Knowledge graphs based extension of patients’ folders to predict hospitalization
Prédiction d’hospitalisation par la génération de caractéristiques extraites de graphes de connaissances
Résumé
The use of electronic medical records (EMRs) and electronic prescribing are priorities in the various European action plans on connected health. The development of the EMR is a tremendous source of data; it captures all symptomatic episodes in a patient’s life and should lead to improved medical and care practices, as long as automatic treatment procedures are set up.As such, we are working on hospitalization prediction based on EMRs and after having represented them in vector form, we enrich these models in order to benefit from the knowledge resulting from referentials, whether generalist or specific in the medical field, in order to improve the predictive power of automatic classification algorithms. Determining the knowledge to be extracted with the objective of integrating it into vector representations is both a subjective task and intended for experts, we will see a semi-supervised procedure to partially automate this process.As a result of our research, we designed a product for general practitioners to prevent their patients from being hospitalized or at least improve their health. Thus, through a simulation, it will be possible for the doctor to evaluate the factors involved on the risk of hospitalization of his patient and to define the preventive actions to be planned to avoid the occurrence of this event.This decision support algorithm is intended to be directly integrated into the physician consultation software. For this purpose, we have developed in collaboration with many professional bodies, including the first to be concerned, general practitioners.
L’utilisation des dossiers médicaux électroniques (DMEs) et la prescription électronique sont des priorités dans les différents plans d’action européens sur la santé connectée. Le développement du DME constitue une formidable source de données ; il capture tous les épisodes symptomatiques dans la vie d’un patient et doit permettre l’amélioration des pratiques médicales et de prises en charge, à la condition de mettre en place des procédures de traitement automatique.A ce titre nous travaillons sur la prédiction d’hospitalisation à partir des DMEs et après les avoir représentés sous forme vectorielle, nous enrichissons ces modèles afin de profiter des connaissances issues de référentiels, qu’ils soient généralistes ou bien spécifiques dans le domaine médical, et cela, dans le but d’améliorer le pouvoir prédictif d’algorithmes de classification automatique. Déterminer les connaissances à extraire dans l’objectif de les intégrer aux représentations vectorielles est à la fois une tâche subjective et destinée aux experts, nous verrons une procédure semi-supervisée afin d’automatiser en partie ce processus.Du fruit de nos recherches, nous avons ébauché un produit destiné aux médecins généralistes afin de prévenir l’hospitalisation de leur patient ou du moins améliorer son état de santé. Ainsi, par le biais d’une simulation, il sera possible au médecin d’évaluer quels sont les facteurs impliqués dans le risque d’hospitalisation de son patient et de définir les actions préventives à planifier pour éviter l’apparition de cet événement.Cet algorithme d’aide à la décision a pour visée d’être directement intégré au logiciel de consultation des médecins et nous avons pour ce faire développé une interface graphique élaborée en collaboration avec de nombreux corps de métiers avec notamment les premiers concernés, des médecins généralistes.
| Origine | Version validée par le jury (STAR) |
|---|