Elaboration d'un système d'aide à la décision médicale, CDSS
Le journal Cognisciences est un trimestriel participatif et ouvert à tous qui déchiffre pour vous les secrets des sciences de la cognition.
Cognisciences, journal, sciences, cognition, Bordeaux, cognitif, article, articles, journaux, ensc, association, associatif, cerveau, asso, gratuit, trimestriel, magazine, magazines
15563
post-template-default,single,single-post,postid-15563,single-format-standard,ajax_fade,page_not_loaded,,qode-title-hidden,qode-theme-ver-10.1.2,wpb-js-composer js-comp-ver-5.1,vc_responsive

Elaboration d’un système d’aide à la décision médicale ou Clinical Decision Support System «CDSS»

Auteur :

Laurent Mouluquet

Ingénieur diplômé de l’ENSC

 

Un système d’aide à la décision clinique (CDSS) est un système de technologie de l’information sur la santé qui est conçu pour fournir aux médecins et autres professionnels de la santé un soutien lors des décisions cliniques. Ils sont généralement utilisés pour assister les médecins dans leur travail quotidien même si, pour l’instant, leur adoption n’est pas totale.

 

Le Dossier Médical constitue un ensemble de documents physiques ou informatisés qui retracent des épisodes ayant affecté la santé d’une personne. Il peut contenir différents chapitres tels que les antécédents, les notes des médecins et des infirmières, les lettres et compte-rendu, les résultats des examens complémentaires, les prescriptions médicamenteuses, les recommandations… Les informations qui sont consignées dans ce dossier sont couvertes par le secret professionnel. La qualité des soins dépend ainsi de plus en plus de la qualité du partage d’informations et de la communication entre les professionnels de santé.

 

Même lorsque le contenu des documents est numérisé, le système d’information hospitalier gère des interfaces complexes et imparfaites. Les professionnels de santé doivent souvent créer ou compléter eux-mêmes leur avis du patient. Au-delà du temps passé et des coûts correspondants, la non-maitrise de ces informations augmente les risques lors des soins et les facteurs de stress des professionnels de santé.

 

Le personnel hospitalier a souvent besoin de consulter toutes les données structurées et non structurées pour chaque patient en fonction des besoins professionnels, des préférences et des autorisations. Les systèmes informatiques actuels ne permettent pas de répondre aux exigences hospitalières et n’apparaissent pas comme une source fiable.

 

L’informatisation doit permettre d’optimiser les processus avec une automatisation des activités et la communication d’informations en temps réel.

 

Ce changement se doit d’être rassurant et d’inspirer la confiance car l’informatique et la médecine ont deux approches différentes, l’une cartésienne basé sur les mathématiques, l’autre basé sur l’analyse de symptômes et le questionnement. Afin de tirer parti de l’ensemble des informations disponibles dans le dossier patient, il est impératif de chercher à mettre en valeur ces informations à l’aide d’un nouvel outil, afin qu’elles soient utilisées à bon escient.

 

Le développement d’un système d’aide à la décision clinique, défini comme un « système de connaissances actives, qui utilise deux ou plusieurs éléments de données du patient pour générer des conseils au cas par cas », également appelé CDSS (Clinical Decision Support System) semble donc être primordial. Il est axé sur la gestion des connaissances pour formuler les conseils cliniques et les soins appropriés aux patients.

 

Le premier objectif des CDSS est d’assister les cliniciens dans leurs soins, dans l’analyse et l’établissement d’un diagnostic, basé sur de multiples sources de connaissances dont les données du patient [1].

 

Les premiers systèmes cliniques d’aide à la décision sont dérivés de la recherche de systèmes d’experts, avec des développeurs qui cherchaient à intégrer des règles qui permettraient au système de « penser » comme un clinicien devant un patient. Depuis ces premiers développements, l’utilité de ces systèmes au-delà de la recherche, pour aider les praticiens dans la prise de décision et les avertir sur des problèmes potentiels, a été reconnue.

 

Les premiers systèmes fournissaient des conseils d’experts pour le diagnostic et la sélection de médicaments. Les CDSS ont ensuite évolué vers une spécification des règles relatives aux conditions et données du patient. La méthodologie moderne du CDSS signifie que le clinicien interagit avec le système, en utilisant à la fois ses propres connaissances et le CDSS, afin d’avoir une meilleure analyse des données du patient.

