FR3056328A1 - Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique - Google Patents
Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique Download PDFInfo
- Publication number
- FR3056328A1 FR3056328A1 FR1658678A FR1658678A FR3056328A1 FR 3056328 A1 FR3056328 A1 FR 3056328A1 FR 1658678 A FR1658678 A FR 1658678A FR 1658678 A FR1658678 A FR 1658678A FR 3056328 A1 FR3056328 A1 FR 3056328A1
- Authority
- FR
- France
- Prior art keywords
- hospitalization
- patient
- data
- database
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
L'invention concerne un système de traitement de données permettant de prédire une hospitalisation ou une ré-hospitalisation d'un patient atteint d'au moins une maladie chronique comprenant une première base de données (DB1) contenant des données sociodémographiques du patient ; une deuxième base de données (DB2) contenant des données historiques médicales du patient ; une troisième base de données (DB3) collectant des mesures de signaux vitaux du patient provenant de dispositifs médicaux de surveillance de l'état de santé du patient, et des réponses à des questions d'auto-évaluation du patient sur son état de santé ; un premier processeur (P1) configuré pour prétraiter les données et mesures provenant des première, deuxième et troisième bases de données (DB1, DB2, DB3) ; pour extraire des variables pertinentes révélatrices d'un risque d'hospitalisation ou ré-hospitalisation ; et pour créer au moins un vecteur multidimensionnel d'hospitalisation (Xh) et/ou de ré-hospitalisation (Xrh) à partir des variables pertinentes; et un deuxième processeur (P2) configuré pour comparer le vecteur multidimensionnel d'hospitalisation (Xh) à un modèle mathématique d'hospitalisation prédéfini (Mh) et pour déduire de la comparaison une évaluation du risque d'hospitalisation du patient.
Description
Titulaire(s) : L'AIR LIQUIDE, SOCIETE ANONYME POUR L'ETUDE ET L'EXPLOITATION DES PROCEDES GEORGES CLAUDE Société anonyme.
Demande(s) d’extension
Mandataire(s) : L'AIR LIQUIDE.
SYSTEME DE TRAITEMENT DE DONNEES POUR PREDIRE UNE HOSPITALISATION OU UNE REHOSPITALISATION D'UN PATIENT ATTEINT D'UNE MALADIE RESPIRATOIRE CHRONIQUE.
FR 3 056 328 - A1 (5/j L'invention concerne un système de traitement de données permettant de prédire une hospitalisation ou une ré-hospitalisation d'un patient atteint d'au moins une maladie chronique comprenant une première base de données (DB1) contenant des données sociodémographiques du patient; une deuxième base de données (DB2) contenant des données historiques médicales du patient; une troisième base de données (DB3) collectant des mesures de signaux vitaux du patient provenant de dispositifs médicaux de surveillance de l'état de santé du patient, et des réponses à des questions d'auto-évaluation du patient sur son état de santé; un premier processeur (P1 ) configuré pour prétraiter les données et mesures provenant des première, deuxième et troisième bases de données (DB1, DB2, DB3); pour extraire des variables pertinentes révélatrices d'un risque d'hospitalisation ou ré-hospitalisation; et pour créer au moins un vecteur multidimensionnel d'hospitalisation (Xh) et/ou de ré-hospitalisation (Xrh) à partir des variables pertinentes; et un deuxième processeur (P2) configuré pour comparer le vecteur multidimensionnel d'hospitalisation (Xh) à un modèle mathématique d'hospitalisation prédéfini (Mh) et pour déduire de la comparaison une évaluation du risque d'hospitalisation du patient.
i
L’invention porte sur un système de traitement de données permettant de prédire une hospitalisation ou un ré-hospitalisation, notamment pour soins aigus, d’un patient atteint d’une maladie respiratoire chronique, en particulier d’une BPCO, lequel patient est traité par oxygénothérapie, en particulier à son domicile, et d’alerter le personnel soignant ou analogue et/ou le patient lui-même.
Les maladies respiratoires chroniques sont en forte progression dans le monde, en particulier la BPCO ou Broncho-Pneumopathie Chronique Obstructive qui affecte les bronches des patients, notamment chez les fumeurs. La BPCO est une maladie chronique dont l’évolution progressive est jalonnée de poussées d’aggravation des symptômes récurrents de la maladie, appelées crises d’exacerbations de BPCO ou plus simplement exacerbations, notamment une augmentation de la toux et de l’essoufflement. La répétition des exacerbations aggrave le pronostic de la maladie, donc les risques vitaux du patient. De ce fait, en cas de crise aigüe de BPCO ou analogue, le patient est généralement hospitalisé pour être traité, notamment soigné par administration d’oxygène gazeux, également appelé oxygénothérapie. Les crises d’exacerbations sont la principale cause d’hospitalisation des patients BPCO et représentent un des facteurs importants de mortalité.
