Les chercheurs de « Mines Saint-Étienne » peuvent décrire /prédire les parcours de soins typiques d’un patient atteint d’une pathologie donnée.

-         e-Santé : Les médecins pourraient bientôt anticiper les complications de la maladie d’un patient.

Définir en avance toute une trajectoire de soin pour un patient atteint d’une pathologie particulière, c’est l’objectif de l’équipe de Vincent Augusto, à l’Ecole des Mines Saint-Étienne.

« A partir de l’historique des soins d’un patient, de son état à un instant donné, et des parcours de soin de patients similaires, nous cherchons à prédire les prochaines étapes qui l’attendent » indique Hugo de Oliveira, doctorant en ingénierie des systèmes de soin et dont la thèse CIFRE est financée par la PME lyonnaise HEVA.

Anticiper les évolutions d’une maladie et les étapes de soin permet de limiter les risques auxquels sera exposé le patient.

Par exemple,dans le cas de personnes diabétiques (l’exemple utilisé par les chercheurs dans leurs travaux) la démarche consiste à détecter le plus tôt possible des signaux faibles précurseurs de complications.

Pour un patient donné, l’analyse porte sur plusieurs années de l’historique de prise en charge et sur la comparaison avec d’autres patients diabétiques.

Ainsi, il est possible de déterminer les risques de la détérioration de l’état de santé liés au diabète.

Afin de prédire ces évolutions, les chercheurs ne s’appuient pas sur des données médicales personnelles, comme des radiographies ou des analyses biologiques.

Ils utilisent les données médico-administratives du système national des données de santé (SNDS).

« En 2006, la tarification à l’activité a été mise en place » précise Hugo de Oliveira « Avec cette modification du principe de financement des établissements de santé, une grande base de données a été créée pour permettre aux hôpitaux de disposer des informations nécessaires au remboursement des soins ».

« C’est une base très riche pour nous », souligne le doctorant, « car chaque ligne rassemble des informations sur le séjour d’un patient : son âge, son sexe, sa prise en charge, le diagnostic principal, les pathologies associées dont il est atteint… ».

L’équipe de Vincent Augusto met au point des algorithmes qui se chargent d’analyser ces grandes quantités de données.

Les patients sont triés et regroupés par critères de similarité.

Ainsi, des catégories de parcours de soin peuvent être établies, chacune rassemblant plusieurs milliers de parcours semblables (patients similaires, complications identiques…).

Dans une catégorie l’algorithme analyse toutes les étapes de tous les patients, pour en déduire les plus caractéristiques.

Un graphe en est tiré, représentant le parcours typique d’un patient de cette catégorie.

Il pourra alors être utilisé comme référence pour savoir si un patient en début de pathologie présente des étapes semblables, et de déterminer ainsi les probabilités qu’il a d’appartenir à cette catégorie.

En procédant de la sorte, les chercheurs mettent au point des graphes longitudinaux : chaque étape de soin représente un point du graphe, et le tout se lit de manière chronologique.

« Les praticiens peuvent lire le graphe très facilement, et repérer où se situe le patient dans la succession d’étapes qui caractérise son parcours » souligne Hugo de Oliveira.

La difficulté de ce type de représentation des données réside dans son exhaustivité :

Pour le chercheur, « Il faut arriver à rentrer sur une seule ligne tout le parcours du patient ».

Afin d’y parvenir, l’équipe a choisi d’utiliser le process mining, un outil de fouille des données et d’extraction de connaissance ;  le machine learning en est un autre.

Le process mining apporte plus d’efficacité et de lisibilité dans la description d’un parcours de soin, mais il présente également un autre avantage : celui de ne pas être une boîte noire.

Ceci est souvent rencontré dans les algorithmes de type réseau de neurones :

Ceux-ci effectuent un traitement de qualité, mais il est impossible de comprendre les cheminements qui aboutissent aux résultats de l’algorithme.

Par contre, les algorithmes de process mining utilisés dans le cas de la prédiction du parcours de soin sont transparents.

« Lorsqu’un patient est caractérisé par un type de graphe, nous pouvons comprendre pourquoi grâce aux étapes du parcours passé, et étudier chaque graphe type de catégories de patient pour comprendre comment l’algorithme a évalué un parcours » indique Hugo de Oliveira.

Amener de la transparence dans les applications de l’intelligence artificielle est l’une des principales préoccupations actuelles.

 « Nos travaux bénéficient directement des politiques d’ouverture d’accès aux données de santé » insiste le doctorant.

Ceci va se poursuivre pour les chercheurs, puisqu’ils auront dès cette année la possibilité d’utiliser la base de données du système national inter-régimes d’assurance maladie (SNIIRAM) : 1,2 milliards de feuilles de soin seront alors exploitables pour améliorer les algorithmes, et mieux cerner les parcours de soin des patients.

Source :i’Mtech. « L’activité scientifique et technologique de l’IMT » (Institut des Mines Telecom)