Mercy : exploiter les données pour lutter contre le COVID-19

Comment une solution SAP HANA basée sur un processeur Intel® a transformé des données brutes et non structurées en informations exploitables sur le COVID-19.

En bref :

  • Cinquième plus grand système de santé catholique des États-Unis, Mercy dessert les communautés de l'Arkansas, du Kansas, du Missouri et de l'Oklahoma avec 44 hôpitaux, plus de 400 cliniques et plus de 44 000 employés.

  • Mercy a utilisé un système analytique qui combinait des données structurées et non structurées pour créer une vue plus intelligente de la manière dont le COVID-19 se propageait et affectait les patients. Le système analytique utilise une base de données SAP HANA fonctionnant sur des serveurs équipés de processeurs Intel® Xeon® Scalable de 2ᵉ génération, de la mémoire persistante Intel® Optane™ et de cartes réseau Ethernet Intel® série 700 pour l'évolutivité, la flexibilité et les performances. Il fournit des réponses basées sur les données aux questions critiques du COVID-19.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

La pandémie de COVID-19 est un événement mondial que peu de gens auraient pu imaginer. La progression alarmante et le manque de connaissances sur la maladie ont amené les pays à fermer leurs frontières et à isoler leurs populations.

Le COVID-19 a constitué un défi sans précédent pour les systèmes de soins de santé réagissant au nouveau coronavirus, les fabricants d'appareils médicaux tenus de satisfaire la demande des fournitures telles que les ventilateurs et les entreprises pharmaceutiques qui se sont lancées dans la course au développement d'un vaccin. On savait peu de choses sur le virus, car le nombre de cas se multipliait dans le monde entier, submergeant certains hôpitaux ainsi que l'industrie des soins de santé dans son ensemble. Il fallait rapidement apporter une solution à des questions cruciales afin de garantir la sécurité du personnel de santé, la planification des capacités et les meilleurs soins possibles aux patients.

Mercy, un système régional de soins de santé, est parvenu à redéfinir un système analytique qui combinait des données structurées et non structurées pour créer une vue plus intelligente de la manière dont le COVID-19 se propageait et affectait les patients. Cette approche a permis à Mercy d'obtenir les données de capacité dont elle avait besoin tout en comprenant mieux comment traiter les patients atteints de COVID-19. Ce système combine des technologies d'Intel, de SAP et d'autres pour fournir une méthode novatrice d'extraction d'informations critiques à partir de notes cliniques en utilisant le traitement du langage naturel (TLN) et l'intelligence artificielle (IA). Cette plateforme de preuves concrètes (RWE) permet à Mercy et à certains de ses systèmes de santé voisins, en plus des fabricants de médicaments et de dispositifs médicaux, de répondre aux besoins des patients et des prestataires de soins ; elle continuera également à apporter une valeur ajoutée après le recul de la pandémie de COVID-19.

Le défi de l'inconnu

Mercy bénéficie d'une longue tradition de leadership et d'innovations techniques qui a permis d'offrir des soins plus intelligents et mieux éclairés, ainsi que de réduire les coûts des soins de santé. En tant que premier utilisateur du logiciel de dossiers de santé électroniques (DSE), Mercy a mis en place le système DSE Epic afin de normaliser les dossiers de santé. Mercy a cependant constaté que, si les systèmes de DSE sont efficaces pour le suivi des données des patients et des informations de facturation, les informations les plus précieuses sur les soins et sur la situation des patients étaient enfouies dans des notes cliniques.

Cela voulait dire que les données les plus utiles pour déterminer les tendances, la propagation géographique, la co-infection et les autres facteurs de risque, les traitements et les résultats avaient été trouvées dans des notes cliniques non structurées, souvent écrites à la main. Mais comment Mercy a-t-elle pu extraire et exploiter cette source de données extrêmement précieuse ?

Trouver des réponses dans des données non structurées

La solution à ce problème a consisté à numériser et à indexer les notes cliniques de Mercy et à les combiner avec des données structurées provenant non seulement des systèmes de Mercy, mais aussi de sources gouvernementales et d'autres systèmes de santé. « Il est impossible répondre à des questions de fond à partir de sources de données de plus haut niveau », explique Curtis Dudley, vice-président de Enterprise Analytics and Data Services pour Mercy.