De manière générale, on comprend aisément qu’une hospitalisation ou une réhospitalisation engendre un processus lourd et coûteux, voire même parfois traumatisant pour le patient qui doit passer plusieurs jours en hôpital. Ensuite, après son hospitalisation, le patient rentre à son domicile où il doit généralement suivre un traitement par oxygénothérapie basé sur une administration d’oxygène gazeux, typiquement produit par un concentrateur d’oxygène ou de tout autre système de fourniture d’oxygène utilisable au domicile du patient.
En plus de dégrader la qualité de vie des patients, la fréquence des (re-)hospitalisations implique des coûts de plus en plus importants pour les systèmes de santé.
Pour éviter ou réduire les hospitalisations et/ou les re-hospitalisations des patients, c'est-àdire des réadmissions en hôpital, il convient de pouvoir les prédire ou les détecter le plus tôt possible en utilisant un système de surveillance fiable capable d’analyser l’état de santé du patient et son évolution afin d’en déterminer son aggravation.
Or, ceci n’est pas chose aisée, notamment du fait que les patients se trouvent à leur domicile et que l’on doit donc pouvoir détecter rapidement les crises, notamment celles de BPCO, et surtout à distance. Plusieurs documents se sont déjà attelés à ce problème et ont proposés des solutions qui se sont avérées en pratique rarement efficaces.
Ainsi, US-A-2013/030258 propose une méthode de détection de l’exacerbation de BPCO basée sur des critères prédéfinis relatifs à des changements de fréquence respiratoire et de fréquence cardiaque en fonction de variations de l’activité physique du patient.
US-A-2011/0184250 enseigne de réaliser d’abord des mesures des conditions ambiantes dans l’environnement du patient, notamment qualité d’air, niveau d’allergènes, température et conditions atmosphériques. Un algorithme prédit la probabilité d’une exacerbation de BPCO en fonction de l’activité attendue pour le patient dans les conditions ambiantes locales, et alerte le patient des risques avant la période concernée.
US-A-8949082 enseigne un système de prédiction ou de prévention des réadmissions de patients basé sur de l’apprentissage-machine (machine learning) à partir de données passées de patients ayant été déjà réadmis.
US-A-20150081328 enseigne un système de prédiction des réadmissions basé sur un calcul de la probabilité de réadmission à partir d’un modèle de risque de réadmission et d’autres données.
WO-A-2011006196 propose un système de prédiction de la réadmission en hôpital d’un patient basé sur une utilisation de données relatives au jour et à la période de temps auxquels le patient a déjà été admis en hôpital par le passé.
Ces systèmes ne sont cependant pas ou mal adaptés aux maladies chroniques, en particulier de type BPCO, puisqu’ils ne prennent pas en compte la complexité des variables pertinentes qui caractérisent les risques d’hospitalisation et/ou de ré-hospitalisation pour de telles maladies chroniques.
De même, aucun des systèmes proposés ne permet de prédire à la fois, d’une part, les hospitalisations nécessitant une surveillance quotidienne et, d’autre part, de détecter au plutôt le risque de ré-hospitalisations à partir de la date de sortie de chaque hospitalisation.
Ces différentes solutions ne sont donc pas totalement satisfaisantes puisqu’elles ne permettent pas de prédire de manière fiable et efficace, une hospitalisation ou une réhospitalisation d’un patient atteint d’une BPCO ou d’une autre maladie chronique affectant un (ou des) patient suivant leur traitement à domicile, en particulier des patients traités par oxygénothérapie à domicile.
En effet, certaines de ces solutions ne permettent pas de suivre le patient à distance et/ou nécessitent que le patient réalise lui-même certaines mesures. Ce n’est pas pratique et engendre des risques d’erreur de mesure importants. D’autres sont très théoriques et difficilement applicables au domicile d’un patient car trop contraignantes et/ou non-adaptées à un patient actif, c'est-à-dire qui déambule.
Au vu de cela, le problème qui se pose est dès lors de pouvoir détecter au plus tôt, c'est-àdire prédire, une aggravation de l’état de santé d’un ou plusieurs patients atteints d’une maladie respiratoire, en particulier une BPCO, lesquels patients sont traités par oxygénothérapie à leur domicile, et en réponse à cette détection, d’alerter les professionnels de santé ou analogue pour qu’ils puissent prendre des mesures de traitement efficaces, le plus tôt possible, de manière à éviter ou réduire les hospitalisations et/ou ré-hospitalisations de ces patients dues à la BPCO ou analogue.
