ATIPAN +

Aperçu

Dans les communautés mal desservies du Sud global, des millions de personnes vivent sans accès aux soins de santé de base, sans parler des soins spécialisés nécessaires pour détecter et gérer des maladies comme la dépression et la démence. ATIPAN+ change cette réalité en utilisant la télésanté, les dossiers médicaux électroniques et l’IA pour apporter des soins de qualité aux personnes qui en ont le plus besoin.

La distance géographique, les cliniques sous-dotées et l’absence quasi totale d’infrastructures numériques font que les troubles neurocognitifs dans les communautés à faibles ressources passent souvent inaperçus jusqu’à ce qu’il soit trop tard. Les agents de santé communautaires, souvent le premier et unique point de contact, manquent des outils et de la formation nécessaires pour identifier les signes précurseurs.

ATIPAN+ s’attaque directement à ce problème. L’initiative a formé plus de 30 coordinateurs de soins de santé communautaires à la navigation des patients via la télésanté et a réalisé près de 8 000 consultations dans 15 communautés mal desservies. En collectant les données vocales des patients et les dossiers médicaux électroniques, ATIPAN+ construit un système d’IA capable d’identifier et de gérer plus tôt des maladies comme la dépression et la démence, tout en suivant en temps réel les ressources de santé pour améliorer l’équité et la continuité des soins.

Les résultats transforment déjà la manière dont la santé numérique est mise en œuvre dans les contextes à faibles ressources. De nombreuses publications font progresser les connaissances sur la gouvernance de l’IA et la conception des systèmes de santé, tandis que le système de suivi des ressources basé sur des données communautaires offre un modèle évolutif pour fournir des soins efficaces, équitables et ancrés dans les réalités locales.

ATIPAN+ utilise des ensembles de données publics et représentatifs des communautés pour entraîner ses modèles d’IA, garantissant qu’ils reflètent les besoins réels, restent adaptés aux contextes locaux et réduisent activement les risques de biais dans le diagnostic et la prise de décision.