Cinquième plus grand système de santé catholique des États-Unis, Mercy dessert les communautés de l'Arkansas, du Kansas, du Missouri et de l'Oklahoma avec 44 hôpitaux, plus de 400 cliniques et plus de 44 000 employés. Le revenu total net de Mercy s'élève à plus de 6 milliards de dollars par an. L'organisation se classe parmi les cinq plus grands systèmes de santé des États-Unis 1. Depuis 2009, Mercy travaille sur des projets de démonstration financés par la Food and Drug Administration (FDA) des États-Unis, établissant des capacités analytiques uniques qui donnent un aperçu de la manière dont différents appareils médicaux affectent les résultats des patients. Depuis 2017, Mercy collabore avec les fabricants, fournissant des données concrètes afin que les chercheurs et les prestataires de soins de santé disposent de meilleurs outils leur permettant de déterminer le meilleur traitement pour les patients.

« La clé de la création de meilleurs ensembles de données qui mènent à des découvertes consiste à s'intéresser de plus près aux données non structurées. » - Curtis Dudley, vice-président de Enterprise Analytics and Data Services, Mercy

Afin de créer un meilleur ensemble de données sur les patients, les mesures suivantes ont été prises pour que Mercy puisse obtenir des résultats exploitables à partir de données brutes :

  • Les équipes de Mercy ont combiné des données structurées provenant de son DSE et d'autres sources de données avec des données non structurées provenant des notes cliniques.
  • Les chercheurs ont utilisé la TLN et l'IA pour transformer les notes cliniques non structurées en données structurées et indexées que le logiciel d'analyse peut exploiter. Les données ont également été anonymisées de sorte que les informations sur les patients ne puissent pas correspondre à un patient spécifique.
  • Les données ainsi obtenues ont été chargées dans une base de données SAP HANA fonctionnant sur des serveurs équipés de processeurs Intel® Xeon® Scalable, de la mémoire persistante Intel® Optane™ (PMem) et des cartes réseau Ethernet Intel® série 700.
  • Enfin, les chercheurs ont créé des modèles analytiques et ont intégré les résultats dans des tableaux de bord et des rapports personnalisés. En construisant le système analytique, Mercy a numérisé, conservé et enrichi plus de 700 millions de notes cliniques. Ces notes ont permis aux chercheurs de mieux comprendre comment les médicaments, les appareils médicaux et les traitements influent sur les résultats du patient.

Ce système analytique était initialement utilisé pour résoudre les questions portant sur la façon dont les patients en cardiologie réagissaient à certains traitements et appareils médicaux. Mais lorsque le COVID-19 a commencé à se répandre, Mercy savait qu'elle disposait d'un système clé en main qui pouvait contribuer à la lutte contre cette nouvelle maladie qui se propageait rapidement.

Le COVID-19 sous le microscope analytique

Kerry Bommarito, directrice de la science des données chez Mercy, dirige une équipe de spécialistes des données qui ont construit les modèles et les ensembles de données en utilisant le système analytique de Mercy, basé sur des solutions Intel et SAP. Lorsqu'il est devenu évident que le COVID-19 représentait une menace pour la santé de millions de personnes, l'équipe de Kerry Bommarito a cessé de se concentrer sur la cardiologie et a commencé à travailler sur de nouveaux modèles qui permettraient de répondre à des questions de plus en plus importantes en matière de lutte contre le COVID-19. « Nous avions déjà construit un système qui utilisait le TLN pour extraire des données des notes cliniques », explique Kerry Bommarito. « Cela nous a d'abord permis d'évaluer les traitements de cardiologie et d'autres données réelles en analysant des données qui ne se trouvaient pas dans des champs distincts. Mais, en étant capable d'extraire automatiquement les données des notes cliniques, nous avons réussi à basculer rapidement vers l'analyse des données sur nos patients atteints du COVID-19. »

Voici quelques-unes des questions que Mercy, ses systèmes de santé voisins et ses partenaires fabricants se posaient et auxquelles les nouveaux modèles développés par l'équipe de Kerry Bommarito devaient apporter des réponses.