La solution de l’invention est alors un système de traitement de données permettant de prédire une hospitalisation ou une ré-hospitalisation d’un patient atteint d’au moins une maladie chronique (respiratoire, cardiaque, diabètes ... ), en particulier une BPCO, comprenant :
- une première base de données contenant des données sociodémographiques du patient,
- une deuxième base de données contenant des données historiques médicales du patient,
- une troisième base de données collectant :
. des mesures de signaux vitaux du patient provenant de dispositifs médicaux de surveillance de l’état de santé du patient, et . des réponses à des questions d’auto-évaluation du patient sur son état de santé,
- un premier processeur configuré pour prétraiter les données et mesures provenant des première, deuxième et troisième bases de données ; pour extraire des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation ; et pour créer au moins un vecteur multidimensionnel d’hospitalisation (Xh) et/ou de ré-hospitalisation (Xrh) à partir des variables pertinentes,
- un deuxième processeur configuré pour comparer le vecteur multidimensionnel d’hospitalisation (Xh) à un modèle mathématique d’hospitalisation prédéfini (Mh) et pour déduire de la comparaison une évaluation du risque d’hospitalisation du patient ; typiquement, cette évaluation est effectuée quotidiennement en surveillant l’évolution de l’état de santé du patient considéré.
Selon le cas, le système de traitement de données de l'invention peut comprendre l'une ou plusieurs des caractéristiques techniques suivantes :
- il comprend un troisième processeur configuré pour comparer le vecteur multidimensionnel de ré-hospitalisation (Xrh) à un modèle mathématique de ré-hospitalisation prédéfini (Mrh).
- il comprend un troisième processeur configuré pour comparer le vecteur multidimensionnel de ré-hospitalisation (Xrh) à un modèle mathématique de ré-hospitalisation prédéfini (Mrh) et en déduire une évaluation du risque de ré-hospitalisation du patient, lorsqu’il s’agit d’un patient ayant déjà été hospitalisé au moins une fois par le passé. En d’autres termes, le troisième processeur évalue le risque d’un patient d’être hospitalisé dans les prochains 30 jours, 60 jours, 90 jours ou toute autre période de temps pouvant aller jusqu’à 1 an. Cette évaluation est effectuée après chaque hospitalisation, à partir de la date de sortie de l’hôpital.
- le vecteur multidimensionnel d’hospitalisation (Xh) est déterminé à partir des informations provenant des première et deuxième bases de données, et d’un historique glissant sur plusieurs jours des données issues de troisième base, de préférence 3 à 20 jours pour caractériser la dynamique des signaux vitaux.
- le vecteur multidimensionnel de ré-hospitalisation (Xrh) est déterminé à partir des infos provenant des première, deuxième et troisième bases de données.
- la première base de données contient des données sociodémographiques du patient choisies parmi le statut tabagique, l’indice de masse corporelle (IMC), l’âge, le poids, la taille, le sexe, le statut marital, le lieu de résidence, le statut (profession) et réseau social (personne isolée ou entourée) du patient.
- la deuxième base de données contient des données historiques médicales du patient choisies parmi un historique d’hospitalisations passées, de crises d’exacerbations, de décompensations cardiaques, de causes d’hospitalisation, des services visités (urgence, soins intensives, ...), du nombre de jours d’hospitalisation, des traitements/médicaments administrés au patient, et des co-morbidités.
- la troisième base de données collecte au moins des mesures de signaux vitaux du patient choisis parmi température corporelle, saturation d’oxygène dans la sang SpO2, variations de poids, pression artérielle, fréquence respiratoire, glycémie et l’activité du patient (accéléromètre) du patient.
- la troisième base de données collecte des réponses à des questions d’auto-évaluation du patient sur son état de santé choisies parmi des symptômes de maladie ou des informations relatives à la toux, aux expectorations, à la fatigue et à la qualité du sommeil du patient, et/ou autre. Ces questionnaires d’auto-évaluation et réponses associées sont qualifiés par un professionnel de santé.
- la troisième base de données collecte en outre des données relatives à des tests de sévérité ou de laboratoire, tels que volume expiratoire maximal (FEV1), sécrétion du peptide natriurétique (BNP-type), fraction d'éjection ventriculaire gauche, mesure de la créatinine, dosage la protéine C réactive, ...
- le premier processeur est configuré pour opérer, lors du traitement, un filtrage/nettoyage, une fusion d’informations, une correction de données erronées, un ajout ou remplacement de données manquantes, et/ou une conversion de données textuelles (exemple : descriptif de la composition de médicaments) en valeurs numériques par analyse sémantique, de manière à extraire l’information pertinente. - le premier processeur est configuré pour extraire des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation parmi toutes celles utilisées, notamment parmi les variables les plus importantes que sont:
. le nombre d’hospitalisations passées pour soins aigüs.
.la durée depuis la dernière hospitalisation.
. la fréquence et/ou le niveau de sévérité des crises d’exacerbations et de décompensations, . l’indice de masse corporelle (IMC) et les variations brusques de poids, . l’état de tabagisme, durée depuis l’arrêt et/ou nombre de paquets de cigarettes fumés, . la capacité respiratoire caractérisée par le volume respiratoire des poumons FEV1, . l’analyse sanguine du peptide natriurétique de type B (PNB), . le score d’indice de co-morbidité ajusté à l’âge du patient, et/ou . un questionnaire d’auto-évaluation du patient relatif aux symptômes d’aggravation.
