big data hôpitaux de paris

Hôpitaux de Paris : le Big Data pour prédire le taux d’admission

Afin de prédire les taux d'admission, les Hôpitaux de Paris ont décidé d'utiliser les technologies du et du Machine Learning. De cette façon, les ressources peuvent être déployées de façon plus efficace et les patients peuvent être mieux pris en charge.

Quatre des hôpitaux qui constituent l'Assistance Publique-Hôpitaux de Paris (AP-HP) ont entrepris d'analyser 10 ans de données en provenance de sources internes et externes, notamment des rapports d'admission, les conditions météorologiques et la période de l'année. L'objectif est de pouvoir prédire avec précision les heures et les jours d'admission et le nombre de patients à prévoir.

Un système développé sur la Trusted Analytics Platform

trusted-analytics-platform

Pour procéder à l'analyse, plusieurs techniques ont été utilisées afin de mettre en exergue des patterns dans les données. Le Machine Learning est employé pour déterminer quels algorithmes offre le meilleur indicateur de tendances futures à partir de données passées. Un système a été développé sur la Trusted Analytics Platform (TAP), choisie pour sa capacité à ingérer et à traiter de larges quantités des données au sein d'un environnement collaboratif et ouvert.

Mené de manière expérimentale au sein de quatre établissements AP-HP, le projet sera déployé dans les 44 Hôpitaux de Paris s'il s'avère probant. Par conséquent, les données seront bien plus nombreuses. Un espace de stockage et une capacité de traitement plus importants seront nécessaires. C'est la raison pour laquelle un framework scalable et distribué a été développé spécialement pour ce projet. Par la suite, ce code a été utilisé pour d'autres projets dans le domaine de la santé et de la finance.

Ce projet s'est également heurté au problème des législations françaises concernant la confidentialité des données médicales. À cause du secret médical, certaines données pertinentes ne peuvent pas être utilisées. Par exemple, il est impossible de prendre en compte les raisons des admissions. Malgré tout, grâce aux patterns en provenance de plusieurs hôpitaux, un modèle prédictif efficace et pertinent a pu être développé. 

Une interface intuitive pour prédire le taux d'admissions des Hôpitaux de Paris

big-data-predictions-hopitaux

Le résultat est un une interface accessible depuis un navigateur web, conçue pour être utilisée par les médecins, les infirmières et les équipes d'admission des hôpitaux, ne disposant pas de compétences en Data Science. Cette interface permet de prédire les taux d'admission et les visites 15 jours à l'avance. En cas de pics de visites et d'admissions, les hôpitaux peuvent déployer davantage de personnel pour réduire le temps d'attente pour les patients et mieux les prendre en charge.

Ce système permet de réduire le fossé qui sépare les équipes médicales et administratives des hôpitaux des équipes de Data Scientists et d'architectes système de l'équipe de déploiement TAP. Les leçons tirées de cette expérience serviront pour le prochain projet Big Data du groupe : développer une Data Warehouse pour stocker toutes les données cliniques sous une forme permettant l'interrogation à l'aide de méthodes classiques comme les algorithmes Python ou R, et adaptée aux lois européennes sur la gouvernance des données.

Face à l'augmentation des coûts des soins de santé, les systèmes comme celui des Hôpitaux de Paris joueront un rôle essentiel pour le futur de l'industrie de la santé. Ceci est valable aussi bien pour des pays dotés d'un système de sécurité sociale, comme la France, que pour des pays comme les États-Unis reposant sur des systèmes d'assurances privées. Grâce à ces prédictions, les pertes peuvent être réduites et les assurances peuvent devenir plus efficaces. Il ne s'agit que d'un exemple d'utilisation du Big Data et du Machine Learning au service de l'industrie de la santé.

Newsletter

Envie de ne louper aucun de nos articles ? Abonnez vous pour recevoir chaque semaine les meilleurs actualités avant tout le monde.

Cliquez pour commenter

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *