Chez HealthNet Homecare, l'ordonnance est relue par l'IA avant d'entrer dans le système

Les résultats chiffrés de l'automatisation chez HealthNet Homecare

• 1,1 M de pages traitées par an au Royaume-Uni, en croissance continue
  
• 99,4 % de lignes de traitement correctement extraites, cases cochées comprises
  
• 1 / 40 dossier présente un écart entre l'ordonnance et la saisie, désormais détecté avant préparation

Nous traitons aujourd'hui des dizaines de milliers d'ordonnances par mois avec Koncile, sans incident. Ce qui nous a décidés, c'est la capacité à ne retenir que les lignes réellement prescrites : aucun autre fournisseur d'OCR n'y parvenait, et c'est précisément là que se situe le risque pour le patient.
^{Sean Hickey, Chief Technology Officer, HealthNet Homecare}

HealthNet Homecare, Royaume-Uni

HealthNet Homecare (UK) Ltd livre des traitements au domicile des patients britanniques et les accompagne dans leur administration, en partenariat avec le NHS. Le patient n'a plus à se déplacer à l'hôpital pour recevoir son traitement : il le reçoit chez lui, sur un créneau choisi, avec le soutien d'une infirmière quand le protocole l'exige.

Tout part d'une ordonnance émise par un service hospitalier du NHS. Elle arrive en PDF, elle est numérisée, et son contenu doit rejoindre les systèmes de HealthNet sans la moindre approximation : c'est elle qui déclenche la préparation, la livraison et le suivi du traitement.

‍

- Activité : Clinical homecare (livraison de traitements à domicile et accompagnement infirmier, en partenariat avec le NHS)

- Pays : Royaume-Uni

- Créée en : 2015

- Patients accompagnés : Plus de 260 000

- Implantation : Swadlincote, Derbyshire, et Featherstone, West Yorkshire

- Documents traités par Koncile : Ordonnances hospitalières, formulaires d'enregistrement patient

- Intégration : API REST, document par document, en production

‍

La case cochée

Une ordonnance hospitalière n'est pas une liste de ce qui a été prescrit. C'est un formulaire pré-imprimé qui énumère les traitements possibles, et sur lequel le prescripteur coche ce qu'il retient. Quatre lignes peuvent figurer sur la page, deux seulement être cochées.

Pour un moteur de reconnaissance documentaire, la différence est invisible : il voit quatre lignes de texte, il en restitue quatre. Le contresens est complet, et il porte sur un médicament.

‍

Nous traitons aujourd'hui des dizaines de milliers d'ordonnances par mois avec Koncile, sans incident. Ce qui nous a décidés, c'est la capacité à ne retenir que les lignes réellement prescrites : aucun autre fournisseur d'OCR n'y parvenait, et c'est précisément là que se situe le risque pour le patient.
^{Alex Whitehouse, Lead Technical Architect, HealthNet Homecare}

‍

À cela s'ajoute la variété des formulaires. Certains modèles fonctionnent par cases cochées, d'autres attendent au contraire que l'intégralité des lignes soit reprise. Et le PDF qui arrive de l'hôpital ne contient pas que l'ordonnance : on y trouve des bons de commande, des pages d'escalade de dose, des formulaires d'enregistrement patient, des pages blanches, dans un ordre qui change à chaque envoi.

‍

Les actions de Koncile sur les différents types de pages

• Ordonnance à cases cochées : Extraction des seules lignes cochées, avec dosage et posologie
• Ordonnance à lignes complètes : Extraction de toutes les lignes, sur reconnaissance automatique du modèle
• Bon de commande : Identifié, typé, et exclu du flux aval
• Escalade de dose : Identifiée et routée séparément
• Formulaire d'enregistrement patient : Modèle dédié, traité en parallèle
• Page blanche ou illisible : Signalée en alerte, jamais restituée comme donnée

Chaque ligne extraite porte le type de la page dont elle provient, ce qui permet à HealthNet de filtrer côté système sans jamais deviner.

Ce que Koncile fait sur chaque envoi

L'extraction est le point de départ, pas l'objectif. HealthNet saisit déjà ses ordonnances dans son système métier : Koncile relit le document original et confronte le résultat à cette saisie, pour que rien ne parte en préparation sur une donnée fausse.

‍

Découpage intelligent

Le PDF reçu de l'hôpital est découpé en documents distincts selon leur contenu, et non à intervalle fixe. Une ordonnance suivie d'un bon de commande, puis de trois ordonnances, puis d'une page blanche : la séquence n'a pas besoin d'être régulière.

Classification automatique

Chaque document découpé est reconnu et routé vers le modèle d'extraction qui lui correspond. Les pages dont le type n'est pas prévu sont classées à part plutôt qu'interprétées de force.

