Feasibility of using automatically extracted routine clinical data in a respiratory cohort study: The SPHN-SPAC demonstrator project.
Le projet démonstrateur SPHN-SPAC démontre que les données cliniques de routine extraites automatiquement peuvent efficacement compléter l'abstraction manuelle dans les études de cohortes pédiatriques respiratoires en améliorant l'exhaustivité des données et en capturant davantage d'événements, bien que son application plus large soit actuellement limitée par l'hétérogénéité des pratiques de documentation et par l'effort important requis pour l'harmonisation des données.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de résoudre un puzzle géant, mais que les pièces sont éparpillées dans des milliers de boîtes différentes au sein d'une immense bibliothèque. C'est le monde de la recherche médicale, où les scientifiques tentent de comprendre comment les maladies affectent les gens au fil du temps. Pour ce faire, ils doivent généralement construire une « cohorte », ce qui est juste un mot savant pour désigner un groupe de personnes qu'ils suivent de près. Traditionnellement, les chercheurs doivent agir comme des scribes humains, assis dans les hôpitaux à recopier manuellement les notes des dossiers des patients dans leurs propres bases de données. C'est lent, coûteux, et c'est un peu comme essayer de remplir une piscine avec une petite cuillère.
Ces dernières années, une nouvelle idée est apparue : et si nous pouvions simplement demander à l'ordinateur de l'hôpital de nous extraire automatiquement les bonnes pièces ? C'est là qu'interviennent les « données cliniques de routine ». Ce sont les enregistrements numériques que les médecins et les infirmiers créent chaque jour lorsqu'ils soignent des patients — des choses comme les résultats de tests sanguins, les dates de visites et les diagnostics. L'espoir est que si nous pouvons apprendre aux ordinateurs à saisir ces données automatiquement, nous pourrons étudier de vastes groupes de personnes beaucoup plus rapidement et à moindre coût. Cependant, il y a un bémol. Ce n'est pas parce que les données existent dans un ordinateur qu'elles sont prêtes à être utilisées. Elles peuvent être écrites dans un code secret, stockées dans un format désordonné ou cachées dans différentes parties du système. La grande question que se posent les chercheurs est la suivante : pouvons-nous vraiment faire confiance à ces préleveurs numériques automatiques pour nous donner les mêmes bonnes informations que nos scribes humains méticuleux, ou l'ordinateur va-t-il simplement nous tendre un tas de pièces de puzzle cassées ?
Ce document raconte l'histoire d'une équipe en Suisse qui a décidé de tester cette idée en utilisant un groupe d'enfants souffrant de problèmes respiratoires. Ils ont mis en place un « projet de démonstration » pour voir s'ils pouvaient remplacer ou, du moins, aider leurs scribes humains grâce à un système automatique appelé le Swiss Personalized Health Network (SPHN).
Les chercheurs ont examiné 1 075 enfants qui faisaient partie d'une étude appelée Swiss Paediatric Airway Cohort (SPAC). Pendant des années, une équipe de chercheurs humains a recopié manuellement les données des dossiers médicaux de ces enfants. Pour ce nouveau projet, l'équipe a demandé aux ordinateurs des hôpitaux d'extraire automatiquement les mêmes informations en utilisant le système SPHN. Ils voulaient vérifier trois choses : combien de temps il faudrait pour obtenir les données, quelle quantité de données ils pourraient réellement obtenir, et à quel point les données de l'ordinateur correspondaient aux données de l'humain.
Les résultats étaient un mélange de « très bonnes nouvelles » et de « pas si vite ». Premièrement, le système automatique était un monstre affamé de données, mais de manière positive. Il a trouvé bien plus de visites que les humains. Par exemple, dans un hôpital, l'ordinateur a trouvé 1 963 visites externes, alors que les humains n'en avaient enregistré que 1 049. Dans un autre, il a trouvé 2 343 visites contre 1 010. L'ordinateur a également réussi à trouver des visites pour des enfants dont les parents n'avaient même pas rempli les questionnaires de suivi, agissant comme un filet de sécurité qui a capturé des informations que les humains avaient manquées.
Cependant, obtenir ces données n'était pas aussi simple que d'appuyer sur un bouton « télécharger ». Il a fallu environ 24 mois à l'équipe — deux années entières ! — pour préparer les données. Ils ont dû lutter à travers un labyrinthe de différents systèmes informatiques hospitaliers, chacun parlant sa propre langue. Les données sortaient dans un format appelé RDF (Resource Description Framework), qui est une façon très structurée mais très abstraite d'organiser l'information que les ordinateurs adorent mais que les humains trouvent difficiles à lire. L'équipe a dû consacrer une quantité massive de temps et d'argent (environ 242 000 francs suisses à l'avance) pour traduire cela en un format qu'ils pouvaient réellement utiliser pour leur étude.
Lorsqu'ils ont enfin comparé les deux ensembles de données, l'ordinateur s'est révélé étonnamment précis pour les éléments qu'il pouvait trouver. Pour les chiffres structurés comme la taille, le poids et les tests de fonction pulmonaire (spirométrie), l'ordinateur et les humains étaient presque parfaitement d'accord. Les chiffres correspondaient si étroitement que les données de l'ordinateur étaient tout aussi fiables que celles de l'humain pour ces éléments spécifiques. Mais l'ordinateur n'était pas parfait. Il a manqué certaines choses que les humains trouvaient facilement, comme les détails sur les médicaments prescrits lors des visites externes ou les résultats de tests cutanés pour les allergies. Il a également eu du mal à trouver des informations qui étaient écrites dans des notes en texte libre plutôt que saisies dans des cases spécifiques.
L'équipe a également vérifié à quel point les données de l'ordinateur correspondaient aux rapports des parents concernant les visites aux urgences. L'ordinateur et les parents étaient globalement d'accord sur le fait qu'une visite avait eu lieu ou non (un haut niveau d'« accord négatif »), mais lorsqu'une visite avait eu lieu, ils ne tombaient pas toujours d'accord sur le moment exact ou les détails. Cela est probablement dû au fait que les parents peuvent se souvenir d'une visite dans un autre hôpital que l'ordinateur n'a pas vu, ou parce qu'ils peuvent oublier une visite mineure.
En fin de compte, l'article suggère que l'extraction automatique de données est un outil puissant qui peut donner aux chercheurs plus d'informations et capter des choses que les humains pourraient manquer, mais qu'elle ne peut pas encore remplacer complètement la touche humaine. L'ordinateur est excellent pour saisir les chiffres structurés et faciles, mais il a encore besoin de beaucoup d'aide pour comprendre les parties désordonnées, manuscrites ou en texte libre de l'histoire d'un patient. Les chercheurs concluent que, bien que cette technologie soit prometteuse, nous devons corriger la façon dont les hôpitaux rédigent leurs notes et construire de meilleurs outils pour traduire le langage de l'ordinateur avant de pouvoir pleinement compter sur lui pour faire tout le travail. C'est un assistant très utile, mais pour l'instant, il a encore besoin d'un superviseur humain pour s'assurer que les pièces du puzzle s'assemblent correctement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.