PATHFinder Agent for Tailored Prenatal Care

Résumé technique : Agent PATHFinder pour des soins prénatals sur mesure

Énoncé du problème
Les soins prénatals constituent un service de prévention essentiel, pourtant le modèle traditionnel de 12 à 14 visites en personne échoue souvent à prendre en compte les déterminants sociaux de la santé (ex. : instabilité du logement, travail aux horaires inflexibles) qui empêchent les patientes d'accéder aux soins. De plus, l'American College of Obstetricians and Gynecologists (ACOG) a introduit de nouvelles directives, le Plan pour des soins appropriés et adaptés (PATH), qui préconise des plans de soins flexibles et spécifiques à chaque patiente. Cependant, la mise en œuvre de PATH est complexe tant pour les cliniciens que pour les patientes ; les cliniciens font face à l'épuisement professionnel dû à la gestion de besoins sociaux non satisfaits avec des ressources insuffisantes, tandis que les patientes confrontées à des barrières sociales peuvent trouver les visites supplémentaires contraignantes plutôt qu'utiles. Il existe un besoin pour un système capable d'opérationnaliser ces directives adaptées, d'intégrer la mise en correspondance avec les ressources communautaires et de maintenir une supervision clinique sans surcharger les prestataires.

Méthodologie et conception du système
Les auteurs proposent PATHFinder Agent, un système d'agent conversationnel de bout en bout conçu pour recueillir le contexte de la patiente, synthétiser des plans de soins individualisés et présenter des ressources communautaires. Le système est co-conçu par des obstétriciens certifiés, des sages-femmes et des informaticiens pour garantir la validité clinique et la faisabilité technique.

• Architecture : Le système utilise un frontend React communiquant avec un backend FastAPI. L'agent central consiste en un grand modèle de langage (LLM) couplé à un exécuteur d'outils, un classificateur de supervision, un service FHIR et un générateur de rapports. L'état de la conversation est persisté dans une base de données relationnelle.
• Suite d'outils : L'agent est équipé de 13 outils répartis en quatre catégories :
  • Médical : Comprend un calculateur de TOLAC (essai de travail après césarienne) et une action de « Report au clinicien ».
  • Besoins sociaux : Une interface hiérarchique pour interroger les ressources de Michigan 211 (alimentation, logement, transport, etc.) par sous-catégorie et par code postal.
  • Personnalisation : Consulte un second LLM pour générer des questions de suivi tenant compte du contexte.
  • Reporting : Construit progressivement des résumés de patiente, des résumés cliniques, des calendriers de visites et des listes de ressources.
• Flux de travail en quatre étapes :
  1. Intake (Collecte de données) : Les patientes remplissent un formulaire standardisé capturant les données démographiques, l'historique médical, l'âge gestationnel et les facteurs sociaux.
  2. Interaction dynamique : L'agent engage un dialogue structuré et ouvert. Il utilise une interface « Formulaire + Chat » où un second LLM génère des éléments d'interface intermédiaires (boutons, cases à cocher) pour réduire la fatigue liée à la saisie de texte tout en identifiant les besoins sociaux non satisfaits et les préférences.
  3. Synthèse du plan : L'agent génère un rapport provisoire contenant un résumé destiné à la patiente, un résumé clinique, des recommandations de calendrier de visites et des ressources Michigan 211 sélectionnées.
  4. Supervision clinique : Un clinicien examine le projet, valide le plan et peut approuver ou modifier le contenu avant la finalisation.

Évaluation et résultats
Les auteurs ont évalué les modèles de pointe (GPT-5.2, GPT-4o, Gemini 2.5 Pro, Gemini 2.5 Flash) en utilisant des profils de patientes synthétiques et des rubriques élaborées par des experts. L'évaluation s'est concentrée sur cinq dimensions cliniques :

1. Fréquence des visites
2. Services (tests, recommandations)
3. Calendrier des tests anténatals
4. Calendrier de l'échographie de croissance
5. Modalité de soins (en personne vs télémédecine)

Principaux résultats :

• Performance : GPT-5.2 a obtenu le score moyen de rubrique le plus élevé avec 77,6 %, suivi de Gemini 2.5 Pro (71,5 %), Gemini 2.5 Flash (62,0 %) et GPT-4o (57,25 %).
• Variance dimensionnelle : La « fréquence des visites » était la dimension la plus facile à prédire correctement pour tous les modèles. À l'inverse, les « tests anténatals » et les « recommandations de services » étaient les plus difficiles, montrant les écarts de performance les plus larges entre les modèles.
• Implications : Les résultats indiquent que bien que les modèles actuels soient prometteurs, des mesures de supervision robustes (tant basées sur les LLM qu'humaines) sont essentielles pour prévenir les erreurs dans les recommandations cliniques critiques.

Principales contributions

1. Agent PATHFinder : Un nouveau système agentique qui opérationnalise les directives PATH de l'ACOG, comblant le fossé entre les directives médicales et l'intégration des ressources sociales.
2. Interface hybride : Un modèle d'interaction « Formulaire + Chat » qui équilibre la collecte de données structurées avec des suivis conversationnels adaptatifs, conçu pour atténuer la fatigue des patientes.
3. Flux de travail avec clinicien dans la boucle : Un processus structuré en quatre étapes qui garantit que tous les plans de soins générés font l'objet d'une validation humaine, répondant ainsi aux préoccupations de sécurité et de déploiement soulevées dans la littérature récente sur l'IA médicale.
4. Évaluation comparative : Une évaluation comparative des LLM de pointe sur des dimensions spécifiques de soins prénatals, soulignant les capacités et les limites actuelles en matière de raisonnement médical complexe.

Signification et affirmations
Le document positionne l'Agent PATHFinder comme un catalyseur potentiel pour le déploiement large des directives de soins prénatals personnalisés. Les auteurs affirment que le système peut soutenir la transition d'un modèle rigide et riche en visites vers une approche flexible et centrée sur la patiente qui traite les déterminants médicaux et sociaux de la santé.

Les auteurs maintiennent une position modeste concernant le déploiement. Ils déclarent explicitement que le système est conçu pour soutenir, et non remplacer, les cliniciens. Le document souligne que les travaux futurs doivent inclure des garanties de précision formelles, des études avec des participants humains et des essais contrôlés randomisés avant que le système ne puisse être considéré pour un déploiement clinique réel. La contribution actuelle est présentée comme un prototype technique et un cadre d'évaluation identifiant les lacunes clés (particulièrement dans les recommandations de tests anténatals) qui doivent être traitées pour garantir la sécurité et l'efficacité.