Application d'un lac de données
Un lac de données peut accélérer et améliorer le processus de diagnostic, améliorant ainsi les chances de récupération d'un patient.
La différence entre PACS et VNA est la capacité de gérer une plus grande variété de formats d'image au-delà de DICOM. Cependant, l'un ou l'autre peut présenter des défis. Les images requièrent une grande capacité de stockage, de sorte que le système de stockage contient souvent des images case actuelles. Les images plus anciennes sont susceptibles d'être déplacées à moindre coût, éventuellement hors ligne, ce qui rend l'accès à l'historique des images d'un patient un effort difficile et chronophage. Les solutions RIS et PACS/VNA sont susceptibles de résider sur site au centre médical, ce qui signifie que l'accès à son infrastructure informatique peut être nécessaire. Cela signifie également que le centre médical doit employer des spécialistes du stockage pour assurer la sécurité des données. Une solution VNA est plus susceptible de favoriser la participation à l'échange d'informations sur la santé (HIE), ce qui permet aux prestataires de soins de santé de collaborer au partage de données, à la création de réseaux sécurisés et à l'utilisation des ressources Fast Healthcare Interoperability Resources (FHIR) et des normes connexes. Il peut s'agir d'une solution réglementée dans certains pays, comme le Health and Social Care Network (HSCN) au Royaume-Uni. Les réglementations pourraient entraîner des coûts supplémentaires pour prouver la conformité.
Un lac de données peut accélérer considérablement le processus de voyage du patient. L'adoption d'une solution de stockage fournie par le cloud offre un accès rapide à des volumes de stockage très élevés (même le stockage archivé) à une échelle économique qu'il est peu probable qu'un centre médical corresponde à une solution sur site. Une solution cloud réduit ou élimine également le besoin pour les centres médicaux de maintenir les compétences spécialisées nécessaires à la gestion des problèmes de redondance et de récupération pour maintenir la solution opérationnelle.
Un accès plus rapide aux images signifie que les cliniciens ont plus de temps pour évaluer les images, ce qui réduit le temps passé par un patient à attendre un diagnostic et un traitement. Cela signifie également que de grands volumes d'images peuvent être utilisés pour entraîner des capacités d'intelligence artificielle (IA) et d'apprentissage automatique (ML) (fournies par Oracle Cloud Infrastructure Vision et Oracle Cloud Infrastructure Data Science) sur des coffres sains ou malsains. Cela permet non seulement à l'AI/ML d'étudier le problème principal (les symptômes actuels du patient), mais aussi de détecter d'autres problèmes pour lesquels le patient n'a pas encore développé de symptômes. Que l'IA/ML ait détecté ou non des problèmes lors de l'évaluation des baies x, le dernier mot doit toujours provenir d'un humain. L'IA de traitement d'image peut l'aider de plusieurs façons en fonction de son évaluation :
- L'IA peut hiérarchiser les rayons X qui suggèrent des problèmes significatifs où une intervention rapide peut faire une différence au pronostic du patient. Cela pourrait conduire le patient à être admis immédiatement plutôt qu'à être envoyé à la maison.
- L'IA peut agir comme une deuxième paire d'oeil en mettant en évidence les anomalies pour le clinicien évaluateur. Cela peut aider à identifier les subtilités pour les problèmes secondaires qu'un humain peut manquer. Une expérience numérique peut être créée à l'aide d'Oracle Functions (ou d'Oracle Container Engine for Kubernetes) ou d'un tableau de bord peut être affiché avec Oracle Visual Builder, Oracle JET ou service APEX.
- Le data Lakehouse disposera d'une gamme diversifiée de données connexes qui peuvent être combinées à l'analyse médicale pour tirer des informations supplémentaires sur les données des patients. Cela peut aider à découvrir les tendances inattendues ou les perspectives dont le clinicien n'a peut-être pas connaissance.
Par exemple, les notes dans les dossiers médicaux du patient peuvent ajouter des variables comme si le patient est un fumeur, était un fumeur ou provient d'un foyer qui inclut des fumeurs, ou les coordonnées du patient combinées à des données géographiques peuvent ajouter des variables associées à des conditions de vie susceptibles de compliquer des facteurs (e.g., présence d'humidité ou d'amiante).
Sans cette aide, l'évaluation de ces facteurs obligerait le clinicien à penser également comme un travailleur social, un réaliseur, et augmenterait le temps d'examiner en détail l'historique médical d'un patient en plus de se concentrer sur l'évaluation des images.
Pour ce faire, nous stockons les données semi- ou entièrement structurées dans une base de données telle que le service Autonomous Database, à l'aide de Data Integration afin de lier les ensembles de données ensemble. Les données non structurées et semi-structurées, telles que les images dans Oracle Cloud Infrastructure Object Storage, sont intégrées en ajoutant des liens aux données structurées, telles que les métadonnées associées aux images. Le processus de liaison d'images à des données pouvant faire l'objet d'une recherche est pris en charge à l'aide du service Oracle Cloud Infrastructure Data Labeling (étiquetage des données). L'étiquetage des données peut également être utilisé pour étiqueter les données structurées de sorte que les enregistrements représentant des valeurs aberrantes puissent être facilement balisés, puis explicitement inclus ou exclus des processus d'IA/ML.
- Les résultats de l'IA/ML seraient signalés comme préliminaires (ou soumis à un contrôle clinique secondaire) au patient et à son prestataire de soins, de sorte que d'autres causes des symptômes pourraient être examinées. Le résultat net de cela serait que le patient est une nouvelle étape plus proche de son diagnostic. Cette communication peut être obtenue en extrayant les informations de contact des dossiers du patient dans Autonomous Database et en utilisant des services tels que SMS, courriel ou en informant le personnel clinique via le tableau de bord ou les fronts numériques mentionnés précédemment.
