Les encouragements ne sont pas une solution unique. Voici comment leur personnalisation pourrait changer les soins de santé

Wellth s'attaque au problème de la non-adhésion aux médicaments et aux plans de soins en utilisant l'économie comportementale et l'IA. L'approche de Wellth est fondée sur les principes de l'économie comportementale tels que l'aversion à la perte et l'effet de dotation. Les patients qui participent à ce programme reçoivent un crédit monétaire au début de chaque mois et sont invités à se présenter quotidiennement pour suivre leur état de santé et leur prise de médicaments. Si un patient manque un contrôle, il perd 2 dollars de crédit.

Ces motivations extrinsèques sont complétées par des motivations intrinsèques et des touches personnelles (telles que le soutien social et familial) afin de rendre le programme plus efficace dans l'acquisition d'habitudes saines.

Cependant, pour les patients souffrant de maladies chroniques, il est important que le changement de comportement se poursuive sur une période plus longue. Wellth utilise l'IA pour apprendre comment les différents patients réagissent aux diverses interventions de nudging et comment leur comportement évolue dans le temps. La plateforme interroge aussi régulièrement les patients pour comprendre leur situation socio-économique. Cette collecte de données en temps réel et ce processus continu d'itération permettent de s'attaquer aux obstacles propres à chaque patient d'une manière personnalisée, qui peut également être déployée à grande échelle pour atteindre des milliers de patients à la fois.

AllazoHealth se concentre également sur le problème de l'inobservance thérapeutique, mais son intelligence artificielle adopte une approche légèrement différente. Tout en adaptant de manière itérative les interventions auprès des patients sur la base des données qu'elle a recueillies, AllazoHealth est capable de prédire le risque de non-observance pour un patient donné, ainsi que les interventions susceptibles d'avoir le plus d'impact pour lui. Pour ce faire, elle apprend à partir d'ensembles de données vastes et diversifiés, qui comprennent des informations sur plus de 23 millions de patients. Cela permet de personnaliser les conseils dès le départ.

AllazoHealth accorde également une grande importance au moment où une intervention est mise en œuvre et à son mode de mise en œuvre. Le moment de la journée peut influencer l'efficacité d'un nudge. Par exemple, il est plus efficace de rappeler au patient de prendre ses médicaments lorsqu'il est éveillé et chez lui, ou immédiatement après un repas.

Lirio s'associe aux systèmes de santé et aux payeurs pour proposer une communication centrée sur le patient, afin de faire évoluer son comportement dans le bon sens. Comme les technologies décrites ci-dessus, Lirio utilise l'apprentissage automatique pour traiter les données relatives à chaque patient, personnaliser les messages, mesurer l'engagement, modifier le message et répéter l'opération. Bien que leurs messages soient pré-codés par des spécialistes du comportement, ils peuvent être décomposés en leurs éléments constitutifs, puis réassemblés en des milliers de combinaisons uniques. Cela permet à la technologie d'apprentissage automatique d'adapter le contenu en fonction des besoins particuliers du patient.

La plateforme de Lirio peut être utilisée pour une variété de problèmes de santé tels que les dépistages du cancer, les soins chroniques et même les visites de bien-être, et se concentre uniquement sur la messagerie hyperpersonnalisée pour optimiser l'engagement. Récemment, Lirio a utilisé sa technologie pour accroître l'acceptation de la vaccination COVID-19, démontrant ainsi son potentiel pour d'autres applications dans le domaine des soins de santé.

WoeBot est très différent des entreprises décrites ci-dessus, mais il s'appuie sur des principes similaires pour proposer des interventions ciblées. WoeBot est un chatbot de santé mentale alimenté par l'IA et conçu pour aider les utilisateurs à améliorer leur santé mentale. WoeBot est capable de dialoguer avec les utilisateurs de manière conversationnelle, afin de leur fournir un soutien et un accompagnement 24 heures sur 24 et 7 jours sur 7.