- il comprend des moyens de visualisation et d’alerte, en particulier une plateforme de visualisation internet (pour les professionnels de santé) ou une application mobile sur téléphone intelligent (i.e., smartphone), tablette numérique, ordinateur ou analogue (pour les patients).
- les moyens de visualisation et d’alerte comprennent au moins un dispositif d’affichage de données comprenant un écran, tel un écran d’ordinateur, de tablette ou de téléphone.
- il comprend des moyens de communication adapté pour assurer un échange d’informations entre le système et les moyens de visualisation et d’alerte, par exemple un échange par wifi, en 3G/4G ou autre
- ledit au moins un processeur est configuré pour émettre une alerte lorsque, pour un patient donné, un risque d’hospitalisation ou de ré-hospitalisation est détecté.
- il comprend des moyens de mémorisation conçus pour mémoriser :
. l’historique de variables permettant le calcul des vecteurs Xh, Xrh, par exemple l’historique des signaux vitaux, . Les historiques des vecteurs Xh, Xrh servant à la mise à jour des modèles mathématiques Mh, Mrh, et/ou . les modèles mathématiques Mh et Mrh, c'est-à-dire tous les paramètres permettant de les définir.
- les moyens de mémorisation comprennent une mémoire flash ou analogue.
- il comprend des moyens de fourniture d’énergie électrique alimentant les moyens de mémorisation et les processeurs, tel que batterie électrique, réseau électrique secteur...
- il comprend un dispositif d’affichage de données configuré pour afficher au moins une alerte en cas de détection par au moins un processeur, d’un état de santé du patient correspondant à un risque d’hospitalisation ou de ré-hospitalisation.
L’invention va maintenant être mieux comprise grâce à la description détaillée suivante, faite à titre illustratif mais non limitatif, en référence aux figures annexées parmi lesquelles :
- la Figure 1 schématise le principe de fonctionnement d’un système de suivi à distance de patient traité par oxygénothérapie à son domicile permettant de prédire les hospitalisations ou réhospitalisations dudit patient; et
- la Figure 2 schématise le principe de prédiction du risque d’hospitalisation d’un patient ;
- et la Figure 3 schématise le principe de prédiction du risque de ré-hospitalisation d’un patient ayant subi au moins une hospitalisation par le passé.
La Figure 1 illustre le principe d’un système de traitement de données selon l’invention.
Ce système permet de prédire une hospitalisation ou une ré-hospitalisation d’un patient atteint d’au moins une maladie chronique qu’elle soit respiratoire ou cardiaque, ou encore de type diabète ou autre.
Il comprend une première base de données DB1 contenant des données sociodémographiques SoDm du patient, une deuxième base de données DB2 contenant des données historiques médicales HM du patient, et une troisième base de données DB3 recueillant des mesures de signaux vitaux SV du patient provenant de dispositifs médicaux de surveillance de l’état de santé dudit patient, et des réponses à des questions Q d’auto-évaluation du patient sur son état de santé.
Ces bases de données DB1 à DB3 sont situées chez les professions de santé ou agrégées chez un hébergeur agréé. Ces bases de données sont connectées à un serveur ASIP (serveur certifié e-Santé) permettant au système de procéder aux requêtes afin de transmettre au système toutes les informations souhaitées.
Le système comprend en outre un premier processeur PI qui est configuré pour prétraiter les données et mesures provenant des première, deuxième et troisième bases de données DB1, DB2, DB3 et pour en extraire ensuite des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation. Ce premier processeur PI est aussi configuré pour opérer, lors du traitement des données et mesures, un filtrage/nettoyage, une fusion d’informations, une correction de données erronées, un ajout de données manquantes et/ou une conversion des données textuelles en valeurs numériques par analyse sémantique. Ces données textuelles proviendront, par exemple, de la description des ingrédients dans les médicaments, c'est-à-dire de leur composition.
Les valeurs numériques sont ensuite utilisées pour créer au moins un vecteur multidimensionnel d’hospitalisation Xh et/ou de ré-hospitalisation Xrh représentatif l’état de santé du patient. En d’autres termes, le premier processeur PI du système est configuré pour extraire des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation.
Ces vecteurs multidimensionnels d’hospitalisation Xh et/ou de ré-hospitalisation Xrh peuvent être mémorisés dans des moyens de mémorisation M, telle une mémoire de stockage de données ou analogue.
Par ailleurs, un deuxième processeur P2 est configuré pour comparer le vecteur multidimensionnel d’hospitalisation Xh à un modèle mathématique d’hospitalisation prédéfini Mh et également mémorisé au sein des moyens de mémorisation M, et pour déduire de cette comparaison une évaluation du risque d’hospitalisation du patient, comme schématisé en Figure 2.