Comme les données du patient ne sont pas liées aux contraintes informatiques physiques d'un centre médical, elles peuvent être référencées par des experts médicaux externes dans d'autres endroits. Cela peut se produire rapidement et efficacement parce que l'infrastructure de travail avec un ou plusieurs HIE sera probablement en place, élargissant ainsi les capacités au-delà des capacités d'un seul prestataire de soins. Ce type d'automatisation peut être réalisé via Oracle Integration Cloud Service (OIC) et une passerelle d'API (en position sortante, nous pouvons contrôler et auditer la sortie des données. Si des API externes sont utilisées avec paiement par appel, la gestion sortante permet de contrôler ces services et d'éviter les frais supplémentaires). Le partage de données volumineux serait géré via FTP (fourni via OIC), mais la communication de données non API serait signalée par le biais d'appels d'API dans la première instance.
Figure : scénario d'expérience patient sans lac de données sur OCI
Figure : scénario d'expérience patient avec data Lakehouse sur OCI
A propos de la liaison des données socio-économiques aux processus d'image clinique
Les entrepôts de données, qui peuvent être utilisés pour ingérer d'importants volumes de données, peuvent être connectés à d'autres sources de données afin de faciliter l'analyse efficace pour les cliniciens évaluant leurs patients.
Nous avons souligné comment l'utilisation d'un data Lakehouse nous permet d'assimiler de grands volumes de données et de mélanger différentes sources de données pour aider à fournir un traitement clinique approprié. La possibilité de lier des données non médicales aux patients est cruciale. Prenons l'exemple de la pandémie de COVID-19 ou des épidémies d'Ebola en Afrique de l'Ouest où ces données liées ont aidé à identifier et à limiter la propagation de ces virus. Des traitements optimaux pour les personnes déjà infectées qui améliorent leurs chances de récupération, la vitesse de récupération et les problèmes de santé post-infection (conditions de la dépression et de l'anxiété, pour exercer l'intolérance et la fatigue) peuvent être trouvés en analysant contre d'autres patients présentant des infections et des maladies similaires et leurs résultats.
Pour établir ce type de lien, nous devons comprendre les données à notre disposition, à savoir l'endroit où Oracle Cloud Infrastructure Data Catalog peut vous aider, non seulement dans le suivi des données stockées dans le lac, mais également dans d'autres sources de données accessibles et utilisées via des sources telles que les API. Elle peut ensuite être utilisée pour gérer le contenu du lac de données et pour informer l'analyse des données effectuée à l'aide des outils Oracle Cloud Infrastructure Data Science afin de déterminer les relations dans les données.
L'identification et l'isolement des épidémies telles que la maladie de Legionnaire, qui a un taux de mortalité de 10% et estimé à 20 000 cas par an aux seuls États-Unis. Ce type d'identification implique l'extraction des enregistrements EMR/EHR pertinents dans Autonomous Database et les notes numérisées (Oracle Cloud Infrastructure Vision) des patients sur leurs déplacements, et leur combinaison avec des données géographiques à l'aide de l'ensemble d'outils Data Science et des fonctions de visualisation de l'un de ces produits : Oracle Analytics Cloud, Oracle Visual Builder, Oracle JET ou Service APEX. Le choix des outils dépend de l'expérience utilisateur et des données à présenter.
Des organisations telles que le Centre de contrôle des maladies (CDC) et l'Organisation mondiale de la santé (OMS) fournissent des API connectées à des ensembles de données sur les facteurs contribuant à la santé. Par exemple, les données relatives à la qualité de l'air peuvent être extraites de services API tels que l'indice de qualité de l'air mondial. Ces données sont vitales pour les personnes souffrant d'insuffisance pulmonaire comme la pneumonie, car la qualité de l'air ou les niveaux de toxicité sont un facteur aggravant important et peuvent être difficiles à évaluer en raison d'une variance importante même sur de courtes distances entre chaque capteur. Les données peuvent être évaluées à l'aide d'une combinaison Oracle Integration Cloud Service, passerelle d'API, Oracle Functions (ou Oracle Container Engine for Kubernetes), Autonomous Database (contenu structuré) et Oracle Cloud Infrastructure Object Storage (contenu non structuré). Les processus de préparation ou de nettoyage des données peuvent utiliser Oracle Cloud Infrastructure Data Science, Oracle Cloud Infrastructure Data Flow ou Oracle Cloud Infrastructure Data Integration pour réguler le flux de données entrant ou sortant de la plate-forme. Streams offrirait alors une fonctionnalité de complément d'API Kafka, car elle nous permet de gérer les données sous la forme d'une série d'événements. Cela signifie que si un service externe fournit des données dans des rafales de données très concentrées, les données peuvent être préparées jusqu'à ce que nous soyons prêts à les charger dans le data Lakehouse.
Pour ce faire, nous devons :
- Capturer et nettoyer les données pertinentes pour éviter les entrées et les sorties de mémoire.
- Traduisez les données non structurées en données semi-structurées pour faciliter la recherche et l'interrogation.
L'utilisation de normes telles que HL7, FHIR, SNOMED (terminologie clinique) et les pratiques de HIE pour représenter les données permet une plus grande interopérabilité avec DICOM pour l'imagerie. Ces normes de domaine reposent sur des technologies courantes telles que XML, JSON, REST, etc. Par conséquent, les produits Oracle peuvent prendre en charge les données prêtes à l'emploi avec des solutions propres au domaine fournies en plus de ces technologies.