 

Typiquement, un CDSS fait des suggestions pour le clinicien et le clinicien devra reprendre des informations utiles à partir des résultats présentés. En aucun cas, le CDSS ne doit décider à la place du clinicien.

 

Un exemple de la façon dont un CDSS peut être utilisé par un clinicien est un type spécifique de système d’aide à la décision : un DDSS (Diagnosis Decision Support System). Un DDSS demande certaines des données des patients et, en réponse, propose un ensemble de diagnostics « potentiels ». Le médecin visualise les propositions et détermine quels diagnostics pourraient être pertinents et si d’autres tests sont nécessaires pour affiner le diagnostic.

 

Il existe deux grands types de CDSS :

 

1. Basés sur la connaissance

 

La plupart des CDSS sont composés de trois parties : la base de connaissances, un moteur d’inférence et un mécanisme pour communiquer. La base de connaissances contient les règles et les associations de données compilées qui prennent le plus souvent la forme de règles SIALORS. Le moteur d’inférence combine les règles de la base de connaissances avec les données du patient. Le mécanisme de communication permet au système de présenter les résultats à l’utilisateur ainsi que la possibilité de renseigner des données du patient.

 

2. Non basés sur la connaissance

 

Un CDSS qui ne peut pas utiliser une base de connaissances va utiliser la forme d’intelligence artificielle « Machine learning », au travers d’algorithmes génétiques ou de réseaux de neurones artificiels. Cependant, les systèmes basés sur cette méthode ne peuvent pas expliquer les raisons de leurs conclusions. La plupart des cliniciens ne les utilisent pas directement pour les diagnostics, pour des raisons de fiabilité et de responsabilité. Néanmoins, ils peuvent être utiles en tant que systèmes de post-diagnostic.

 

Une étude publiée en 2005 conclut que les outils CDSS augmentent les performances du personnel médical dans 64% des cas.

 

Aujourd’hui, de nombreux outils CDSS existent, sous différents modèles [2] et des projets de recherche sont lancés pour en développer de nouveaux [3], plus particulièrement aux EtatsUnis. Les recherches actuelles sur ces systèmes se focalisent sur leur interopérabilité, sur de nouvelles architectures systèmes orientées services pour intégrer différents systèmes de données et faciliter l’utilisation de l’outil sur tous les supports, ou sur les technologies de moteur de recherche de solutions optimales et d’algorithmes de convergence.

 

Beaucoup d’efforts ont été mis en avant par de nombreux établissements médicaux et sociétés pour produire un CDSS viable afin de soutenir tous les aspects des tâches cliniques. Cependant, avec la complexité des processus cliniques et les exigences élevées sur le temps du personnel, des précautions doivent être prises par l’hôpital pour déployer le CDSS et assurer que le système devienne une partie intégrante du flux de travail clinique.

 

Historiquement, un grand obstacle à l’acceptation a été l’intégration dans les processus hospitaliers. Souvent les CDSS sont des applications autonomes, exigeant que le clinicien cesse de travailler sur son outil actuel, passe au CDSS, entre les données nécessaires (même si elles avaient déjà été entrées dans un autre système) et examine les résultats obtenus. Les étapes supplémentaires vont casser la routine du clinicien et coûtent un temps précieux. C’est pourquoi, à l’heure actuelle, aucun CDSS n’est pleinement fonctionnel en milieu hospitalier. On peut donc imaginer que les technologies telles que le « deep learning, big data et algorithme en réseau de neurones » pourront améliorer ces outils et donc la qualité du traitement patient.

 Références bibliographiques :
  • [1] Clinical Decision Support Systems : State of the Art, Agency for Healthcare Research and Quality U.S. Department of Health and Human Services, AHRQ Publication No. 09-0069-EF June 2009
  • [2] Systèmes informatiques d’aide à la décision en médecine : panorama des approches utilisant les données et les connaissances, Brigitte Séroussi, Jacques Bouaud, Sorbonne Universités, Hôpital Tenon, Pratique Neurologique – FMC, Volume 5, Issue 4, December 2014
  • [3] Etude des systèmes d’aide à la décision médicale, Etude commanditée par la Haute Autorité de Santé et réalisée par Cegedim-Activ, Initiatives nord-américaines et européennes, 2010
Pas de commentaire

Poster un commentaire