© 2013 IBM Corporation
Collaboration avec le Réseau Polyarthrite Rhumatoïde du Languedoc RoussillonRetour d'expérience sur le développement d'une solution pour une meilleure compréhension de l'évolution de la Polyarthrite Rhumatoïde
Sandra Belfils – IBM Operational Decision Manager / Product DesignerValérie Le Roy – Architecte de solutions pour la santé
© 2013 IBM Corporation
Centre d’Excellence Mondial pour la Santé à La Gaude
Smarter Healthcare Focus Areas– Business Process Modernization
• Digital Hospital• eHealth Transformation
– Care Coordination• Outcome management• Patient Care & Insights• Provider Outcome Analytics
Technical Core Competencies– Integrating the Healthcare Enterprise (IHE),
Continua Health Alliance, HL7 & DICOM– Service Oriented Architecture for Healthcare– Master Data Management– Advanced Analytics– Universal integration– Remote Patient Monitoring
2
© 2013 IBM Corporation
The Industry Solution Center @ IBM Client Center
Smarter Healthcare
To build a smarter system, healthcare solutions need to be instrumented, interconnected and intelligent
Patient Home
Digital Hospital Immersive Environment
3
© 2013 IBM Corporation
La Polyarthrite Rhumatoïde
Maladie dégénérative inflammatoire chronique, caractérisée par une atteinte articulaire bilatérale et symétrique, évoluant par poussées vers la déformation et la destruction des articulations atteintes
Prévalence est variable suivant les pays, nette prédominance féminine
Pic de fréquence autour de la quarantaine
Maladie auto-immune d’origine inconnue
Objectifs du Réseau Polyarthrite Rhumatoïde du Languedoc-Roussillon
Diagnostic et traitement précoce de la PR pour une prise en charge coordonnée
Accès rapide aux biothérapies et suivi de celles-ci
Formation médicale continue des soignants
Réseau construit autour du malade grâce à un dossier patient partagé informatisé et sécurisé
© 2013 IBM Corporation
Notre Objectif InitialDévelopper un scénario utilisant la solution ICPA sur un cas client
La solution ICPA (IBM Content and Predictive Analytics): Permet d’analyser le langage naturel
Permet de construire des modèles prédictifs (solution SPSS)
Développer un scénario avec le Réseau Polyarthrite Rhumatoïde du Languedoc-Roussillon
La Polyarthrite Rhumatoïde est une maladie chronique, avec des phases de poussée de la maladie
Un traitement approprié délivré en avance permettrait d’éviter les phases de poussée.
Le challenge Trouver des prédicteurs de risque dans les données disponibles lors de la première visite du patient
Alerter l’équipe médicale sur l’évolution probable du patient, afin d’optimiser les résultats cliniques
© 2013 IBM Corporation
Architecture de la solution
S tru c tu re d & U n s tru c tu re d d a ta so u rc e s
Extraction, integration
D a ta W a re h o u seL o n g itu d in a l p a t ie n t re co rd
IB M C onte n t Ana lytic s- N a tu ra l la n g u a g e p ro ce ss in g jo b s- D a ta m in in g
Ide n tifica tion o f fa c ts , co rre la tio n s
M e ta d a ta
IB M S P S S M od e le r- B u ild in g a p re d ic tive m o d e l- S co rin g jo b s
S co rin g b ase d o n h is to rica l d a ta
P re d ic tive d a ta
Share knowledge
IB M C ognos B I- S h a rin g re p o rts- O p e ra tio n a l d a s h b o a rd s
M e d ica l & o p e ra tio n a l o p tim isa tio n a c tio n s
© 2013 IBM Corporation
Cycle de développement itératif
Identify new facts to analyze
Integrate facts in the predictive model
Develop annotators to unlock facts
Interviews, ICA data mining
Develop with ICA StudioExecute with ICA SPSS Modeler
© 2013 IBM Corporation
Première étape : calcul de la sévéritéFacteur Nom du champ Critère Points
CbilanradioPiedsErosion CbilanradioPiedsErosion = 1
6
CbilanradioPoignetsErosion CbilanradioPoignetsErosion = 1
QCSynthese
Niveau de CRP CDBIOcrpRT CDBIOcrpRT > 20 1
CDBIOfacteurRhumatoRT CDBIOfacteurRhumatoRT > 0 1
Niveau du DAS 28 QCSBioDas28 1
