PatientGuard
Le projet explore comment et avec quelle qualité des méthodes fondées sur les grands modèles de langage sont en mesure d’extraire des informations pertinentes de registres cliniques pour prédire et prévenir les infections nosocomiales.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institute for Patient-centered Digital Health (PCDH)
- Unité(s) de recherche PCDH / AI for Health
- Organisation d'encouragement Innosuisse
- Durée 04.11.2024 - 31.03.2026
- Direction du projet Prof. Dr. Kerstin Denecke
- Équipe du projet Prof. Daniel Reichenpfader
- Partenaire MedNota GmbH
- Mots-clés Intelligence artificielle, Large Language Model, extraction d’informations
Situation
Les infections nosocomiales représentent un défi majeur pour les systèmes de santé du monde entier. Elles nuisent aux patient-e-s, augmentent les couts des soins de santé et prolongent la durée des séjours hospitaliers. En Suisse, 5,9 % des patient-e-s contractent une infection en milieu hospitalier. Jusqu’à 50 % de ces cas peuvent être évités par des mesures ciblées. L’Office fédéral de la santé publique (OFSP) vise donc à protéger la population plus efficacement, c’est-à-dire à réduire le nombre d’infections et leurs conséquences à long terme, en particulier les décès qui en résultent. L’analyse des données du dossier médical électronique permet de détecter ou de prédire les infections nosocomiales. Cependant, dans les hôpitaux, une quantité considérable de données liées aux infections est stockée dans des formats non structurés, par exemple dans des rapports PDF (rapports d’opération, résultats de laboratoire, etc.) ou des notes cliniques (manuscrites ou électroniques). Ces documents contiennent des données précieuses, mais l’extraction manuelle des renseignements pertinents se révèle chronophage et tend souvent à négliger les risques d’infection. Nous utiliserons des grands modèles de langage (LLM) open source, comme Llama 3.2, pour traiter et analyser ces données non structurées et en extraire des informations pertinentes sur les infections nosocomiales à des fins de prédiction et de prévention.
Approche
Dans le cadre de ce projet, un prototype basé sur un grand modèle de langage (LLM), baptisé PatientGuard, a été conçu et développé pour faciliter la surveillance des bactériémies associées aux cathéters veineux centraux (CLABSI). À cette fin, l’équipe a analysé des dossiers cliniques, des consultations en infectiologie et d’autres sources textuelles non structurées afin de traiter automatiquement les informations pertinentes conformément aux normes des CDC/NHSN (Centres pour le contrôle et la prévention des maladies/National Healthcare Safety Network). Pour ce faire, elle a mis en place des processus de conversion de documents, d’extraction d’informations, de synthèse et de classification, et développé un système centralisé de gestion des prompts ainsi qu’un environnement d’évaluation standardisé. Les méthodes mises au point ont été évaluées à l’aune d’un ensemble de données sélectionnées issues de cas cliniques.
Résultat
Ce projet a permis de mettre au point un prototype fonctionnel baptisé PatientGuard, destiné à l’analyse automatisée des dossiers cliniques. Ce système est capable d’extraire des indicateurs liés aux bactériémies associées aux cathéters veineux centraux (CLABSI), tels que la fièvre, les frissons, l’hypotension, la neutropénie ou les infections secondaires, et de classer les cas suspects selon les critères des CDC/NHSN. Les autres fruits du projet sont le développement d’une API REST modulaire, d’un système de gestion des prompts basé sur la plateforme Langfuse, d’un convertisseur de PDF en Markdown ainsi que d’un cadre d’évaluation. Les analyses réalisées mettent en exergue le potentiel des approches fondées sur les grands modèles de langage (LLM) pour aider à surveiller les infections.
Perspectives
Une étape ultérieure devra élargir les bases établies dans le cadre du projet par le biais d’une évaluation portant sur des ensembles de données plus vastes. Il est également prévu de poursuivre le développement des procédés d’extraction et de classification, et d’intégrer la solution dans les systèmes existants de surveillance des infections. Les résultats obtenus serviront en outre de base à des publications scientifiques et favoriseront l’extension de cette approche à d’autres cas d’application clinique.
