblés avant généralisation.

Transformer les alertes en amélioration des pratiques

Les signalements deviennent utiles lorsqu'ils conduisent à une action sur le terrain. Si des informations manquent régulièrement dans les demandes d'un même circuit, il peut être préférable de revoir le formulaire ou la transmission plutôt que d'ajouter une alerte. Les échanges avec les préleveurs doivent rester pédagogiques et centrés sur les causes organisationnelles. L'analyse doit également distinguer les erreurs réelles des défauts de traçabilité, car les corrections à apporter ne sont pas nécessairement les mêmes.

En conclusion, l'IA préanalytique doit renforcer une chaîne de qualité déjà structurée. Suivre les anomalies confirmées, les reprises de prélèvement, le temps d'investigation et les alertes ignorées aide à apprécier son utilité réelle. Le meilleur résultat n'est pas un laboratoire où chaque tube reçoit un score, mais un parcours où les informations sont plus fiables, les écarts mieux expliqués et les décisions d'acceptation ou de rejet clairement assumées.