En fait, le vecteur multidimensionnel d’hospitalisation Xh est déterminé à partir des infos provenant des première et deuxième bases de données DB1, DB2, et d’un historique glissant sur plusieurs jours, typiquement de 3 à 20 jours, des données issues de troisième base de données DB3 qui regroupe des signaux vitaux SV du patient provenant de dispositifs médicaux de surveillance de l’état de santé dudit patient, et des réponses à des questions Q d’auto-évaluation du patient sur son état de santé.
De façon analogue, il est aussi prévu un troisième processeur P3 configuré pour comparer le vecteur multidimensionnel de ré-hospitalisation Xrh à un modèle mathématique de réhospitalisation prédéfini Mrh qui est mémorisé au sein des moyens de mémorisation M, de sorte d’en déduire une évaluation du risque de ré-hospitalisation lorsqu’il s’agit d’un patient ayant déjà été hospitalisé au moins une fois par le passé, comme schématisé en Figure 3. Le vecteur multidimensionnel de ré-hospitalisation Xrh est déterminé à partir des informations provenant des première, deuxième et troisième bases de données DB1, DB2, DB3 Ces bases sont mises à jour avec toutes les données connues à la fin de chaque hospitalisation. En effet, la détermination du vecteur Xrh se fait à la date de sortie de chaque hospitalisation afin de prédire, par comparaison au modèle Mrh, si le patient sera ré-hospitalisé dans les prochains 30, 60, 90 jours, une période pouvant aller jusqu’à 1 an.
De manière générale :
- la première base de données DB1 contient des données sociodémographiques du patient choisies parmi le statut tabagique, l’indice de masse corporelle (IMC), l’âge, le poids, la taille, le sexe, le statut marital et le lieu de résidence du patient (ville, campagne...). D’autres données sont également utilisables.
- la deuxième base de données DB2 contient des données historiques médicales du patient choisies parmi un historique d’hospitalisations passées, de crises d’exacerbations, de décompensations cardiaques, de causes d’hospitalisation, des services visités, du nombre de jours d’hospitalisation, des traitements/médicaments administrés, et des co-morbidités.
- la troisième base de données DB3 collecte au moins des mesures de signaux vitaux du patient choisis parmi température corporelle, SpO2, variations de poids, pression artérielle, fréquence respiratoire, glycémie et l’activité du patient (via un accéléromètre) du patient. Ces mesures sont réalisées par des dispositifs de mesure dédiés, tels que thermomètre, capteur de
SpÛ2, pèse-personne, tensiomètre etc... Cette base DB3 recueille aussi des réponses à des questions d’auto-évaluation du patient sur son état de santé, notamment des symptômes de maladie ou des informations relatives à la toux, aux expectorations, à la fatigue et à la qualité du sommeil du patient, ainsi que des données relatives à des tests de sévérité ou de laboratoire.
Plus précisément, les trois bases de données DB1, DB2, DB3 sont mises à jour régulièrement, par exemple à chaque fois que les patients effectuent de nouvelles mesures, tel que mesure de température, et à chaque nouvel événement médical ou non médical, par exemple crise d’exacerbation ou infarctus, changement d’habitation ..., afin de prendre en compte ces mesures ou changements.
Les bases de données DB1, DB2, DB3 contiennent des données hétérogènes de différents types et de dynamiques différentes. Le système permet de catégoriser automatiquement les données présentes dans chaque base en trois types, à savoir :
- données numériques ou réelles : âge, température, ...
- données catégorielles : sexe H/F, couleur expectoration, ... et
- données textuelles : médicaments et leurs compositions....
Un traitement spécifique est alors opéré sur chaque catégorie de données sur un historique glissant allant de plusieurs jours à plusieurs mois selon que la donnée est statique (e.g. sexe) ou dynamique (e.g. température).
Le système est configuré avec des méthodes d’agrégations automatiques permettant de générer automatiquement des variables représentatives et informatives à partir de catégories de données dans les bases DB1, DB2, DB3 pour extraire:
- des variables statistiques en appliquant la moyenne, la médiane, l’écart type, la variance, le coefficient linéaire, l’auto-corrélation à partir des données de type numérique ; et/ou
- des premières valeurs, dernière valeur, modalité d’une valeur et/ou concaténation de la séquence des valeurs pour des données de type catégoriel et textuel.
ίο
Le système convertit les données catégorielles en données numériques en utilisant une méthode d’encodage permettant de conserver, si celle-ci existe, la relation d’ordre décrite par les valeurs, par exemple : état critique = 3, sévère = 2, dégradé = 1, normal = 0.