Questions adressées aux professionnels de la santé :

  • Quelle était la vitesse de propagation du virus ?
    L'équipe de Mercy devait déterminer à quelle vitesse le virus du SRAS-CoV-2 se propageait. Ces informations leur permettraient de comprendre l'impact du COVID-19 sur leurs installations, notamment les unités de soins intensifs (USI) et les salles d'urgence, et de déterminer à l'avance les services qui auraient le plus besoin de ressources. Mercy a coordonné la collecte et l'intégration des données avec d'autres systèmes de santé régionaux afin de développer l'ensemble de données.
  • À quelle vitesse le virus atteindrait-il son pic, et quel effet les pics et les poussées auraient-ils sur les ressources de Mercy ?
    En utilisant les données combinées fournies par Mercy et ses systèmes de santé voisins, Kerry Bommarito et son équipe ont pu prédire avec précision la vitesse à laquelle le virus se propageait et le moment où il atteindrait son pic. Les données ont également permis de prévoir des poussées et les endroits où elles se produiraient. Ces prévisions ont permis de déterminer si les installations existantes seraient en mesure de faire face à ces poussées ou si des installations temporaires supplémentaires devraient être déployées, ce qui a contribué à éviter une ponction inutile des ressources de Mercy.
    Pour sauver des vies, il est essentiel de disposer des stocks nécessaires là où il le faut. Le système analytique a également permis de prévoir les niveaux d'inventaire des équipements essentiels, tels que les ventilateurs pour patients et les équipements de protection individuelle (EPI) réservés au personnel soignant, qui seraient nécessaires, et les délais dans lesquels ils seraient requis. Mercy se sert désormais de ces modèles prédictifs pour déterminer la quantité de ressources nécessaires, ainsi que les services où ces ressources sont les plus utiles.

Questions supplémentaires se rapportant aux professionnels de la santé, aux fabricants de médicaments et d'appareils médicaux ainsi qu'aux organismes de réglementation :

  • Quelles étaient les populations les plus exposées ?
    Au début de la propagation du COVID-19, les systèmes de soins de santé ont dû faire des estimations éclairées quant aux populations les plus touchées. À mesure que de nouvelles données étaient disponibles, Mercy était à même de se concentrer sur les populations les plus durement touchées. Par exemple, les données ne permettent souvent pas de déterminer avec précision la provenance des patients. Mercy a réussi à exploiter les données des notes cliniques pour déterminer qu'un grand nombre de patients venaient des maisons de retraite, et que leur état était souvent plus grave que celui des patients appartenant à des groupes d'âge plus jeunes.
  • Quels étaient les symptômes les plus proches du COVID-19 ?
    Les membres de l'équipe de Mercy ont pu construire rapidement des modèles qui comparaient la liste des symptômes des Centres pour le contrôle et la prévention des maladies (CDC) aux symptômes qu'ils observaient dans les installations de Mercy. « Nous avons commencé avec la liste des symptômes du COVID-19 connus par les CDC, tels que la fièvre, l'essoufflement, la toux et la perte de l'odorat et du goût », explique Kerry Bommarito. « Nous avons pu comparer les patients qui ont été testés positifs ou négatifs au COVID-19 avec des patients atteints de grippe ou de pneumonie récemment pour voir comment les symptômes correspondaient à ceux publiés par le CDC. Avec le nombre limité de kits de dépistage disponibles pendant les premières semaines de la pandémie, nous voulions nous assurer de sélectionner les patients appropriés pour effectuer les tests. »
  • Quels traitements ont permis d'améliorer la situation des patients ?
    Alors que le nombre de patients atteints de COVID-19 augmentait, l'équipe de Mercy a analysé les traitements afin de déterminer celui qui était le plus efficace pour soigner la maladie. Cette analyse a permis à Mercy de comprendre les résultats du traitement pour les patients de tous les groupes d'âge ainsi que les facteurs de risque responsables des cas plus graves de COVID-19, et de déterminer si les facteurs de risque évoluaient.
    Grâce à ces capacités, Mercy collabore avec un fabricant mondial d'appareils, fournissant des informations qui permettent d'identifier les facteurs de risque pour les patients atteints de COVID-19 et des informations visant à mieux déterminer les patients qui auront besoin de certains traitements comme l'assistance respiratoire par le biais de ventilateurs et d'autres dispositifs d'assistance respiratoire, la durée de leur traitement et les variables qui permettent de prédire la progression et la mortalité.
  • Comment saurons-nous si les vaccins sont sûrs et efficaces ?
    Comme les vaccins contre le COVID-19 font l'objet d'essais cliniques dont la taille des échantillons est limitée, le système analytique de Mercy est en mesure de répondre au besoin éventuel des laboratoires pharmaceutiques et de la FDA de disposer de preuves concrètes en temps quasi réel pour valider la sécurité, l'efficacité et les variables qui influent sur les résultats une fois les vaccins utilisés en milieu clinique.

