Notre approche de la cartographie des systèmes pilotée par l'IA pour les données HL7 vers FHIR

Dans le domaine médical, la diversité des formats de données constitue souvent un défi majeur pour les organisations de santé. Les données provenant d'un appareil peuvent ne pas correspondre de manière transparente aux instances cibles, ce qui nécessite une mise en correspondance des données. Il s'agit généralement d'un processus manuel et chronophage. Nous avons décidé de prendre l'initiative d'automatiser cette tâche, en nous concentrant sur la mise en correspondance des données entre la norme HL7 et FHIR. Cet article explore l'hypothèse selon laquelle l'intelligence artificielle (IA) peut soutenir efficacement ce processus.

À propos des normes de données HL7 et FHIR

HL7, ou Health Level Seven, est un ensemble de normes internationales pour l'échange, l'intégration, le partage et la récupération de données de santé électroniques. Il opère principalement au septième niveau du modèle OSI (Open Systems Interconnection), en se concentrant sur la communication au niveau applicatif dans les systèmes de santé. HL7 est largement utilisé pour l'échange de données cliniques et administratives dans des systèmes d'information tels que les dossiers de santé électroniques (DSE), les systèmes de gestion hospitalière et d'autres outils utilisés par les médecins, les infirmiers et l'administration hospitalière pour échanger des informations sur les patients de manière efficace et sécurisée, garantissant ainsi une prise en charge appropriée des patients.

FHIR (Fast Healthcare Interoperability Resources) est une norme développée par HL7 International. Elle s'appuie sur les technologies web et des formats de données tels que JSON et XML pour faciliter un échange efficace de données dans le secteur de la santé. FHIR fait partie de la famille de normes HL7 mais diffère considérablement de ses prédécesseurs, tels que les versions 2 et 3 de HL7, par son approche et sa facilité de mise en œuvre. FHIR facilite l'intégration de différents systèmes de santé, offrant un moyen plus accessible et plus flexible d'échanger des informations sur les patients entre les prestataires de soins de santé.

Les principales différences entre HL7 et FHIR résident dans leurs formats de données, leur structure et les défis d'interopérabilité qui en découlent. Ainsi, pour utiliser dans un même système des données relevant de normes différentes, il est nécessaire de les unifier, et ce processus est appelé data mapping.

Qu'est-ce que la cartographie des données dans le secteur de la santé ?

Supposons que l'on dispositif médical collecte et stocke les données d'un patient dans une base de données. Le patient se rend dans un hôpital et le personnel a besoin de ses résultats de santé antérieurs. Un médecin ou une infirmière envoie une requête via une application, mais le système hospitalier fonctionne selon la norme FHIR et le dispositif médical précédent stocke les données au format HL7. Pour exploiter les résultats de l'examen réalisé antérieurement, les données doivent être « traduites » d'un format à un autre afin que le système hospitalier puisse les comprendre.

La cartographie des données conduit àinteropérabilité des données médicales; il s'agit d'un processus de mise en correspondance des champs d'une base de données ou d'un ensemble de données avec un autre, créant un lien entre les éléments. C'est une étape cruciale dans les projets d'intégration et de migration de données, garantissant que les données d'un format sont traduites et transférées avec précision vers le système cible.

Habituellement, le mapping des données dans le secteur de la santé est réalisé manuellement, ce qui limite les possibilités d'accès aux données en temps réel. Cette méthode implique des experts métier qui analysent et alignent les éléments de données d'une norme à l'autre. Cette approche, bien que rigoureuse, ralentit considérablement le processus d'échange de données et alourdit la charge des professionnels de l'informatique de santé.

Une étude de cas d'un système de cartographie des données piloté par l'IA

Le système de cartographie des données de santé que nous avons développé répond au besoin d'automatisation du processus d'échange de données patients. En automatisant la cartographie des données d'un système vers un autre, par exemple de HL7 vers FHIR, le système vise à raccourcir le temps nécessaire à la transformation des données, soulageant ainsi les personnes impliquées dans le processus.