Lecture sélective

Sur un formulaire à cases, seules les lignes effectivement cochées sont restituées, avec leur dosage et leur posologie. Sur les autres modèles, la logique inverse s'applique automatiquement.

Enrichissement par référentiel

Le traitement lu est rapproché du référentiel médicaments de HealthNet, et Koncile restitue le code produit correspondant, qui ne figure nulle part sur l'ordonnance.

Contrôle de la saisie

Les valeurs extraites sont confrontées à ce qui a été saisi manuellement dans le système métier. Les écarts remontent pour vérification humaine, le reste passe sans intervention.

Score de confiance

Chaque valeur extraite porte son propre score. En dessous du seuil retenu par HealthNet, la donnée part en vérification quoi qu'il arrive, même en l'absence d'écart avec la saisie.

‍

L'erreur qui n'arrive pas jusqu'au patient

Sur une ordonnance, une erreur de lecture n'est pas un incident de saisie. Un dosage lu 360 au lieu de 240, une ligne non prescrite reprise comme si elle l'était, un conditionnement confondu avec un autre : la conséquence n'est pas une correction en comptabilité, c'est un traitement inadapté livré au domicile d'un patient.

C'est la raison d'être du dispositif. Deux mécanismes indépendants se superposent, et il suffit que l'un des deux se déclenche pour qu'un humain regarde. La confrontation entre la lecture automatique et la saisie manuelle attrape les erreurs de frappe et les inversions. Le score de confiance attrape les cas où le document lui-même est douteux, une impression pâle, une case ambiguë, un dosage manuscrit, et où les deux lectures peuvent se tromper de la même façon.

Sur le volume traité, environ un dossier sur quarante présente un écart entre l'ordonnance et ce qui avait été saisi. Ces dossiers sont aujourd'hui identifiés avant la préparation, alors qu'ils dépendaient auparavant de la vigilance d'une relecture manuelle.

‍

NSur des données de santé, une erreur de lecture n'est pas un incident de saisie, c'est un risque clinique. Koncile nous donne deux filets indépendants : la confrontation systématique avec ce que nos équipes ont saisi, et un score de confiance sur chaque valeur extraite, qui nous dit où regarder avant même de comparer. C'est cette double sécurité qui nous a permis d'industrialiser.
^{Elaine Markley, Head of Architecture and Data, HealthNet Homecare}

‍

‍

Le code produit qui n'est pas sur l'ordonnance

Un traitement écrit sur une ordonnance n'est pas exploitable tel quel. Pour préparer et livrer, il faut le code produit interne, et ce code dépend à la fois de la molécule, du dosage et du conditionnement. Un même traitement peut exister en dix dosages, chacun avec sa référence.

Koncile charge le référentiel médicaments de HealthNet et fait le rapprochement pendant l'extraction. La clé n'est pas le seul nom du traitement mais la combinaison du libellé, du dosage et de la quantité. Le rapprochement est sémantique : une orthographe approchante, une abréviation ou une casse différente n'empêchent pas la correspondance.

Du libellé au code produit

Libellé du traitement, tel qu'écrit

• Rapproché du référentiel : Entrée correspondante du référentiel HealthNet
  
• Restitué : Le libellé extrait, à l'identique
  

Libellé + dosage + quantité

• Rapproché du référentiel : Référence unique du conditionnement
  
• Restitué : Le code produit interne
  

Orthographe approchante ou abrégée

• Rapproché du référentiel : Correspondance sémantique
  
• Restitué : Le code produit, avec la valeur d'origine conservée

Les deux valeurs sont retournées : ce qui était écrit, et ce à quoi cela correspond. HealthNet garde la trace de l'un et de l'autre.

Ce rapprochement, nous le faisions dans un système entièrement séparé, avec sa propre maintenance et ses propres décalages. Le voir se faire pendant l'extraction change la donne : le code produit sort avec la donnée, sur une clé qui combine le libellé, le dosage et la quantité. Nous avons doublé le nombre de projets internes qui passent par la plateforme, et nous pensons dépasser le million de pages par an.
^{Alex Whitehouse, Lead Technical Architect, HealthNet Homecare}

‍

Ce que faisait l'équipe, et ce qu'elle ne fait plus

‍

Avant (Traitement manuel)

1. Ouvrir le PDF et retrouver la page d'ordonnance parmi les autres
2. Repérer visuellement les lignes cochées
3. Relire chaque dosage et chaque posologie
4. Retrouver le code produit dans le référentiel
5. Comparer ligne à ligne avec ce qui a été saisi dans le système
6. Corriger, ou renvoyer le dossier au service concerné

3min40 de relecture et de contrôle manuel par ordonnance

‍

Aujourd'hui (Avec Koncile)

1. Le PDF part vers Koncile dès sa numérisation, par API
2. Il est découpé, chaque page est typée, les pages hors périmètre sont écartées
3. Seules les lignes cochées sont extraites, avec dosage et posologie
4. Le code produit est rapproché automatiquement du référentiel
5. L'écart avec la saisie et les scores faibles sont signalés
6. L'équipe traite les seuls dossiers signalés

25 s de traitement automatique, puis vérification sur les seuls dossiers signalés

‍

Sur le volume traité en 2026, l'économie dépasse 9 000 heures de relecture et de contrôle, soit près de six équivalents temps plein rendus aux équipes. Mais le gain ne se mesure pas d'abord en heures. Une relecture manuelle à ce rythme fatigue et laisse passer ; un contrôle automatique appliqué à chaque ordonnance, lui, ne se lasse pas.

Passer du test au million de pages

HealthNet a commencé seul, en créant un compte et en testant la plateforme sur ses propres ordonnances avant le moindre échange commercial. Les modèles d'extraction ont été écrits en langage naturel, sans développement et sans modèle à entraîner : c'est ce qui a permis de passer d'un premier test à un flux de production en quelques semaines.

1. Test en autonomie sur des ordonnances réelles anonymisées, en libre-service.
2. Modèles d'extraction écrits en langage naturel, avec découpage et classification automatiques en amont.
3. Intégration API par les équipes techniques de HealthNet, document par document.
4. Montée en charge progressive, de quelques milliers de pages par mois au régime de production.
5. Extension continue à de nouveaux types de documents et à de nouveaux services, sans nouveau projet.

‍

La montée en charge a été plus rapide que prévu, au point de dépasser les volumes projetés à la signature. Le flux supporte aujourd'hui des pics de cent appels en cinq secondes, et l'usage a débordé du projet initial vers un second projet interne.

Ce qui nous a permis d'aller vite, c'est de ne dépendre de personne pour faire évoluer les modèles. Nos équipes écrivent les règles d'extraction en langage naturel et les ajustent le jour même. Sur un projet documentaire de cette taille, c'est habituellement là que tout se bloque.
^{Elaine Markley, Head of Architecture and Data, HealthNet Homecare}

‍

Sécurité et conformité

Les ordonnances sont des données de santé. Le cadre a été instruit avant la mise en production, avec l'équipe de validation des systèmes informatisés de HealthNet, dans un environnement soumis aux exigences britanniques de gouvernance clinique.

• Hébergement : AWS Paris, reprise d'activité à Francfort, infrastructure certifiée ISO 27001 et HDS
• Certification : SOC 2 Type II, opinion sans réserve
• Chiffrement : AES-256 au repos, TLS 1.3 en transit, authentification OAuth 2.0 et 2FA
• Entraînement : Aucune donnée client utilisée pour entraîner des modèles, y compris chez les fournisseurs de modèles
• Rôles : HealthNet responsable de traitement, Koncile sous-traitant, délégué à la protection des données joignable
• Suppression : Export ou suppression des documents sur demande, à tout moment et à la résiliation

Politique de sécurité Koncile · Documentation API

La suite

Le périmètre s'étend aux formulaires d'enregistrement patient, qui accompagnent l'entrée d'un nouveau patient dans le service et qui arrivent souvent dans le même PDF que l'ordonnance. Chaque type de document reçoit son propre modèle, et un même envoi alimente désormais deux traitements distincts.

Détection de fraude documentaire

Un second chantier porte sur l'authenticité des ordonnances. Une ordonnance retouchée, réutilisée ou fabriquée n'est pas une hypothèse d'école dans la distribution de médicaments : elle engage la responsabilité du dispensateur. La détection combine trois couches d'analyse, sur le même principe que le reste du dispositif : signaler ce qui mérite un regard humain, sans jamais décider à la place du pharmacien.

• Métadonnées : Traces d'édition dans le fichier PDF, logiciel de création, historique des modifications, incohérences de dates internes au document.
• Intégrité visuelle : Ruptures de police et d'alignement, zones recomposées, superpositions, altérations locales autour d'un dosage ou d'une case cochée.
• Cohérence métier : Plausibilité du dosage au regard du traitement, doublon d'une ordonnance déjà servie, concordance avec le service prescripteur et l'historique du patient.

Chaque document reçoit un niveau de risque, faible, moyen ou élevé, remonté avec le reste de la donnée.

Vous traitez des ordonnances, des comptes rendus ou des dossiers patients ?

Envoyez-nous vos documents réels, anonymisés. Nous paramétrons vos champs, vos règles de lecture et vos contrôles, et vous jugez sur vos propres dossiers.

‍

‍

‍