Une meilleure analytique débouche sur une riposte plus efficace

La combinaison des solutions de la plateforme de preuves réelles de Mercy, dont Intel et SAP, a permis à l'équipe de Mercy de construire en un temps record des modèles qui ont rapidement analysé d'énormes quantités de données non structurées et structurées. Cette analyse a permis à l'équipe de répondre à des questions cruciales avec plus de rapidité et de précision que jamais auparavant, ce qui favorise une meilleure coordination de la riposte contre le COVID-19 dans toute la région et une prise en charge plus intelligente des patients.

L'analytique a également contribué à l'amélioration de la communication et de la coordination entre les services au sein de Mercy. Par exemple, les équipes de gestion des risques et de la chaîne d'approvisionnement disposaient des données nécessaires pour comprendre comment protéger le personnel soignant de première ligne de Mercy tout en maintenant des niveaux de stocks de médicaments et d'équipements essentiels.

En outre, Mercy et ses fabricants partenaires peuvent mieux évaluer et comprendre les traitements et les appareils qui fonctionnent, ainsi que les facteurs de risque qui peuvent éventuellement avoir un impact sur les résultats des patients. Cela peut être mutuellement bénéfique puisque les professionnels de la santé et les fabricants travaillent ensemble pour améliorer les soins liés au COVID-19 pour les patients.

« En étant capable d'extraire automatiquement les données des notes cliniques, nous avons réussi à basculer rapidement vers l'analyse des données sur nos patients atteints du COVID-19. » - Kerry Bommarito, directrice de la science des données, Mercy

Exploiter les données pour produire des résultats plus efficaces

Les processeurs Intel® Xeon® Scalable et Intel® Optane™ PMem sont conçus pour permettre aux établissements de santé d'accroître leur agilité afin que les dirigeants puissent acquérir plus rapidement des connaissances et pour favoriser la mise en place de systèmes de santé tels que Mercy pour les succès et les innovations futurs. L'évolutivité, la flexibilité et les performances du système analytique de Mercy ont permis à Kerry Bommarito et à son équipe de basculer rapidement vers l'apport de réponses basées sur des données aux questions critiques liées au COVID-19.

La solution permettra de continuer à fournir aux prestataires de soins et aux chercheurs de Mercy des informations précieuses susceptibles d'améliorer les résultats des patients. « Nous aimerions voir les prestataires de soins, les fabricants et les organismes de réglementation collaborer sur un ensemble commun de données qui nous aideront à administrer de meilleurs soins », déclare Curtis Dudley. « Ce qui a été précieux pour le COVID-19 peut l'être dans d'autres domaines de soins aux patients. »

Pour en savoir plus sur la création d'une plateforme analytique hautes performances, consultez le site intel.fr/sap.

Pour en savoir plus sur la façon dont la solution d'informations réelles de Mercy (RWE Insights) favorise une prise en charge plus intelligente grâce à la collaboration avec les fabricants, consultez le site mercytechnology.net/solutions/real-world-evidence.

Découvrez les produits et solutions associés

Processeurs Intel® Xeon® Scalable

Générez des données exploitables, comptez sur la sécurité assistée par matériel et mettez en place des prestations de services dynamiques avec les processeurs Intel® Xeon® Scalable.

En savoir plus

Mémoire persistante Intel® Optane™

Permet d'extraire des informations plus exploitables à partir des données, du Cloud et des bases de données à l'analytique en mémoire en passant par les réseaux de diffusion de contenu.

En savoir plus

Produits Ethernet Intel®

Les cartes réseau Ethernet, les contrôleurs et les accessoires Intel® permettent une certaine agilité au sein du centre de données afin de fournir des services de manière efficace et rentable.

En savoir plus

Infos sur le produit et ses performances

1

Mercy. « Mercy Named Top Five Health Care System in the U.S. » Avril 2019. mercy.net/newsroom/2019-04-22/mercy-named-top-five-large-health-care-system-in-the-u-s--/.