MAA - santé numérique Flashcards
Définition de l’informatique en santé?
Domaine interdisciplinaire combinant science des données, technologies de l’information et soins de santé pour améliorer l’accès, la qualité et la sécurité des soins.
Objectifs de l’informatique en santé?
- Gestion des données médicales
- Optimisation des flux de travail
- Amélioration de la qualité des soins
Définition de l’informatique clinique?
Branche de l’informatique de la santé axée sur l’intégration des outils numériques dans la pratique clinique pour améliorer la prise en charge des patients.
Objectif de l’informatique clinique?
- Soutien à la décision clinique
- Automatisation des processus cliniques
- Sécurisation des données patients
Définition de la santé numérique?
Ensemble des technologies numériques utilisées pour gérer et améliorer la santé et les soins de santé.
Objectif de la santé numérique?
- Digitalisation des parcours patients
- Personnalisation des soins
- Interconnexion des services de santé
Définition des soins virtuels?
Utilisation des technologies pour fournir des services de soins à distance, sans contact physique direct.
Objectifs des soins virtuels?
- Améliorer l’accessibilité aux soins
- Réduire les déplacements des patients
- Optimiser le suivi médical à distance
Définition de l’échange d’information?
Processus de collecte, partage et intégration des données de santé entre différents acteurs du système de soins.
Objectif de l’échange d’information?
- Assurer la continuité des soins
- Favoriser l’interopérabilité des systèmes
- Améliorer la prise de décision clinique
Définition de l’analytique?
Utilisation des données de santé pour analyser, prévoir et améliorer les performances des soins médicaux.
Objectif de l’analytique?
- Exploiter le Big Data en santé
- Détecter des tendances épidémiologiques
- Optimiser les ressources hospitalières
Définition de cercle de soins?
Ensemble des professionnels et acteurs impliqués dans le parcours de soins d’un patient, collaborant autour de l’échange d’informations
Objectif de cercle de soins?
- Assurer une prise en charge coordonnée
- Favoriser la communication interprofessionnelle
- Améliorer l’expérience et la sécurité du patient
Sources des données longitudinales?
● Antécédents médicaux
● Consultations et hospitalisations
● Examens médicaux et biologiques
● Données physiologiques en temps réel
● Données de bien-être et comportementales
Pourquoi est-ce que le recueil est important?
- Prise en charge personnalisée
- Amélioration du dx et des tx
- Détection précoce des complications
- Recherche clinique et épidémiologique
Le recueil des données longitudinales alimente directement les deux autres domaines fonctionnels, qui sont…
● Gestion et analyse des données pour la prise de décision clinique
● Partage et échange d’informations pour la coordination des soins
Explique le schéma de l’interrelation.
- Les données longitudinales → sont analysées → pour soutenir la décision clinique.
- Les informations issues de l’analyse → sont partagées → entre professionnels de santé pour améliorer la coordination des soins.
- Le partage des informations → alimente en retour → la collecte des données longitudinales pour un suivi continu.
Enjeux et défis de l’informatique en médecine?
- Protection des données et sécurité informatique
- Confidentialité et respect de la vie privée
- Interopérabilité et standardisation des données
- Qualité et fiabilité des données
- Acceptabilité et adoption par les professionnels de santé
- Exploitation éthique et usage secondaire des données
Nomme des problèmes liés à la cybersécurité.
- Fuites et violations de données : Hacking, ransomware, accès non autorisé.
- Perte ou corruption des données : Problèmes techniques, erreurs humaines, pannes de serveurs.
- Usurpation d’identité médicale : Accès frauduleux aux dossiers patients pour obtenir des prescriptions illégales.
Solutions pour les problèmes de cybersécurité?
- Chiffrement des données : Sécurisation des informations stockées et transmises.
- Authentification forte : Double authentification pour limiter les accès non autorisés.
- Hébergement certifié en santé : Utilisation de serveurs agréés pour le stockage des données.
- Audit et traçabilité des accès : Enregistrement des actions effectuées sur les dossiers médicaux
Nomme les cadres réglementaires en vigueur pour la confidentialité.
- RGPD (Europe) : Règlement général sur la protection des données, garantissant le consentement des patients et la transparence de l’utilisation des données.
- HIPAA (États-Unis) : Loi garantissant la confidentialité et la sécurité des données de santé.
- Loi sur les données de santé (Canada, France, etc.) : Régulations spécifiques pour le stockage et le partage des informations médicales.
Nomme les droits des patients en matière de confidentialité.
- Accès aux données : Le patient doit pouvoir consulter ses informations personnelles.
- Droit à l’oubli : Possibilité de demander la suppression des données sous certaines conditions.
- Consentement éclairé : Toute collecte de données doit être autorisée explicitement par le patient.
Nomme les défis de l’interopérabilité.
- De nombreux systèmes (DME, DPI, télémédecine, objets connectés) génèrent des formats de données différents, rendant leur intégration complexe.
- Difficulté à partager des informations entre établissements de santé utilisant des systèmes non compatibles.
Solutions pour l’inopérabilité?
- Standards internationaux pour structurer et échanger les données de santé.