La technologie de cette entreprise est capable d'apprendre progressivement des conversations qu'elle a avec les patients, en utilisant des techniques de traitement du langage naturel (NLP) pour comprendre leurs états émotionnels et cognitifs. Elle utilise ensuite ces informations pour proposer des interventions ciblées qui reflètent la nature dynamique de la santé mentale. Ces interventions couvrent la thérapie cognitivo-comportementale (TCC), la psychothérapie interpersonnelle et la thérapie comportementale dialectique.

LivNao est une autre startup spécialisée dans la santé mentale qui s'appuie sur le nudging personnalisé, mais avec un point de départ légèrement différent. Grâce à l'apprentissage profond, LivNao vise à détecter les changements dans la santé mentale sans aucune intervention des utilisateurs, en utilisant uniquement des données passives. L'entreprise est fière de pouvoir identifier et collecter des données qui ne proviendraient traditionnellement que de questionnaires validés cliniquement, simplement en analysant l'engagement de l'utilisateur. Leurs analyses prédictives leur permettent ensuite d'inciter certains membres à bénéficier d'interventions incluses dans leurs avantages sociaux. Ils ciblent les employeurs et les compagnies d'assurance afin d'améliorer la productivité, de réduire les coûts des sinistres et d'améliorer globalement les résultats en matière de santé.

À TDL, nous avons récemment commencé à travailler sur un projet de recherche visant à améliorer l'application MyHeartCounts. MyHeartCounts (MHC) est une application mobile de recherche sur la santé cardiovasculaire basée sur un smartphone, développée à l'origine par l'école de médecine de l'université de Stanford, en partenariat avec Google.

MHC est capable de fournir des informations uniques et détaillées sur la manière dont l'équilibre entre l'activité, le comportement sédentaire et le sommeil contribue aux résultats en matière de santé cardiovasculaire. Jusqu'à présent, la recherche sur l'application s'est limitée à ses capacités en tant qu'outil de collecte de données. Au TDL, nous nous efforçons maintenant d'exploiter ces données pour proposer des interventions personnalisées. L'un des principaux défis auxquels l'application a été confrontée est l'engagement et la traction des utilisateurs : la collecte de données n'est efficace que si les utilisateurs s'engagent dans l'application. TDL s'efforce de mieux comprendre les barrières et les facteurs spécifiques qui affectent l'engagement, afin d'informer la conception d'une interface utilisateur améliorée et de susciter un changement de comportement positif au sein de diverses populations au Canada.

La technologie de l'intelligence artificielle permet de concevoir avec précision des messages et des interventions sur mesure qui peuvent être diffusés à grande échelle afin d'optimiser l'engagement dans les soins de santé. Alors que la dernière décennie a été marquée par l'explosion de diverses nouvelles technologies de santé numérique, la prochaine devra se concentrer sur l'optimisation du changement de comportement en fonction des divers profils comportementaux des patients. Les startups commencent à s'en rendre compte et le nudging personnalisé ouvre la voie.

Cela comporte des risques et des inconvénients. Par exemple, la collecte de données granulaires sur les patients peut être utilisée par les compagnies d'assurance pour augmenter les primes ou refuser la couverture aux patients à haut risque. Les patients peuvent également se montrer plus préoccupés par la confidentialité des données, ce qui constitue un obstacle à l'adoption et à la poursuite de l'engagement.

L'utilisation de l'IA peut également être sujette à des biais, et ce même dans le contexte de l'identification de modèles comportementaux. Il restera important d'entraîner les algorithmes à l'aide d'ensembles de données vastes et diversifiés pendant le développement de produits et d'interventions similaires. Alors que les soins de santé continuent de progresser dans la direction des soins personnalisés et numériques, bon nombre des mesures réglementaires déjà prises soutiendront directement les efforts en matière de nudging personnalisé et en réduiront les risques.