ChatEHR de Stanford : 1 450 soignants l'utilisent dans Epic
ChatEHR de Stanford, le chatbot de dossier médical que Stanford Health Care a construit à l'intérieur de son dossier patient informatisé Epic, était utilisé par 1 450 des quelque 7 000 soignants éligibles à la mi-janvier 2026, a rapporté STAT le 28 janvier 2026. L'outil lit l'intégralité du dossier d'un patient et répond aux questions qui le concernent. Le laboratoire qui le porte affirme que ses relectures automatisées réduisent de 40 % des tâches comme la relecture des dossiers pour la surveillance des infections. Pour les hôpitaux, le cas montre qu'une équipe interne à la DSI peut transformer des heures de lecture de dossiers en courtes listes de cas sur lesquels le personnel peut agir.
Pourquoi les soignants avaient besoin de parcourir le dossier plus vite
Lire le dossier d'un patient avant une consultation prend du temps, car l'information est dispersée. STAT décrit comment Srinath Adusumalli, cardiologue et directeur de l'information médicale de Penn Medicine, prépare la veille ses rendez-vous en passant en revue les consultations précédentes, les analyses, l'imagerie et les documents scannés venus d'autres hôpitaux, chacun dans un onglet distinct du dossier patient informatisé.
Stanford Health Care affrontait le même travail à grande échelle. Son propre laboratoire en donne un exemple : une tâche de dépistage qui exigeait une relecture de 5 à 20 minutes pour chacun de 150 dossiers de patients.
Ce que Stanford a construit au lieu d'acheter un outil
Stanford a construit ChatEHR lui-même, l'a relié à son dossier patient Epic et l'a déployé dans tout son système de santé en septembre 2025. Le Shah Lab, qui documente le projet, le décrit comme une plateforme indépendante des fournisseurs et gouvernée en interne, qui place en temps réel l'intégralité du dossier longitudinal d'un patient, jusqu'à vingt millions de jetons, directement dans la fenêtre de contexte d'un modèle.
L'équipe derrière l'outil est un groupe de science des données intégré à la direction informatique : des ingénieurs logiciels, des chefs de produit et des data scientists en lien direct avec des chercheurs universitaires. Le laboratoire fait remonter le travail à un environnement de test d'avril 2023. Le projet est devenu ChatEHR en novembre 2023, a connu plusieurs prototypes jusqu'à la mi-2024, est entré en phase pilote début 2025 et comptait 150 utilisateurs cliniques en août 2025.
Comment ChatEHR s'insère dans la journée d'un soignant
Le soignant ouvre un onglet ChatEHR dans le dossier et choisit d'abord les données à charger pour le modèle, par source et par période. Une fenêtre de discussion s'affiche ensuite : l'utilisateur pose ses questions, note les réponses d'un pouce levé ou baissé, ou revient au menu pour ouvrir une nouvelle session.
Cette discussion représente 40 % de l'usage. Les 60 % restants passent par des API qui automatisent des tâches répétitives à fort volume.
« Les automatisations sont des requêtes fixes appliquées à des groupes de patients définis. » Le Shah Lab de Stanford, sur la façon dont ChatEHR mène ses relectures automatisées
Le laboratoire recense sept processus opérationnels construits de cette façon, de l'orientation des patients vers le bon lieu de soins au renforcement de la surveillance des infections, jusqu'à la validation des comptes de facturation.
Les gains de temps que Stanford attribue à l'automatisation
Le laboratoire donne des chiffres pour chaque processus, et ce sont ses propres mesures. Le dépistage des patients transforme la relecture de 150 dossiers en environ 30 cas très probables. La surveillance des infections du site opératoire réduit de 40 % la relecture des dossiers et, selon le laboratoire, accélère le signalement des infections.
Au centre de contact, le tri des demandes d'avis prend 17,7 % de temps en moins, le débit augmente de 17,8 % et le retard accumulé est passé de cinq jours à deux. Un dépistage pour les soins palliatifs en hospitalisation lit 600 dossiers pour trouver de 10 à 40 cas éligibles, ce qui évite, selon le laboratoire, de 18 à 20 heures de travail par jour. En orthopédie, le tri des demandes d'avis traite plus de 4 700 documents et fait gagner au moins 1,7 heure de travail par jour. La relecture des comptes bloqués par un arrêt de facturation LoA fait gagner de 10 à 15 minutes par compte. Une étude prospective de Wang et ses collègues parue dans JAMA Network Open a examiné ChatEHR pour le tri des patients en chirurgie.