- Standardisation des terminologies médicales pour éviter les ambiguïtés.
- Norme pour l’échange de résultats de laboratoire
Problèmes fréquents dans la qualité et fiabilité des données?
- Données incomplètes ou erronées : Mauvaise saisie, doublons, absence de mises à jour.
- Incohérences dans les dossiers médicaux : Conflits entre différentes sources d’information.
- Obsolescence des données : Informations non mises à jour, ce qui peut fausser le diagnostic.
Solutions pour la qualité et la fiabilité des données?
- Automatisation et contrôle qualité : Développement d’algorithmes détectant les erreurs ou incohérences.
- Formation des professionnels de santé : Sensibilisation à l’importance de la saisie correcte et complète des données.
- Intelligence artificielle : Utilisation de l’IA pour nettoyer et harmoniser les données de santé.
Résistances et freins à l’acceptabilité?
- Charge de travail accrue : Temps nécessaire pour saisir les données.
- Complexité des interfaces : Interfaces mal conçues rendant l’utilisation difficile.
- Méfiance envers l’automatisation : Peur que l’IA ou les algorithmes prennent le pas sur le jugement clinique.
Solutions pour l’acceptabilité?
- Simplification des interfaces utilisateur : Développement d’outils ergonomiques et intuitifs.
- Formation et accompagnement : Sensibilisation à l’importance de l’informatique clinique et de la qualité des données.
- Amélioration des flux de travail : Automatisation des tâches répétitives pour alléger la charge administrative.
Risques éthiques de l’usage secondaire de données?
- Utilisation commerciale des données : Revente de données anonymisées à des entreprises privées.
- Surveillance et discrimination : Risques de profilage des patients par les assureurs ou employeurs.
- Biais dans l’analyse des données : Les modèles d’IA peuvent discriminer certains groupes de population
Solutions pour l’usage secondaire des données?
- Anonymisation et pseudonymisationdes données : Protection des identités dans les bases de recherche.
- Encadrement légal strict : Réglementation pour éviter les dérives commerciales.
- Transparence et gouvernance des données : Implication des patients dans les décisions concernant l’utilisation de leurs données
Objectifs de l’échange d’information en santé?
- Améliorer la continuité des soins
- Réduire les erreurs médicales
- Optimiser la prise en charge des urgences
- Faciliter la coordination interprofessionnelle
- Soutenir la recherche et la veille sanitaire
Impact sur l’échange d’information de la collecte des atcd médicaux du patient?
Continuité des soins
Impact sur l’échange d’information de l’intégration des résultats de laboratoires et imagerie médicale?
Évite les doublons d’examen
Impact sur l’échange d’information de la télésurveillance et objets connectés collectant des données en temps réel?
Suivi à distance
Impact sur la prise de décision d partage des données entre les établissements?
Base de données pour l’IA
Impact sur la prise de décision de la transmission des protocoles et recommandations médicales?
Intégration des guides thérapeutiques adaptés à chaque patient
Impact sur la prise de décision de l’accès en temps réel aux infos du patient?
Décision clinique sur des données à jour
Définition de l’analytique en en santé?
L’analytique en santé désigne l’ensemble des méthodes permettant de transformer les données médicales brutes en informations exploitables. Elle permet d’identifier des tendances, d’aider au diagnostic et d’optimiser les soins.
Objectifs de l’analytique en santé?
● Aider à la prise de décision clinique
● Optimiser les soins de santé
● Améliorer la gestion des ressources
● Soutenir la recherche médicale
Description et application de l’analytique descriptive?
Explique les évènements passés
Description et application de l’analytique prédictive?
Anticiper les risques médicaux.
Description et application de l’analytique prescriptive?
Suggère des actions à entreprendre en fonction des analyses de donn.es
Description et application de l’IA?
Automatise le traitement de donné et détecte des schémas complexes invisibles à l’oeil humain
Description et application de l’apprentissage automatique?
Entraine des modèles pour reconnaitre des motifs dans les données médicales
Description et application du traitement du langagenaturel?
Analyse les textes médicaux non structurés
Description et application de Big data?
Gestion de grandes bases de données issues des hôpitaux
Exemple d’aide au dx et détection précoce des maladies?
- Radiologie et imagerie médicale : IA détectant des anomalies sur des IRM cérébrales ou des radiographies pulmonaires.
- Dépistage des maladies chroniques : Algorithmes analysant des données de patients pour identifier les facteurs de risque (ex. diabète, maladies cardiovasculaires).
Exemple d’analyse prédictive pour la gestion des soins?
- Prédiction des réadmissions hospitalières : Identification des patients à risque pour mieux organiser le suivi après hospitalisation.
- Gestion des lits et des flux hospitaliers : IA optimisant la planification des admissions et sorties en fonction de l’occupation des services
Exemple de personnalisation des tx?
- Génomique et thérapies ciblées : Analyse des mutations génétiques pour adapter les traitements contre le cancer.
- Optimisation des prescriptions : IA suggérant des ajustements de dosage médicamenteux en fonction des caractéristiques du patient.
Exemple de surveillance épidémiologique et santé publique?