Les données textuelles issues de l’historique de chaque indicateur, par exemple descriptif des principes actifs des médicaments, sont traitées pour extraire par les termes-fréquences les données les plus représentatives. Les termes-fréquences sont des poids {pl, p2, ...} calculés à partir du nombre d’occurrences de chaque terme pondéré par sa fréquence d’apparition pour dans l’historique de tous les patients ; voir Robertson, S. (2004). Understanding inverse document frequency: On theoretical arguments for IDF. Journal of Documentation. 60 (5): 503-520, 1 Signal Processing.
Le système permet d’éliminer les termes-fréquences de faible importance en utilisant des techniques de réduction de dimension par sélection de variables importantes ou décomposition en valeur singulière ; voir : Alter O. et al. (September 2000). Singular Value Décomposition for Genome-Wide Expression Data Processing and Modeling', PNAS; 97 (18): 10101-10106.
Le système effectue alors des calculs spécifiques additionnels pour déterminer des informations telles que l’index de comorbidité « Charlson », avec score ajusté avec l’âge
Toutes les variables informatives issues des traitements ci-dessus sont utilisées pour définir le vecteur multidimensionnel Xh représentant, à chaque date, l’état du patient et son risque d’hospitalisation.
Par ailleurs, le système détermine un vecteur multidimensionnel Xrh, au niveau du processeur Pl, à partir des données issues des bases DB1, DB2, DB3, auxquelles sont ajoutées des données supplémentaires relatives à l’hospitalisation courante, telles que la durée de l’hospitalisation, les résultats d’examens médicaux effectués, les services visités ...
Le système calcule le vecteur multidimensionnel Xrh sur un historique plus long de plusieurs mois. Ce calcul est effectué de façon similaire à celui effectué pour l’extraction du vecteur Xh en utilisant les mêmes traitements de génération automatique de variables informatives, à savoir méthodes d’agrégation, termes-fréquences, réduction de dimension (garder que les variables importantes).
Le système définit le vecteur Xrh pour caractériser un risque d’hospitalisation du patient dans les 30, 60 et 90 prochains jours, voire même jusqu’à 1 an, à partir de chaque date de sortie de l’hôpital pour les patients ayant déjà subi une première hospitalisation.
Au sein du deuxième processeur P2, il s’opère une comparaison du vecteur multidimensionnel d’hospitalisation Xh au modèle mathématique d’hospitalisation prédéfini Mh.
Le modèle mathématique Mh est calculé en utilisant un échantillon de n vecteurs {Xhi, Xh2, ... Xhn}. Les données sont collectées pour des patients pour lesquelles les dates d’hospitalisation sont également connues de telle sorte qu’à chaque Xh, l’on puisse associer l’un des états Yh={0, 1}, correspondant respectivement à un état normal et à un état d’hospitalisation.
Par ailleurs, Xh est établi de façon à extraire l’ensemble des variables informatives pour distinguer l’avènement d’une hospitalisation d’un état normal. L’échantillon de données est constitué sur un historique d’un à plusieurs mois de suivi patients, typiquement 12 mois.
Le modèle mathématique Mh est calculé en utilisant la formule itérative suivante pour estimer plusieurs fonctions successives Ω k telles que :
Qk(Xh,) = Qk.rfXhi) - ri.A(Yhh Mhk(Xhj) (1)
Σ/c—1 «y. Ω,ζΧ/ΐ;) (2) j=0
Le modèle initial Ωοest une fonction de règles utilisant des seuils S = {si, s2, ...} estimés de façon optimal à partir des variables {xhl, xh2, ...}, composantes du vecteur AT/ de telle sorte à pouvoir discriminer les états Yh normaux de ceux d’hospitalisation;
- Le modèle initial Ω 0 est une fonction de règles utilisant des seuils S = {si, s2, ...} estimés par de techniques d’optimisation mathématique à partir des variables {xhl, xh2, ...}, composantes du vecteur AT/ de façon à discriminer les 2 états Yh.
- A(T7/z, Mhk.i(Xhi)) est un calcul de gradient d’erreur entre l’état réel Yhi et sa prédiction en utilisant par le modèle Mhk-i à partir du vecteur AT/,.
_ oty est un coefficient ajustant, en fonction de sa performance, la contribution de chaque fonction Ω, dans le modèle mathématique Mhk.
- η est un coefficient d’apprentissage permettant de pondérer l’erreur du model courant. Par exemple : si si est l’âge d’un patient de plus de 80 ans (âge > si = 80) et si s2 est une variation de poids du patient de plus de 2 kg en 24 h (var_poids_24h > s2 = 2kg), alors on prédit un risque d’hospitalisation prochaine pour crise cardiaque du patient.
A l’étape à chaque k, une nouvelle fonction est estimée de façon à contrer l’erreur résiduelle pour contribuer au renforcement du modèle mathématique. Ce processus est répété jusqu’à la convergence, c'est-à-dire jusqu’à l’obtention de résultats satisfaisants.
Le modèle mathématique d’hospitalisation Mh (de référence) est déterminé au sein d’un serveur distant comprenant le troisième processeur P2 puis mémorisé par les moyens de mémorisation M.
