Simplifier les étapes de pré-screening et de création de cohortes

Un outil permettant aux médecins :
- d’accéder aux données de l’établissement de manière sécurisée et en autonomie.
- de faciliter et accélérer les projets de recherche avec le pré-screening de patients
- de réduire leur dépendance aux équipes techniques

L’architecture de données Arkhn représente toute la stack technique permettant de déployer l’entrepôt de données de santé d’un établissement, les méthodes d’intégration de mise en qualité et de documentation de la donnée jusqu’aux outils pour y accéder.

Arkhn Explore se base sur une version restreinte de l’architecture de données Arkhn

Arkhn s’adapte au niveau de maturité des établissements pour créer un cadre de gestion globale des données de santé :
- Si l’établissement dispose de son propre entrepôt de données de santé nous pouvons composer avec pour déployer Arkhn Explore.
- Si l’établissement ne dispose pas d’entrepôt de données de santé : Nous déployons une version restreinte de notre architecture de données pour mettre en place Arkhn Explore. Il est également possible de déployer la version complète de l’architecture de données Arkhn et d’accéder à l’entrepôt de données de santé Arkhn.

Nos équipes d’experts de la donnée cadrent le projet avec le personnel de l’établissement et échangent avec les équipes médicales. L’objectif est de s’adapter au niveau de maturité de chaque établissement et  d’identifier les besoins particuliers (cas d’usage).Nous travaillons avec les professionnels qui maîtrisent le parcours de la donnée dans les centres (DIM, DSI / DSN, Equipe médicale) pour comprendre le parcours des patients, de la donnée et identifier leurs sources pertinentes.

Nous paramètrons et intégrons les données dans nos outils. Nous vérifions l’intégration des données, en accomplissant une gamme de tests techniques pour la qualité des données et les objectifs fonctionnels définis lors du cas d’usage (Exemple : Parvient-on à retrouver automatiquement à travers Explore les patients sélectionnés à la main dans une étude préalable du centre ?).

La pseudonymisation des données est le point de passage obligé des projets de recherche (à l’exception des médecins qui travaillent sur les données des patients qu’ils voient dans leur service). Lorsque le médecin a réalisé le pré-screening des données, autrement dit son étude de faisabilité (qui ne contient que des données agrégées), il peut alors vouloir extraire les données des patients identifiées pour faire son étude : cette extraction comprend une phase de pseudonymisation grâce à nos algorithmes de NLP (Natural Language Processing).

Notre algorithme de pseudonymisation utilise les technologies à l’état de l’art (basé sur la technologie Transformer et les modèles BERT), et affiche 99% d’exactitude pour identifier et masquer une gamme d’informations sensibles (nom, prénom, date de naissance, IPP, adresse, email, telephone, etc). Il a été entraîné sur une large base de compte-rendus annotés manuellement par des experts médicaux.

Les sources principales étant le DPI, la GAM et le PMSI, les sources peuvent varier au cas par cas en fonction des projets.

Une première catégorie de modèles de NLP sont utilisés pour identifier les entités médicales (actes, diagnostiques et prescriptions) au sein des documents médicaux, et de standardiser l’ensemble des entités médicales disponibles (structurées ou non-structurées issues des documents) vers des ontologies standards (CIM10, etc).

Une seconde catégorie de modèles sont dédiés à la pseudonymisation des documents médicaux, notamment pour les projets de recherche clinique.

Les modèles de NLP alimentent les fonctionnalités d’Explore de façon systématique.

Nos algorithmes utilisent les technologies à l’état de l’art (basée sur la technologie Transformer et les modèles BERT). Ils permettent d’identifier les entités cliniques (comme les médicaments) et de les standardiser dans une terminologie de référence (comme la CCAM). Nos performances sont de 97.5% sur l’identification (recall) de traitements, examens, diagnostiques, symptômes et médicaments.

- Le nombre de patients satisfaisant des critères, avec le rappel des critères sélectionnés.
- Différentes vues sur les données statistiques agrégées l’age, le sexe et le statut vivant/décédé (min, max, moyenne, écart-type, histogramme, etc).