- Modélisation des épidémies : IA analysant la propagation des virus pour prévoir les vagues épidémiques.
- Détection des effets secondaires des médicaments : Analyse des bases de données pharmaceutiques pour identifier de nouveaux effets indésirables.
Problème si l’IA a des données erronées?
Une mauvaise qualité des données d’entrée entraîne des erreurs d’analyse et de prédiction.
Problème si peu de source de données pour l’IA?
Un manque d’interopérabilité peut limiter la capacité d’agréger des données pertinentes pour la prise de décision.
analyse incomplète
Nomme les 3 domaines fonctionnels.
Recueil de données
Échange de données
Analyse de données
Qu’est-ce que le DME?
LeDossierMédical Électronique (DME)est un outil informatique utilisé principalement au sein des établissements de santé (hôpitaux, cliniques cabinets médicaux) pour gérer les dossiers médicaux des patients.
Que contient le DME?
- Antécédents médicaux, diagnostics
- Résultats d’examens, prescriptions, traitements
- Notes cliniques des médecins et infirmiers
- Planning des consultations et hospitalisations
Objectif du DSE?
● Offrir une vision complète de l’état de santé du patient sur le long terme
● Faciliter la coordination des soins entre hôpitaux, cliniques, médecins généralistes, laboratoires
● Améliorer la sécurité des soins en évitant les doublons d’examens et les interactions médicamenteuses dangereuses
● Permettre aux patients d’accéder à leurs propres données médicales (selon les réglementations)
DME vs DSE?
- DME: utile dans un seul établissement, accès aux soignants, données internes
- DSE: plusieurs établissements, point de vue longitudinal, facilite le partage
Qu’est-ce que le PACS?
Le système d’archivage et de transmission d’images (PACS- Picture Archiving and Communication
System) est une plateforme utilisée dans les services d’imagerie médicale (radiologie, IRM, scanner, échographie) pour stocker, gérer et
partager les images médicales numérisées.
Buts du PACS?
● Éliminer les films radiologiques physiques (tout est numérisé)
● Faciliter le partage d’images entre spécialistes (ex. radiologues, oncologues, chirurgiens)
● Améliorer la rapidité des diagnostics (accès immédiat aux images via le réseau)
● Réduire les coûts et optimiser l’espace de stockage
Décrit l’intégration avec le DME et le DSE et les PACS.
- Le PACS est souvent connecté aux DME et DSE, permettant aux cliniciens d’accéder aux images médicales directement depuis le dossier du patient.
- Le PACS améliore l’efficacité du diagnostic en offrant un accès rapide aux images médicales sans perte de qualité.
Que gère le système d’information de laboratoires?
- Les prescriptions d’analyses (sanguines, biologiques, microbiologiques)
- La traçabilité des échantillons (ex. prélèvements sanguins, biopsies)
- La gestion des résultats d’analyses et leur transmission aux médecins
But du système d’information de laboratoire?
● Optimiser la gestion des laboratoires (automatisation des flux de travail)
● Réduire les erreurs humaines (ex. identification erronée des échantillons)
● Assurer un accès rapide aux résultats (intégration avec DME/DSE)
Intégration du LIS?
- Le LIS envoie les résultats de laboratoire directement dans le DME
du patient. - Un médecin peut voir les tendances des analyses dans le DSE pour un suivi longitudinal.
- Le laboratoire enregistre les résultats dans le LIS, qui transmet automatiquement les données au DME du médecin traitant .
- Le LIS est essentiel pour assurer la fiabilité et l’accessibilité des analyses médicales
Qu’est-ce que l’apprentissage automatique?
- Machine learning
- Supervisé ou non
Qu’est-ce qu’un réseau de neurones?
L’issue d’un algorithme est une donné pour un autre algorithme (réseau interconnecté)
Qu’est-ce que l’apprentissage profond?
Réseau de neurone qui utilise BEAUCOUP de donnés
Sur quoi est basé l’IA?
Exemples?
- Sur des probabilités et des statistiques
- Ex: théorème de Bayes, machine à support vectoriel, arbre décisionnel
Points positifs de l’IA?
- Améliorer la recherche
- Améliore la qualité du dx
- Corrige les aberrations dans les algorithmes de soins
- Bonifie les algorithmes de soins
Points négatifs de l’IA?
- Mise à jour et support
- Caractéristiques socio-démographiques
- Sur dx
- Donnés manquantes au dossier
Limites de l’IA?
- Équipement
- Éthique
- Sécurité et confidentialité
- Zone grise avec le jugement clinique
À quoi sert l’IA en santé présentement?
- Gestion des résultats de labo
- Prérédaction de documents
- Application des guides de pratiques
- Aide à la décision clinique
Nomme les 5 domaines clés de l’utilisation de l’IA.
- Médecine préventive et analyse de risques
- Aide à la décision clinique
- Gestion de documents
- Gestion des sx et aide au pt
- Médecine des populations
Comment savoir si un algorithme est bon pour notre utilisation?
5 questions
- Accessible?
- Sécuritaire?
- Démontré?
- Facile à utiliser?
- Bénéfice?