Dans ce cas, le modèle mathématique d’hospitalisation Mrh (de référence) est déterminé 5 au sein du troisième processeur P3 puis mémorisé par les moyens de mémorisation M.
De façon analogue, l’estimation du modèle mathématique de ré-hospitalisation prédéfini Mrh se fait en utilisant les formules (1) et (2) définies précédemment pour Xh et Mh, en remplaçant Mh par Mrh et Xh par Xrh.
On prévoit aussi des moyens de communication adaptés pour assurer un échange 10 d’information entre le système de l’invention et des moyens de visualisation et d’alerte, en particulier une plateforme de visualisation internet PVI dédiée aux professionnels de santé ou une application mobile sur téléphone intelligent TI (i.e. smartphone) dédiée au patient permettant de recevoir et afficher les messages d’alerte AL qu’ils reçoivent. Ces messages d’alerte AL sont donc envoyés tant au domicile (maison) du patient P qu’aux services hospitaliers ou analogues (hôpitaux, laboratoires... ), comme illustré en Figure 1.
Les moyens de communication assurant la transmission des données d’alerte comprennent, par exemple, une antenne radiofréquence RF, technologies de type 3 G, 4G, wifi ou autre.
Le système de traitement de données de l’invention permet de prédire une hospitalisation 20 ou une ré-hospitalisation d’un patient atteint d’une maladie respiratoire chronique.
Claims (13)
- Revendications1. Système de traitement de données permettant de prédire une hospitalisation ou une ré-hospitalisation d’un patient atteint d’au moins une maladie chronique comprenant :- une première base de données (DB1) contenant des données sociodémographiques du patient,- une deuxième base de données (DB2) contenant des données historiques médicales du patient,- une troisième base de données (DB3) collectant :. des mesures de signaux vitaux du patient provenant de dispositifs médicaux de surveillance de l’état de santé du patient, et . des réponses à des questions d’auto-évaluation du patient sur son état de santé,- un premier processeur (PI) configuré pour prétraiter les données et mesures provenant des première, deuxième et troisième bases de données (DB1, DB2, DB3) ; pour extraire des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation ; et pour créer au moins un vecteur multidimensionnel d’hospitalisation (Xh) et/ou de ré-hospitalisation (Xrh) à partir des variables pertinentes, et- un deuxième processeur (P2) configuré pour comparer le vecteur multidimensionnel d’hospitalisation (Xh) à un modèle mathématique d’hospitalisation prédéfini (Mh) et pour déduire de la comparaison une évaluation du risque d’hospitalisation du patient.
- 2. Système selon la revendication 1, caractérisé en ce qu’il comprend un troisième processeur (P3) configuré pour comparer le vecteur multidimensionnel de ré-hospitalisation (Xrh) à un modèle mathématique de ré-hospitalisation prédéfini (Mrh) et pour déduire de cette comparaison une évaluation du risque de ré-hospitalisation du patient.
- 3. Système selon l'une des revendications précédentes, caractérisé en ce que le vecteur multidimensionnel d’hospitalisation (Xh) est déterminé à partir des infos provenant des première et deuxième bases de données (DB1, DB2), et d’un historique glissant sur plusieurs jours, des données issues de troisième base de données (DB3).
- 4. Système selon l'une des revendications précédentes, caractérisé en ce que le vecteur multidimensionnel de ré-hospitalisation (Xrh) est déterminé à partir des informations provenant des première, deuxième et troisième bases de données (DB1, DB2, DB3).
- 5. Système selon l'une des revendications précédentes, caractérisé en ce que la première base de données (DB1) contient des données sociodémographiques du patient choisies parmi le statut tabagique, l’indice de masse corporelle (IMC), l’âge, le poids, la taille, le sexe, le statut marital et le lieu de résidence, le statut et réseau social du patient.
- 6. Système selon l'une des revendications précédentes, caractérisé en ce que la deuxième base de données (DB2) contient des données historiques médicales du patient choisies parmi un historique d’hospitalisations passées, de crises d’exacerbations, de décompensations cardiaques, de causes d’hospitalisations, des services visités, du nombre de jours d’hospitalisation, des traitements/médicaments administrés, et des co-morbidités.
- 7. Système selon l'une des revendications précédentes, caractérisé en ce que la troisième base de données (DB3) collecte au moins des mesures de signaux vitaux du patient choisis parmi température corporelle, saturation de l’oxygène dans le sang (SpO2), variations de poids, pression artérielle, fréquence respiratoire, glycémie et la mesure d’activité physique du patient.
- 8. Système selon l'une des revendications précédentes, caractérisé en ce que la troisième base de données (DB3) collecte des réponses à des questions d’auto-évaluation du patient sur son état de santé choisies parmi des symptômes de maladie ou des informations relatives à la toux, aux expectorations, à la fatigue et à la qualité du sommeil du patient.
