SIH : contexte, enjeux et opportunités des données de santé à l’hôpital

L’établissement de santé génère et héberge un volume de données important : le patient, dès qu’il franchit les portes de l’établissement, lui abandonne un grand nombre de données de santé. Qu’elles soient issues de protocoles thérapeutiques, de recherches ou tout simplement de questionnaires, elles enrichissent un environnement de data hétérogènes, et les systèmes doivent faire face à l’explosion de ce volume de données générées par l’activité médicale, les avancées en génomique et protéomique, le tout associé aux données de laboratoires, d’historique du patient, de recherches cliniques, et de la blogosphère santé.

L’évaluation de l’efficacité est très normée, et est très souvent éloignée de la vie réelle du patient : l’observance et le suivi peuvent donc être très irréguliers, et l’intérêt du suivi de données de vie réelle devient une nouvelle source de données pour l’établissement de santé.

L’informatisation globale du processus de soins est de nos jours inévitable ; la quasi-totalité des établissements utilisent un système d’information hospitalisé. L’atout majeur d’un tel système est un suivi informatisé du dossier médical d’un patient, donc accessible à tout professionnel de santé interne à un établissement hospitalier.

De plus en plus, des groupements d’hôpitaux proches en termes d’activité ou de localisation se partagent leurs informations hospitalières et tendent vers un système d’information unifié. Les intégrations de résultats de laboratoire ou d’imagerie, de dossiers de soins, de plans de soins, de prescriptions de médicaments, sont réalisées, mais aussi les prescriptions d’analyses en laboratoire ou en imagerie et de chimiothérapie.

Les systèmes d’informations ont également un but logistique et permettent de fluidifier la gestion des blocs, des lits d’hôpitaux, des rendez-vous médicaux, des ressources humaines (gestions temps de travail et horaires). Une uniformisation du partage d’information entre les établissements hospitaliers et les professionnels de santé libéraux (médecine généraliste par exemple) permet aussi de fluidifier l’information sur le patient.

La donnée est plus abondante que jamais, plus rapide, et sa croissance semble sans limite. Une multitude d’outils et de systèmes tentent d’interagir entre eux pour former des plateformes de plus en plus complexes, et multiplient ainsi l’hétérogénéité des données.

Traiter seul l’ensemble de ces données requiert un travail colossal. Une analyse des données à posteriori provenant d’un SIH est une mine d’informations aussi bien en terme de logistique hospitalière qu’en terme de santé publique.

En particulier, de plus en plus, l’enjeu de ces systèmes est non plus d’être seulement descriptif, mais aussi d’apprendre grâce aux données collectées et d’avoir un but de logistique et d’aide à la décision médicale et de diagnostic en temps réel.

Le Groupe Soladis grâce à son organisation autour d’axes Clinique, Scientifique, Ingénierie et Data Science vous accompagne dans l’association des sciences, des connaissances, le partage des meilleures pratiques, et les technologies plus aisément. L’atteinte de cet objectif passe par la maîtrise et l’apprentissage des données accumulées, de leurs analyses, et des retours métiers, qui vont améliorer le modèle et le rendre plus apte pour vous donner la capacité d’anticiper.

Cet apprentissage ne peut se faire que par la mise en place d’une base de connaissance standardisée qui supportera tous types d’analyses, et tous types de questions non prévues à l’avance, ainsi que via le support des modèles d’analyses statistiques, pour valider ou invalider les hypothèses, pour suivre ou détecter les modifications d’un comportement, d’un processus.

Un système d’information hospitalier apprenant peut avoir comme caractéristiques celles énoncées ci-après :

Il s’appuie sur l’expertise du personnel de santé, et sur les outils/données opérationnels (EHR, Dossier Médicale Informatisé, génomique, Lab…) ;
Il va accompagner l’identification des meilleures pratiques par l’analyse de comportements des différents groupes ;
Il va accroitre la connaissance par l’ajout de données de santé échangées dans le cadre de réseaux sociaux ;
En utilisant des méthodes de réconciliation, il va fédérer à travers une base de connaissance standardisée, ces données de natures et de structures différentes (biologiques, sentiment, cliniques, sociales, environnementales) pour accompagner les opportunités d’innovations pour la médecine personnalisée ;
Il va préparer les analyses en utilisant des méthodes statistiques et mathématiques éprouvées sur un volume de données chaque jour croissant. Dans le cas de traitements lourds, un des objectifs ici attendu est de limiter l’agression du métabolisme du patient par ces traitements, en mettant en place un score/indice de sévérité ;
L’acquisition, la qualification et la fédération de l’ensemble des données médicales du patient, des données de recherches cliniques, et des données issues de la blogosphère spécialisée est l’étape essentielle qui permettra d’alimenter en continu la base de connaissance standardisée;
La base de connaissance standardisée se nourrit des informations médicales, publications et dossiers de soins, mais aussi de toutes les informations concernant l’histoire et l’environnement du patient ; ses performances s’enrichissent au fil des acquisitions de données ;
La comparaison des populations de patients permet l’identification des règles qui optimisent le système et lui permettent d’alerter en temps réel lorsque les symptômes/pathologies apparaissent/évoluent ;