Comment l'adoption a progressé après le déploiement
STAT a rapporté qu'à la mi-janvier 2026, ChatEHR était utilisé par 1 450 soignants sur environ 7 000 utilisateurs éligibles. Le pilote de l'interface, achevé en juin 2025, comptait 150 utilisateurs et 3 000 sessions de discussion. Dans les 3 premiers mois qui ont suivi le déploiement général, 1 075 utilisateurs ont suivi la vidéo de formation et ouvert plus de 23 000 sessions, avec plus de 19 milliards de jetons traités. Parmi eux figuraient 180 praticiens de pratique avancée (APP), 424 médecins, 151 internes et 60 chefs de clinique.
Le décompte suivant du laboratoire, en juillet 2026, fait état de plus de 3 400 utilisateurs actifs, de plus de 150 000 sessions et de 140 milliards de jetons traités.
Ce que les outils d'IA développés par l'hôpital signifient pour les autres établissements
Stanford n'est pas seul. En janvier 2026, Penn Medicine a présenté Chart Hero, un outil comparable qui permet aux soignants d'interroger et de résumer le dossier d'un patient via une interface de type chatbot, et environ 70 soignants de Penn le testaient. Des équipes de Duke Health et du Children's Hospital of Philadelphia développent des applications similaires.
Pour un hôpital, le cas montre où se trouvent pour l'instant les gains mesurés : les files de demandes d'avis, le signalement des infections, le dépistage pour les soins palliatifs et la relecture de la facturation, plutôt que la seule fenêtre de discussion. L'approche de Stanford repose aussi sur une équipe interne à la DSI capable de construire et de gouverner l'outil, et sur une plateforme qui n'est liée à aucun fournisseur d'IA unique.
Questions et réponses
Qu'est-ce que ChatEHR de Stanford ?
C'est un outil développé en interne qui permet aux soignants de Stanford Health Care d'interroger l'intégralité du dossier d'un patient à l'intérieur du dossier patient Epic. Il exécute aussi des requêtes fixes sur des groupes de patients définis pour automatiser la relecture des dossiers.
Combien de soignants utilisent ChatEHR ?
STAT a rapporté 1 450 soignants sur environ 7 000 utilisateurs éligibles à la mi-janvier 2026. Le laboratoire de Stanford a fait état de plus de 3 400 utilisateurs actifs en juillet 2026.
ChatEHR fait-il gagner du temps au personnel ?
Le laboratoire l'affirme pour des processus précis : le temps de tri des demandes d'avis a baissé de 17,7 %, la relecture des dossiers pour les infections du site opératoire de 40 %, et le tri des demandes d'avis en orthopédie fait gagner au moins 1,7 heure de travail par jour.
Le regard de MOZGII
Comment nous le construirions
Là où l'IA aide le plus à l'hôpital aujourd'hui, c'est dans la lecture que personne n'a le temps de faire : la relecture du dossier avant une consultation, les listes de dépistage, les files de demandes d'avis et les factures bloquées. Les chiffres de Stanford se situent exactement à ces endroits. Si nous construisions un système comme ChatEHR, nous commencerions par une seule file qui a un responsable clair et un état final clair, comme le tri des demandes d'avis, et nous n'ajouterions qu'ensuite une fenêtre de discussion. Ce sont les automatisations, et non la discussion, qui rendent des heures.
Le système aurait besoin de trois choses. D'abord, le dossier patient complet extrait du logiciel en temps réel, avec les sources de données et la période enregistrées pour chaque réponse. Ensuite, un modèle remplaçable, car c'est le dossier qui a de la valeur, pas le modèle. Enfin, une infirmière, un codeur ou un médecin nommément désigné qui valide chaque courte liste avant que quiconque n'agisse. Il casse quand le dossier est incomplet, par exemple un document externe scanné que le modèle ne sait pas lire, et quand une requête fixe s'éloigne de la façon dont le service travaille désormais.
Le seul indicateur que nous suivrions serait la part des cas signalés par l'automatisation qui se révèlent réels quand une personne les vérifie. Une part en baisse signifie que la requête ou les données ont changé. Ensuite, nous ajouterions une boucle de retour qui envoie chaque pouce baissé à l'équipe responsable de la requête, pour que chaque processus soit revu selon un calendrier et non après une plainte.
Sources
D’où viennent les faits de cet article.