Utiliser OpenEHR pour la recherche

Dans notre précédent article, nous avons brièvement introduit une approche basée sur des normes ouvertes pour l'interopérabilité sémantique dans les soins de santé, à savoir OpenEHR. Nous avons décrit OpenEHR comme étant un ensemble convenu de formulaires pour différentes spécialités, définis par le chirurgien pour les besoins en chirurgie, le cardiologue pour les besoins en cardiologie, etc. OpenEHR n'est pas un standard pour les ingénieurs, mais un standard pour les professionnels de la santé. En utilisant un vocabulaire et des structures de données communs, nous pouvons nous assurer que différents systèmes peuvent comprendre les données échangées. Et ici, nous nous concentrons généralement sur les données cliniques concernant les patients, qui sont au cœur du domaine de l'informatique clinique.

De la médecine factuelle à l'intelligence artificielle

Comme nous le savons tous, les professionnels de la santé sont généralement aussi des chercheurs, ce qui constitue la base de la médecine factuelle. En outre, de plus en plus de chercheurs d'autres domaines se concentrent également sur des recherches basées sur des données de santé. Cela inclut non seulement les universités, mais également de nombreuses industries telles que la pharma, l'informatique, la génomique, etc. De toute évidence, l'utilisation des données de santé bénéficierait à de nombreuses parties intéressées. Nous allons maintenant examiner comment OpenEHR peut aider. Nous le ferons en regardant quelques exemples.

Cas 1: Projet NHS Genomes

La plate-forme en ligne Digital Health décrite dans un article récent du NHS est sur le point d'utiliser OpenEHR pour collecter des données auprès de 17 fiducies différentes du NHS. Ils ont pu se déployer rapidement car 70% des archétypes OpenEHR étaient déjà disponibles. En plus d'économiser beaucoup de ressources en n'ayant besoin que de modéliser les 30% d'archétypes restants, ils ont également été en mesure d'introduire rapidement un standard ouvert dans le NHS - ce qui n'a pas été fait auparavant dans une telle mesure. S'appuyant sur OpenEHR pour les données, le développement d'une nouvelle solution logicielle centrée sur un cas d'utilisation spécifique - comme la génomique dans ce cas-ci - peut être beaucoup plus efficace et durable.

Cas 2: Prestations de santé publique - Registres nationaux, programmes de dépistage, etc.

En Slovénie, OpenEHR est utilisé pour modéliser l’ensemble de données national du résumé du patient. Cet ensemble de données représente un ensemble de données nécessaires pour sauver la vie d’un patient en cas d’urgence. En outre, ces données peuvent être utilisées pour des études de population (créer une requête de population dans le langage de requête archétype OpenEHR n’est pas une tâche particulièrement difficile à réaliser). Le registre national de vaccination obtient des données directement à partir du Résumé des patients, qui inclut évidemment aussi l'ensemble de données de vaccination. Encore plus, les données de vaccins sont codées avec les codes de vaccins SNOMED, ​​ce qui rend ces points de données utiles pour la recherche internationale qui est souvent menée, par exemple, par exemple. industrie pharmaceutique.

Un autre exemple d'utilisation d'OpenEHR à des fins de recherche est le programme national de dépistage dans le cadre de la prévention du cancer en Slovénie. Ils travaillent à la mise en place d'un système d'information basé sur OpenEHR incluant des centaines de fournisseurs de soins de santé faisant partie de ce réseau.

Cas 3: Analyse prédictive - prévoir les mesures de glucose un an à l’avance?

Dans l'article Modélisation de la série chronologique des mesures du glucose chez les patients diabétiques à l'aide d'arbres à grappes prédictifs, certains résultats intéressants ont été présentés pour les patients diabétiques. Basée sur un riche ensemble de données de santé basées sur OpenEHR sur les patients et malgré la présence d'un petit nombre de patients dans l'ensemble de données final, la recherche a montré comment les patients pouvaient être regroupés en un petit nombre de groupes en fonction de leur comportement face à leur diabète. état chronique. Les groupes allaient des patients avec un diabète bien géré d'un côté, à ceux qui rechutaient constamment et montrant ainsi un diabète non géré. Ces groupes de patients sont décrits par leurs paramètres liés à la santé et peuvent être utilisés pour prédire l’état futur du diabète chez des patients présentant des valeurs de paramètres similaires. De telles recherches relèvent du domaine de l'analyse prédictive. Avoir une description plus riche d'un patient peut potentiellement améliorer les recherches existantes qui posent souvent des problèmes de validité en raison de la petite taille des échantillons. L'obtention de ces données riches est facilitée en basant les algorithmes sur l'utilisation d'OpenEHR. Le fait de pouvoir obtenir des données dans le bon format augmente radicalement le nombre d'instances utilisées dans différents algorithmes et diminue les efforts nécessaires avec le prétraitement - tâche qui nécessite le plus de travail.

OpenEHR en tant que consensus nécessaire pour assurer une recherche reproductible?

Les avantages de l’utilisation de l’approche OpenEHR pour la recherche sont énormes. Nous venons tout juste de souligner l’énorme potentiel qu’il peut apporter à tous les acteurs des soins de santé: patients, cliniciens, pharmaciens, payeurs, etc. Rappelez-vous que cela est possible car OpenEHR a été conçu pour les professionnels de la santé, pas pour Les gens de l'informatique. De ce fait, il facilite la recherche d’un consensus entre les différents professionnels de la médecine et leur permet de développer des solutions informatiques interopérables. De plus, les données elles-mêmes sont en réalité séparées des applications et deviennent ainsi évolutives. Même si l'application est arrêtée ou n'est plus utilisée, les données restent lisibles et utilisables par un système différent. En utilisant cette fonctionnalité dans le contexte de la recherche, on peut rapidement constater qu'en basant les questions de recherche sur les modèles OpenEHR, on peut également assurer un niveau de répétabilité supérieur grâce à une compréhension commune des données.

Dans le cas où vous ne vous intéresseriez qu'aux aspects économiques de l'utilisation d'OpenEHR, notez le rapport 70/30 mentionné dans ce texte. Un tel ratio a été observé dans de nombreux projets, ce qui signifie qu’un projet pourrait réutiliser 70% des archétypes et produire les 30% restants. Même cela représente un avantage important en termes de finances. Au fil du temps, ce rapport s'améliore, car de plus en plus d'archétypes sont ajoutés à la base de connaissances commune.

Pour en savoir plus sur Iryo: Telegram | Site Web | Livre blanc | Twitter | Newsletter