Big Data en santé du discours aux applications pratiques - Les acteurs du Big data en santé Alexandre Vainchtock
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Big Data en santé
du discours aux applications pratiques
Les acteurs du Big data en santé
Alexandre Vainchtock
1
Potentiel
d’utilisation des
données du SNDS
Médico-économie Epidémiologie et pharmacovigilance
Réalisation d’études portant sur l’évaluation du Réalisation d’études portant sur l’épidémiologie d’une
fardeau économique d’une pathologie, d’une prise pathologie ou les événements indésirables d’un
en charge thérapeutique, sur la consommation de produit de santé.
soins et leurs coûts (ville, hôpital, indemnités
journalières)
jeudi 29 mars 2018 2
Potentiel
d’utilisation des
données du SNDS
Parcours et offre de soins Innovations méthodologiques
Parcours de soins : Réalisation d’études portant sur de nouvelles
Réalisation d’études portant sur l’analyse des méthodologies appliquées au champ de la santé.
parcours thérapeutiques des patients, centrés sur
le recours aux différents acteurs de santé sur une Application de nouvelles disciplines analytiques
période donnée. avec le machine learning, le process mining.
Offre de soins :
Réalisation d’études portant sur l’analyse de
l’offre de soins, centrées sur les professionnels
de santé, les établissements de santé, les services
d’urgence, les laboratoires de biologie médicale
et les officines
Snds [internet] [cited 2018 fev 23]. Available from: https://www.snds.gouv.fr/SNDS/Qu-est-ce-que-le-SNDS
jeudi 29 mars 2018 3
1
Applications au sein de la médico-économie
Du burden of disease à la modélisation d’impact budgétaire
jeudi 29 mars 2018 4Analyse des TVP-
Analyse des événements TVP-EP auprès des
EP patients hospitalisés pour cancer du sein et de
patients la prostate
atteints de
cancer du sein POPULATION
et de la Patients traités pour un cancer du sein et de la
prostate prostate en 2010
FOLLOW-UP
Suivi prospectif de 2 années calendaires
DATA
Nombre d’hospitalisations pour TVP-EP
NOMBRE DE RÉCIDIVES SUR 2 ANS
202 CANCER
DU SEIN 144 CANCER DE
LA PROSTATE
jeudi 29 mars 2018 5Coût des
Analyse des événements TVP-EP auprès des
TVP-EP patients hospitalisés pour cancer du sein et de
patients la prostate
atteints de
cancer du POPULATION
sein et de la Patients traités pour un cancer du sein et de la
prostate prostate en 2010
FOLLOW-UP
Suivi prospectif de 2 années calendaires
DATA
Nombre d’hospitalisations pour TVP-EP
COÛT TOTAL DES TVP-EP SUR 2 ANS
1,98 M€ 1,43 M€
CANCER DU SEIN CANCER DE LA PROSTATE
jeudi 29 mars 2018 62
De l’épidémiologie à la pharmacovigilance
Auprès d’une population en conditions réelles de prise en charge
jeudi 29 mars 2018 7Cohorte de Accès aux chimiothérapies innovantes des
patients atteints patients atteints de cancers du poumon au stade
métastatique (au sein des hôpitaux publics)
d’un KC du
poumon POPULATION SOURCE
Patients incidents du cancer du poumon en France
en 2011
Cohorte de patients atteints
d’un KC du poumon COHORTE ANALYSEE
Patients métastatiques traités par chimiothérapie
au sein des hôpitaux publics
FOLLOW-UP
Suivi de 2 années calendaires ou jusqu’à décès
INDICATEURS SOCIO-DÉMOGRAPHIQUES
Indice de défaveur social et ruralité
RÉSULTATS
Inégalités d’accès aux traitements
suivant les régions et les caractéristiques
socio-démographiques des patients
jeudi 29 mars 2018 8Risques ischémiques OBJECTIF :
et hémorragiques Quantifier en « vie réelle » les risques ischémiques et hémorragiques et
les différences entre les stents actifs et les stents nus/non actifs
liés aux gammes
d’endoprothèses MÉTHODE :
(stents) coronaires Sujets ayant eu une implantation de stent en 2014 âgés de plus de 18
ans et affiliés au régime général
en France Le risque de survenue à 1 an a été comparé entre gammes en utilisant
un modèle de Cox ajusté sur les caractéristiques à l’inclusion
SYNTHESE :
Pas de différence de caractéristiques sociodémographiques, médicales
Etude à partir des données du entre les gammes
SNIIRAM Après ajustement sur les caractéristiques à l’inclusion et prise en compte
de l’effet centre, les risques n’étaient pas différents entre les gammes
*Rapport d’étude Janvier 2018 HAS/ ANSM
jeudi 29 mars 2018 93
Analyse des Parcours de soins
jeudi 29 mars 2018 10Analyse des
séquences de
traitement direct
sur 2 ans
patients de Rhône-Alpes
ayant eu un cancer du
poumon
Patients métastatiques et non
métastatiques
jeudi 29 mars 2018 114
Innovations méthodologiques
Du Machine learning au Process Mining
jeudi 29 mars 2018 12Du Data mining au
machine learning
Le passage vers le machine learning
Le data mining consiste à fouiller les
consiste à apprendre de manière
données qui proviennent de la collecte
automatisée et supervisée les
automatisée. Puis de les croiser avec
corrélations des données afin d’être
d’autres sources de données afin de
capable de produire une réponse
chercher une corrélation entre ces
données via les différentes méthodes
« classiques ».
