Journal des sciences théoriques et computationnelles
Libre accès

Abstrait

ADAM : Application de l'exploration de données dans le contexte des soins de santé

Duncan Wallace

À l’ère du « big data », les solutions informatiques par le biais de l’apprentissage automatique à grande échelle (ML) ont permis de résoudre des problèmes qui auparavant se seraient révélés très difficiles à résoudre. Ces dernières années, les approches ML ont été appliquées avec succès à l’analyse des données sur les symptômes des patients dans le cadre du diagnostic de maladies, du moins lorsque ces données sont bien codifiées. Cependant, une grande partie des données présentes dans les dossiers médicaux électroniques (DME) ne sont probablement pas adaptées aux approches ML classiques. De plus, comme des dizaines de données sont largement réparties entre les hôpitaux et les particuliers, une méthodologie décentralisée et évolutive sur le plan informatique est une priorité. Notre recherche est basée sur l’identification précoce d’une petite sous-section de patients qui sont des utilisateurs fréquents. Il s’agit de patients qui ont des conditions sous-jacentes qui les obligeront à nécessiter des soins médicaux à plusieurs reprises. Les OOHC agissent comme une prestation ad hoc de télémédecine et de traitement, où les interactions se produisent sans recours à un historique médical complet du patient en question. Les antécédents médicaux, relatifs aux patients contactant un OOHC, peuvent résider dans plusieurs systèmes EHR distincts dans plusieurs hôpitaux ou cabinets médicaux, qui ne sont pas disponibles pour l’OOHC en question. Ainsi, bien qu'une solution locale soit une meilleure option pour ce problème, il s'ensuit que les données étudiées sont incomplètes, hétérogènes et composées principalement de notes textuelles bruyantes compilées au cours des activités de routine des services de santé hors domicile. Grâce à une gamme de méthodologies d'apprentissage automatique, l'objectif de cette recherche est de fournir les moyens d'identifier les cas de patients, lors du premier contact, qui sont susceptibles d'être liés à de telles valeurs aberrantes. En particulier, des approches d'apprentissage profond ont été adoptées dans le développement d'un système de classification de ces cas. Un autre objectif de cette recherche est d'élucider la découverte de cas d'utilisateurs fréquents en examinant les termes exacts qui fournissent une forte indication des entrées de cas positives et négatives.