Scénario illustratif.Illustrative scenario. Ce contenu est un exemple de démarche possible et ne confirme pas un mandat client réel.This content is an example of a possible approach and does not confirm a real client engagement.
- AccueilHome
- RéalisationsProjects
- IA & machine learningAI & machine learning
- Feuille de route data et IAData and AI roadmap
Une feuille de route data et IA pour la santéA data and AI roadmap for healthcarePasser d’initiatives isolées à une trajectoire commune, portée par les équipes.Moving from isolated initiatives to a shared path the teams can own.
L’établissement multipliait les projets de données sans vision d’ensemble. Mirador l’a accompagné pour bâtir une feuille de route data et IA partagée entre la direction, les cliniciens et les TI.
The institution was running many data projects without an overall vision. Mirador helped it build a data and AI roadmap shared by management, clinicians and IT.

Sur cette pageOn this page
Le contexteThe context
Comme plusieurs organisations du réseau de la santé, l’établissement disposait de nombreuses sources de données cliniques et administratives, réparties entre systèmes hérités, fichiers locaux et applications régionales. Les équipes produisaient leurs propres indicateurs, souvent difficiles à réconcilier.
Like many organizations in Quebec’s healthcare network, the institution had numerous clinical and administrative data sources spread across legacy systems, local files and regional applications. Teams produced their own indicators, which were often hard to reconcile.
La direction souhaitait explorer l’intelligence artificielle pour soutenir la gestion des lits, la planification de la main-d’œuvre et la qualité des soins. Elle voulait d’abord savoir où elle se situait et dans quel ordre avancer, sans compromettre la confidentialité des renseignements de santé.
Management wanted to explore artificial intelligence to support bed management, workforce planning and quality of care. It first needed to know where it stood and in what order to move forward, without compromising the confidentiality of health information.
Les enjeuxThe challenges
- Les données étaient dispersées et leurs définitions variaient d’une direction à l’autre.Data was scattered and definitions varied from one department to another.
- Les attentes envers l’IA étaient élevées, mais les cas d’usage restaient flous.Expectations for AI were high, but use cases remained vague.
- Les exigences de la Loi 25 imposaient un encadrement rigoureux des renseignements personnels.Law 25 requirements called for rigorous oversight of personal information.
- Les équipes TI disposaient de ressources limitées pour absorber de nouveaux projets.IT teams had limited resources to take on new projects.
Notre démarcheOur approach
- 01
Cadrage et diagnosticScoping and assessment
Nous avons évalué la maturité data et IA de l’établissement à travers des ateliers avec les directions cliniques, administratives et technologiques.
We assessed the institution’s data and AI maturity through workshops with clinical, administrative and technology departments.
- 02
Conception de la visionVision design
Nous avons défini avec la direction une cible commune, des principes de gouvernance et des critères de priorisation des cas d’usage.
Together with management, we defined a shared target, governance principles and criteria for prioritizing use cases.
- 03
Réalisation de la feuille de routeRoadmap delivery
Nous avons ordonnancé les chantiers en vagues successives, en tenant compte des dépendances techniques, des capacités internes et des risques.
We sequenced the initiatives in successive waves, taking into account technical dependencies, internal capacity and risks.
- 04
Transfert et adoptionTransfer and adoption
Nous avons remis aux équipes les outils de pilotage et animé des séances pour qu’elles s’approprient la démarche.
We handed over steering tools to the teams and led sessions so they could take ownership of the approach.
La solutionThe solution
Les résultatsThe results
- La direction dispose d’une vision partagée et d’un ordre de priorité assumé pour ses investissements data.Management has a shared vision and a clear order of priority for its data investments.
- Les premiers cas d’usage retenus ciblent des irritants concrets vécus par les équipes de soins.The first selected use cases target concrete pain points experienced by care teams.
- Les responsabilités sur la donnée sont mieux définies entre les directions.Data responsibilities are better defined across departments.
- Les projets futurs s’inscrivent dans un cadre de conformité connu de tous.Future projects fit within a compliance framework that everyone understands.
Ce que nous retenonsWhat we take awayDans le réseau de la santé, une feuille de route n’a de valeur que si les cliniciens s’y reconnaissent. Les associer dès le diagnostic change la qualité des priorités.
In healthcare, a roadmap is only valuable if clinicians recognize themselves in it. Involving them from the assessment stage changes the quality of the priorities.
Expertises et offresExpertise and offers
Ce projet s’appuie sur les expertises et les offres suivantes.
This project draws on the following expertise and offers.
ExpertisesExpertise
OffresOffers
D’autres projetsOther projects qui pourraient vous inspirer.that may inspire you.
#InnovationPriorisation des cas d’usage d’IA générativePrioritizing generative AI use cases
Un cadre clair pour choisir les cas d’usage d’IA générative les plus utiles, tout en encadrant les risques et en préparant les équipes.
A clear framework for choosing the most useful generative AI use cases, while managing risks and preparing teams.
Découvrir le projetExplore the project
#InnovationPrévision de la demande alimentaireFood demand forecasting
Des modèles d’apprentissage automatique qui anticipent la demande par produit et par entrepôt pour réduire les pertes et les ruptures.
Machine learning models that anticipate demand by product and warehouse to reduce waste and stockouts.
Découvrir le projetExplore the project
#InnovationDétection de fraude explicableExplainable fraud detection
Un modèle de détection de fraude dont chaque alerte est expliquée, pour soutenir les enquêteurs sans remplacer leur jugement.
A fraud detection model where every alert is explained, supporting investigators without replacing their judgment.
Découvrir le projetExplore the project