- 9. Système selon l'une des revendications précédentes, caractérisé en ce que la troisième base de données (DB3) collecte en outre des données relatives à des tests de sévérité ou de laboratoire.
- 10. Système selon l'une des revendications précédentes, caractérisé en ce que le premier processeur (PI) est configuré pour opérer, lors du traitement, un filtrage/nettoyage, une fusion d’informations, une correction de données erronées, un ajout ou remplacement de données manquantes, et/ou une conversion de données textuelles en valeurs numériques par analyse5 sémantique.
- 11. Système selon l'une des revendications précédentes, caractérisé en ce que le premier processeur (PI) est configuré pour extraire des variables pertinentes révélatrices d’un risque d’hospitalisation ou ré-hospitalisation.
- 12. Système selon l'une des revendications précédentes, caractérisé en ce qu’il comprend des moyens de visualisation et d’alerte, en particulier une plateforme de visualisation internet (professionnel de santé) et/ou une application mobile sur smart-phone (patient).
- 15 13. Système selon l'une des revendications précédentes, caractérisé en ce qu’il comprend des moyens de communication adaptés pour assurer un échange d’informations entre le système et les moyens de visualisation et d’alerte.1/2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1658678A FR3056328A1 (fr) | 2016-09-16 | 2016-09-16 | Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1658678A FR3056328A1 (fr) | 2016-09-16 | 2016-09-16 | Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique |
| FR1658678 | 2016-09-16 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3056328A1 true FR3056328A1 (fr) | 2018-03-23 |
Family
ID=57960524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1658678A Withdrawn FR3056328A1 (fr) | 2016-09-16 | 2016-09-16 | Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3056328A1 (fr) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
| CN111524570A (zh) * | 2020-05-06 | 2020-08-11 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
-
2016
- 2016-09-16 FR FR1658678A patent/FR3056328A1/fr not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
| CN111524570A (zh) * | 2020-05-06 | 2020-08-11 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
| CN111524570B (zh) * | 2020-05-06 | 2024-01-16 | 万达信息股份有限公司 | 一种基于机器学习的超声随访患者筛选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11200984B2 (en) | Method for modeling behavior and psychotic disorders | |
| US10102341B2 (en) | Method for managing patient quality of life | |
| US20190038148A1 (en) | Health with a mobile device | |
| JP6759201B2 (ja) | 慢性疾患の発見および管理システム | |
| WO2019071201A1 (fr) | Surveillance continue de la santé d'un utilisateur avec un dispositif mobile | |
| WO2016036831A1 (fr) | Système de génération et de mise à jour de directives de traitement et d'estimation d'importance de l'effet d'étapes de traitement | |
| WO2020089382A1 (fr) | Système et procédé de détection d'interactions médicamenteuses défavorables par l'intermédiaire d'un dispositif portable | |
| WO2021148966A1 (fr) | Système et procédé mis en œuvre par ordinateur pour produire une prédiction d'une exacerbation de l'asthme et/ou d'une hospitalisation | |
| US20220183566A1 (en) | Systems and methods for diurnal curve tracking and analysis | |
| EP3282382B1 (fr) | Système de traitement de données pour prédire une crise d'exacerbation d'un patient atteint d'une maladie respiratoire chronique | |
| JP2022079470A (ja) | 患者集団の疾患症状比較を視覚化するためのシステム及び方法 | |
| US20160232323A1 (en) | Patient health state compound score distribution and/or representative compound score based thereon | |
| US20210257093A1 (en) | Decision engine based on disparate data sources | |
| CN113693561B (zh) | 基于神经网络的帕金森病预测设备、装置和存储介质 | |
| Aris et al. | Separating algorithms from questions and causal inference with unmeasured exposures: an application to birth cohort studies of early body mass index rebound | |
| FR3056328A1 (fr) | Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| CN116665902A (zh) | 健康状态监控方法及装置、存储介质、计算机设备 | |
| KR102028676B1 (ko) | 병원 진료 애프터케어 서비스 제공 방법, 서버 및 프로그램 | |
| EP4113535A1 (fr) | Procédés et systèmes de surveillance à distance pour surveiller des patients souffrant de maladies inflammatoires chroniques | |
| CN117223065A (zh) | 用于确定葡萄糖值序列的相似性的系统 | |
| FR3070851B1 (fr) | Systeme pour detecter et alerter le personnel soignant d’un risque de decompensation ou d’hospitalisation d’un patient | |
| CN114388089A (zh) | 一种基于人工智能的个人健康管理方法及系统 | |
| WO2020109058A1 (fr) | Systeme et procede de traitement de donnees pour la determination du risque d'un passage aux urgences d'un individu | |
| US20240320596A1 (en) | Systems and methods for utilizing machine learning for burnout prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20180323 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| ST | Notification of lapse |
Effective date: 20230505 |