Vous êtes dans : Accueil > Actualités > E-Santé >

À Bruxelles, les Cliniques universitaires Saint-Luc investissent dans des processus innovants de gestion de l'information médicale

DSIH, LUNDI 05 JUILLET 2021

Les Cliniques universitaires Saint-Luc, à Bruxelles, ont profité du projet d’implantation du DPI EPIC[1] pour alimenter celui-ci avec les données préexistantes préalablement structurées. Une opération d’envergure pour cet établissement de près de 1 000 lits, mise en œuvre avec la solution de traitement du langage naturel de la startup belge EarlyTracks. Entretien avec le Pr Marianne Philippe, CMIO - Chef du Département d’information médicale    

Pour quelles raisons les Cliniques universitaires Saint-Luc ont-elles choisi d’introduire le traitement de données en langage naturel dans leur système d’information ?

Jusqu’à maintenant, notre système d’information était essentiellement un serveur de documents, avec moins de 5 % de données structurées et des dizaines d’applications peu ou pas interconnectées, ce qui donnait lieu régulièrement à des saisies redondantes de données, surtout lors des  mouvements de patients. Nous avons donc décidé en 2015 de déployer un dossier patient informatisé intégré rassemblant la majorité des applications liées à la prise en charge des patients.

À cette occasion, nous avons souhaité enrichir ce DPI de données structurées provenant des millions de documents médicaux existants en PDF, en s’appuyant sur le système terminologique international SNOMED CT[2], promu par le ministère belge de la santé publique ainsi que sur la solution de traitement de langage naturel (NLP) développée par EarlyTracks, et retenue à l’issue d’un marché public.

Quelle collaboration avez-vous mis en œuvre avec EarlyTracks ?

EarlyTracks a commencé en 2018 par structurer les données accumulées dans les PDF. Après validation en interne de l’exactitude des éléments diagnostiques détectés dans les documents et l’exactitude du lien vers le code de SNOMED CT, nous sommes parvenus à un taux d’exactitude de 84%. Atteindre les 100 % était impossible étant donné  l’organisation très hétérogène des documents. Nous avons notamment observé des erreurs d’interprétation d’acronymes ou encore des problèmes d’interprétation de phrases négatives par le système de NLP. Par exemple, dans une phrase comme : « à l’anamnèse, on ne retient aucun signe de thrombophlébite », le système ne comprenait pas que cela équivalait à « Il n’y a pas de thrombophlébite ».

Nous avons donc décidé, dans un premier temps, d’importer les résultats du NLP dans les dossiers de chaque patient, sous forme de notes. Quand un médecin est dans un dossier patient, il peut accéder à la note et consulter les résultats du NLP.

Accaparés par la sensibilisation des utilisateurs au nouveau DPI, nous n’avons pas pu faire la promotion de ce système de NLP, mais, progressivement, les professionnels de santé se sont familiarisés à l’usage de ces notes.

Quelle est la prochaine étape d’intégration du langage naturel dans votre système d’information ?

Cela fait six mois que le DPI fonctionne en vie réelle. Les utilisateurs s’accoutument progressivement à la logique d’un dossier patient informatisé. Nous allons maintenant pouvoir commencer à intégrer l’outil NLP dans notre nouveau DPI. Le médecin pourra ainsi activer le traitement NLP d’une note. Celui-ci proposera une codification SNOMED-CT pour les diagnostics. Ces codes seront intégrés aux données structurées du dossier informatisé, par exemple la liste des problèmes.

Quels sont les premiers enseignements que vous tirez de l’intégration d’un processus de NLP pour structurer les données existantes ?

Mettre en œuvre la structuration des données est compliqué car rien n’est parfait. SNOMED CT est mis à jour régulièrement, ce qui nécessite des ajustements dans les systèmes d’information. EarlyTracks nous accompagne en interagissant de façon hebdomadaire avec l’établissement pour assurer l’intégration technique de SNOMED-CT et les mises à jour fournies par le ministère de la Santé publique dans la système d’information . La startup enrichit également la base de données à partir des demandes formulées par les utilisateurs.

Même si l’opération est complexe et demande une grande rigueur de validation, développer une approche de données structurées en langage naturel constitue l’avenir. C’est particulièrement intéressant dans le cadre de la sélection de patients à des fins de recherche clinique, par exemple mais aussi pour répondre plus aisément aux exigences légales de reporting variés. Si un établissement décide d’adopter un processus de NLP, le changement d’un dossier patient informatisé pour structurer les données constitue une opportunité à ne pas manquer. Le faire après est plus difficile, et implique une étape d’encodage fastidieuse des informations médicales existantes.

[1] Saint-Luc devient le 1er hôpital francophone au monde à déployer la plateforme d’EPIC. Source : http://www.rapport-saintluc.be/tpi%C2%B2-un-fournisseur-epic 

[2] Systematized nomenclature of medicine clinical term

EarlyTracks se positionne sur le marché français

Brice de Behault et Christophe Boutin, respectivement CEO et administrateur d’Earlytracks,  expliquent pourquoi : « Avec la mise en place des Groupements Hospitaliers de Territoire (GHT) et le plan de modernisation mis en œuvre  par le gouvernement français, on assiste à une phase de migration massive et de convergence des DPI historiques. Le moment est donc opportun pour faire évoluer les pratiques et pour mieux équiper les professionnels face au défi de l’information médicale. Cette démarche est complémentaire à la mise en place de l’applicatif DPI aussi bien pour la migration des données que pour leur enrichissement en continu. »

 

 

#cliniques#dpi#lits#patient#dossier patient#dossier patient informatisé#