CDBIOantiCorpsAntiCCPRT CDBIOantiCorpsAntiCCPRT > 02
QCSynthese Présence d'anticorps anti-CCP
Vitesse de sédimentation CDBIOvsRT CDBIOvsRT > 30 1
Niveau de HAQ QCDESindiceHAQ QCDESindiceHAQ > 0.5 1
ChirurgieCIC (Indication chirurgicale) CIC = 1 1
CDConsultSiOui (Décision chirurgicale) CDConsultSiOui = 0 et CDConsult = 1 1
2
TOTAL 17
Présence d'érosions / données structurées
Présence d'érosions / données non-structurées
Présence d'érosions, augmentation des érosions, progression radiographique, progression structurale
Positivité du facteur rhumatoïde
QCSBioDas28 > 5.1 sur deux consultations
Anticorps anti-CCP / données structuréesAnticorps anti-CCP / données non-structurées
Plus de 2 tentatives en biothérapies
ITRttfondXX et ITRttfondXXAssociation (01 < XX < 10)
ITRttfondXX, ITRttfondXXAssociation, CTTPRTrFondX, CTTChgTrFondX mentionnent 2 biothérapies (1 point si 1 biothérapie)
CTTPRTrFondX et CTTChgTrFondX (X = 1,2,3)
Nécessité de prendre en compte de l’information située dans du texte (présence d’érosions et présence d’anticorps anti-CCP )
© 2013 IBM Corporation
Première étape : calcul de la sévérité Développement d’annotateurs
Les médecins utilisent très fréquemment le champ synthèse (texte libre) pour donner des informations médicales très importantes. Ce champ n’est pas actuellement analysé par l’application existante du Réseau
La solution ICPA permet le développement d’annotateurs spécifiques pour extraire de l’information du texte.
Exemple : état érosif
© 2013 IBM Corporation
Première étape : calcul de la sévérité Développement d’annotateurs
Plusieurs annotateurs ont été développés:
- stade érosif
- présence d’anticorps anti-CCP
- progression structurelle
Le stade érosif et la présence d’anticorps anti-CCP sont des champs qui existent déjà dans l’application, mais ils sont rarement utilisés par les médecins.
En général, les médecins préfèrent utiliser le champ synthèse et du texte libre pour signaler cette information
L’utilisation d’ICPA permet maintenant d’analyser cette information
© 2013 IBM Corporation
Deuxième étape : développement d’un modèle prédictifLe modèle est construit à partir des données collectées
- On connaît l'évolution de l'indicateur de sévérité de chaque patient- On sait quels patients vont évoluer vers une polyarthrite sévère
- But : arriver à prédire quels patients vont évoluer vers une polyarthrite sévère en se basant uniquement sur les données de la première consultation
- Résultat espéré :- Obtenir un modèle le plus précis possible- Avoir une meilleure connaissance des données
Nécessité de développer un nouvel annotateur permettant de récupérer les antécédents médicaux du patient décrits dans le champ synthèse :- Diabète- Cholestérol- Hypertension artérielle- Infarctus du myocarde- Infections- Tabagisme
© 2013 IBM Corporation
Deuxième étape : développement d’un modèle prédictif
© 2013 IBM Corporation
Résultats
Analyse Prédictive
110 facteurs ont été analysés.
11 facteurs sont réellement utilisés pour construire le modèle prédictif :- Stade érosif- Positivité du facteur rhumatoïde- Vitesse de sédimentation > 30- 1 biothérapie- 2 biothérapies- Situation d’invalidité- 2ième articulation métacarpo-phalangienne de la main droite touchée- Genou droit touché- Genou gauche touché- 2ième articulation interphalangienne proximale de la main droite touchée- Antécédents personnels d’hypertension artérielle
© 2013 IBM Corporation
Résultats
Modèle développé74% de précision
- trop faible au niveau statistique pour être utilisé en situation réelle- assez précis pour valider la démarche adoptée
Besoin de plus de données- plus de patients- plus de complétude dans les données- plus de fréquence dans les relevés
Enseignements sur la solution ICPAValidation de sa couverture fonctionnelle
- Analyse de textes- Analyses prédictives
Meilleure connaissance de son architecture et de son cycle de développement