Le projet a été entrepris dans le cadre du programme de R&D de Spyrosoft, Innovation Lab. Répondant au besoin du marché, nous avons décidé de mettre en œuvre intelligence artificielle en tant que composant essentiel d'un système de cartographie des données de santé.

Spécialistes impliqués dans l'initiative

Ce projet a réuni une équipe d'experts issus de trois domaines :

• Expert métier – une personne possédant une connaissance approfondie des normes médicales. Il a été impliqué pour fournir des conseils aux développeurs et pour effectuer des contrôles qualité sur les résultats ;
• Développeurs logiciels qui ont construit l'application et assuré son efficacité. Ils étaient également responsables des tests et de l'amélioration de la solution pour répondre aux exigences du projet ;
• Des spécialistes de l'IA qui ont accompagné les développeurs dans des domaines critiques tels que l'apprentissage et le fine-tuning des modèles. Ils ont veillé à ce que les développeurs disposent de l'assistance nécessaire pour obtenir le meilleur résultat possible.

Technologie utilisée pour l'échange de données de santé

Le backend du système est développé en C# dans l'environnement .NET et intègre un modèle ChatGPT. Nous avons choisi d'utiliser un modèle d'IA commercial plutôt que d'en développer un de zéro, car il implémentait déjà les standards HL7 et FHIR. Le recours à un modèle commercial est conforme aux réglementations médicales, puisque notre système ne traite que des structures et des schémas de données, et non des données patients. La fonctionnalité ChatGPT est hébergée dans le cloud, et l'entraînement y a également été réalisé.

Entraînement de modèles d'intelligence artificielle

Nous avons choisi de travailler sur des données d'observation telles que les résultats d'analyses sanguines, la tension artérielle ou le poids. Il existe également des informations codées sur le type d'examen, la date à laquelle le test a été effectué et si les données sont toujours valides. Bon nombre de ces libellés diffèrent entre les standards HL7 et FHIR.

Nous avons généré des données conformes aux deux formats pour entraîner le modèle. Lors de l'entraînement, nous avons observé que, lorsqu'on posait la même question plusieurs fois, le modèle générait des réponses différentes. Au début, les programmeurs fournissaient toutes les informations au modèle en une seule requête, et c'est à ce moment que les spécialistes de l'IA sont venus à la rescousse, en initiant l'équipe de développement au fine-tuning. Le fine-tuning consiste à construire le contexte et à travailler plus longtemps sur les résultats, en signalant les bonnes et les mauvaises réponses et en fournissant des exemples de réponses correctes plutôt qu'en envoyant des requêtes uniques et complexes.

Validation des données

Pour l'instant, le système génère plusieurs propositions de mappage de données, et l'utilisateur choisit celle qui répond le mieux à ses attentes. L'utilisateur vérifie si les structures semblent valides et complète manuellement le mappage dans les zones trop complexes pour être traitées par le modèle.

Plans de développement futurs

L'idée suivante consiste à utiliser l'IA pour valider les données que le modèle précédent avait générées. Désormais, le modèle fournit trois ou quatre résultats différents, et une personne doit en choisir un. Ce modèle ferait passer toutes les propositions de mapping par un validateur, les référerait aux normes, trouverait les erreurs, les corrigerait et les repasserait.

Résultats de mise en œuvre à jour

Actuellement, à environ 70 % de son niveau opérationnel, le système a démontré que l'IA peut considérablement accélérer le processus de cartographie des données médicales. Jusqu'à présent, le modèle n'a été entraîné que sur des données artificielles ; lui fournir les informations cibles (par exemple, les données médicales du client) lui permettra d'apprendre encore mieux et d'accroître son niveau d'efficacité.

Pour nous, le résultat le plus significatif de cette initiative est la connaissance et l'expérience que nous avons acquises. Cela ne se limite pas à la conversion des données de HL7 vers FHIR, car il est possible de construire un système propulsé par l'IA qui fonctionne avec d'autres données d'entrée et de sortie.

Exploitez la puissance de l'IA dans le secteur de la santé

Nos experts vous conseilleront sur la manière d'appliquer l'IA à votre cas d'usage spécifique. En savoir plus sur notre services dans le domaine de la santé et des sciences de la vie ou contactez-nous via le formulaire ci-dessous.