Le Machine Learning est un champ d’étude de l’intelligence artificielle permet ainsi d’observer le
comportement des patients en se basant sur les faits et les traitements réels, au-delà de la description
théorique du schéma thérapeutique
jeudi 29 mars 2018 13Machine learning
Construire des modèles
encore plus aboutis
Classer Identifier Analyser
Classer les patients dans des Identifier la Prédire les coûts ou les
groupes de profils basés sur surexpression de complications médicales
des variables complexes et variables dans un profil de nouveaux patients
combinées
jeudi 29 mars 2018 141. SÉLECTIONNER AUTOMATIQUEMENT 2. POUR CRÉER AUTANT 3. EN FONCTION
Machine learning LES VARIABLES PERTINENTES PARMI LES
DIZAINES DISPONIBLES
DE PROFILS PATIENTS QUE BESOIN D’UN OBJECTIF PRÉCIS
Expliquer le coût
découvrir des profils patient PRÉSENCE D'INFECTIONS
NON CLASSANTES VIH
ou
Mesurer des risques :
NON OUI
Nombre de N = 26 706 N = 21 920 ré-hospitalisations ou présence
doses reçues 1 540 € / p 8 688 € / p
de complications
Diagnostics
PRÉSENCE
PRÉSENCE D’UNE
D’UNE COMMORBIDITÉ
INFECTION BACTÉRIENNE
ENDOCRINO-METABOLIQUE EXEMPLE D’UN PROFIL PATIENT
Genre
Présence d’un NON OUI OUI
cancer N = 25 369 N = 1 337 N = 19 078
1 420 € / p 3 680 € / p 2 388 € / p
NON
Âge de la DOSES REÇUES PRÉSENCE
N = 2 842 1. Présence d’infections
maladie ENTRE 5 ET 10 D’UN CANCER
6 300 € / p non classables VIH
Âge du patient 2. Présence d’une comorbidité
NON NON endocrino-metabolique
N = 21 980 N = 1 170
1 280 € / p 4 540 € / p
Coûts
Date OUI OUI
N = 3 389 N = 167
140 € / p 9 510 € / p
jeudi 29 mars 2018 15Le machine
learning 1 nouveau patient Modèle de machine learning Prédictions
Prédire des = des caractéristiques « Random Forest Classifier »
outcomes + un historique médical
85% de chances d’être
réhospitalisé sous 30 jours
12% de développer une
infection opportuniste
Mortalité à 12 mois
accrue de 5%
jeudi 29 mars 2018 16Du machine
learning au Discipline de recherche relativement jeune qui se trouve entre :
process
mining o l’intelligence artificielle et le Data Mining
o la modélisation et l’analyse des processus
Cette technologie se base sur les données extraites des systèmes informatiques
contenant des informations sur les processus tels qu’ils se sont réellement passés
Le Process Mining une discipline qui se positionne entre l’analyse de processus et l’analyse de
données qui permet ainsi d’observer la succession de prise en charge des patients et de caractériser
les différents types de trajectoires
jeudi 29 mars 2018 17Quelles sont
les finalités Découverte des processus :
1 Découvrir, les processus tels qu’ils se sont réellement
passés
Comparaison à un modèle de processus
2 Vérifier si le modèle théorique ou prévu correspond
bien à la réalité
Amélioration des processus :
3 Mettre en place des chemins cliniques
Identifier précocement les patients à risques
jeudi 29 mars 2018 18Le Process Mining
l’étude des parcours
Le parcours de soins de
chaque patient est unique
jeudi 29 mars 2018 19Le Process Mining
Synthèse des trajectoires en 1
modèle
jeudi 29 mars 2018 20Vous pouvez aussi lire