En combinant les logiques d’observation que permet l’analyse exploratoire et la mise en place de modèles analytiques avancés, l’utilisateur va regarder les données sous toutes les facettes, et mettre ainsi en évidence des comportements, des tendances ou des corrélations, voir formuler des hypothèses
Ainsi la notion d’une base de connaissance standardisée regroupant l’ensemble des éléments médicaux se justifie, et encore plus dans le cadre de l’apprentissage et de la performance ;
Le SIH peut également avoir un but préventif en plus d’un but curatif. En cela, il peut aider à la détection avancée de premiers symptômes ou être moteur de conseils, liés au mode de vie par exemple, par l’utilisation de plug-in bien-être à destination des patients. L’utilisation de dispositifs connectés est aussi fortement à développer. Cela implique ce qu’on appelle une vision 360° du patient. En plus des données médicales, d’autres facteurs pouvant interagir avec la santé peuvent être analysés.

L’aide à la décision médicale est l’un des enjeux principaux d’un système hospitalier apprenant. Il modifiera le quotidien d’un praticien hospitalier sans jamais le remplacer. L’intelligence artificielle est particulièrement utilisée en imagerie médicale dans la détection de tumeurs par exemple.

Ainsi, de nombreux modèles de statistiques et d’intelligence artificielle peuvent être utilisées sur des études très concrètes.

Le machine learning peut aider à mettre en place une stratégie analytique en vue d’identifier et de suggérer des interventions liées pour les patients les plus à risques de développer des événements indésirables ou des réadmissions hospitalières
Les modèles de séries temporelles permettent une analyse et une prévision d’événements qui dépendent du temps, comme par exemple le nombre de lits disponibles dans un service de soins critiques ou d’urgences ou mais encore l’encombrement de ces services. Ainsi, une analyse peut permettre la diminution du temps d’attente par l’analyse de l’activité d’un service et la détection d’encombrement aux urgences à court terme peut être possible. A moyen et long terme, les épidémies hivernales peuvent être mieux appréhendées et les pandémies exceptionnelles mieux gérées dans les services de soins critiques et en particulier dans les services de réanimation. Egalement, une identification des pathologies qui demandent beaucoup de ressources en temps, peut être réalisée.
Une cartographie de consommation de soins, en nombre de patients ou de séjours, pour quantifier les pathologies et consommations en soins les plus fréquentes, ainsi que leurs évolutions dans le temps. Prise en compte de l’évolution des données démographiques de l’environnement, de l’état de santé prospectif de la population, et autres données exogènes susceptibles d’avoir un impact sur la consommation des soins.
Il est possible de mettre en place une diminution des coûts superflus en mettant en évidence les événements et ainsi les variables qui jouent un rôle important dans les coûts par un apprentissage, puis apporter des solutions informatisées permettant de diminuer les coûts non nécessaires. Identification des pathologies qui demandent beaucoup de ressources. La recherche potentielle de facteurs liés aux coûts ne doit absolument pas interférer dans la qualité des soins prodigués.
Analyse de l’activité de l’établissement en temps réel sur une échelle de temps plus ou moins importante par des calculs d’indicateurs, dont des indicateurs de performance. L’étape importante ici est l’étape de visualisation des données, qui doit être la plus interactive possible.

L’ouverture, la cohérence, et l’équilibre sont bien les trois piliers de la dynamique des établissements de santé et agissent comme leviers de transformation. Au centre de ces piliers, des préoccupations de tous les instants : la chasse au gaspillage, le management de la qualité et la gestion des risques sanitaires de notre temps, qui ne doivent pas attendre le dysfonctionnement qui remettrait tout en cause.

Soladis, en tant que bureau d’études et société de conseil en statistiques et analyse de données, est particulièrement alerte sur les enjeux de développement de systèmes d’informations uniformisés dans le milieu hospitalier. Nous pouvons apporter notre expertise dans le développement de modules liés à l’amélioration d’un système d’information hospitalier. Notre application EVIMERIA en est déjà un bon exemple

Cet article a été écrit durant la pandémie du Covid-19

Grégory Soler & Francis Destin