Intelligence artificielle : pourquoi le CHU de Lille mise sur l'exploitation des données massives en santé

PAR GÉRALDINE LANGLOIS  

- PUBLIÉ LE 22/07/2019

Crédit photo : S. Toubon

Le projet INCLUDE (pour « INtegration Center of the Lille University hospital for Data Exploration »), qui vise à offrir aux chercheurs et aux décideurs hospitaliers des outils de recherche, d'observation et d'analyse novateurs des données de santé, prend forme.

L'équipe du CHU de Lille qui a monté le projet, finalise la première étape : la constitution d'un « entrepôt de données de santé », qui sera hébergé par le data center du CHU. Il s'agit tout d'abord de rassembler les données produites par tous les services de l'hôpital sur 70 logiciels différents et stockées sur de multiples serveurs locaux, explique le Dr Vincent Sobanski, MCU-PH en médecine interne et immunologie clinique, un des deux co-porteurs du projet. « Il faut nettoyer les bases de données existantes, les connecter et qualifier les données afin qu'elles soient exploitables, ajoute-t-il. Au CHU de Lille, nous avons le savoir-faire nécessaire avec des médecins, des ingénieurs hospitaliers, des data scientists spécialisés en données de santé. »

Études observationnelles et analyses médicoéconomiques

Lorsque l'entrepôt sera ouvert, a priori début 2020, les données seront accessibles par « paquets » selon la nature des projets d'exploitation. « Nous avons constitué un comité scientifique et éthique qui analysera chaque demande d'accès aux données et vérifiera la compatibilité entre la demande et l'autorisation de la CNIL. C'est le cœur de notre gouvernance », ajoute le Dr Grégoire Ficheur, MCU-PH en santé publique, biostatistique et informatique médicale, l'autre co-porteur du projet. L'exploitation des données pourra nourrir des études observationnelles, considérablement simplifiées par le regroupement d'une grande quantité de données en un seul lieu.

Des outils de recherche sémantique, d'historisation de la donnée, de croisements pourront être employés. Les données pourront aussi alimenter des modèles prédictifs via des algorithmes de machine learning, par exemple pour mettre en évidence les caractéristiques communes de patients ayant des troubles du rythme cardiaque qui présentent certaines complications. Les données, anonymisées lors de leur entrée dans « l’entrepôt », pourront aussi servir à mener des analyses médicoéconomiques.