La prolifération des données non structurées dans le domaine de la santé peut également poser des problèmes de conservation, de purge et de destruction des données. Le problème n’est pas la quantité de données qui doivent être stockées et la durée pendant laquelle elles doivent être stockées ; au lieu de cela, c’est où il a été stocké et ce qui a été stocké, dit Laberge.
Par exemple, les organisations purgent généralement les dossiers médicaux qui sont inactifs ou suppriment les ensembles de données de recherche une fois qu’une étude est terminée. Avec ces types de données non structurées, dit-il, « ce n’est pas seulement une seule base de données que vous supprimez. Il y a probablement plus de fichiers là-bas, et il y a des métadonnées qui leur sont associées.
Travailler avec les données de santé générées par les patients
Les données de santé générées par les patients s’accompagnent de leurs propres préoccupations. Bien qu’il puisse être disponible en temps réel à partir de sources telles que des appareils de surveillance ou des applications thérapeutiques numériques – et qu’il puisse être structuré en soi – la plupart d’entre eux ne sont transférables dans les DSE que sous forme de rapports de synthèse non structurés, note Natalie Schibell, vice-présidente et principale analyste chez Forrester. (Il en va de même pour les résumés de visite provenant de fournisseurs de soins d’urgence, de santé au détail ou de télésanté non affiliés à un système de santé.)
Dans ces situations, la précieuse nuance du document de synthèse est largement perdue. Cela ne donne pas une image complète de la santé d’un patient, ce qui rend difficile pour les systèmes de santé d’analyser leurs vastes magasins de données et de voir quels patients ont besoin de plus d’attention, dit Schibell. Cela contribue également à des dépenses inutiles, car les médecins qui n’ont pas de résultats facilement disponibles commanderont simplement un autre test. « Il y a un gros risque dans les soins redondants et perturbateurs », ajoute-t-elle.
Six étapes pour rendre les données non structurées plus significatives dans le domaine de la santé
L’American Hospital Association a suggéré que le moment était venu pour les hôpitaux de se transformer en organisations axées sur les données. Cela améliorera la prise de décision clinique et commerciale, a déclaré l’AHA, tout en aidant les hôpitaux à mieux servir leurs patients et leurs communautés en cas de besoin.
Devenir une organisation axée sur les données dépend de la capacité à tirer un sens des données non structurées. Bien qu’il s’agisse d’un défi de taille pour de nombreux systèmes de santé, les organisations peuvent prendre quelques mesures clés pour aller de l’avant.
- Optimiser le stockage : Les organisations doivent examiner où les données sont stockées ainsi que la manière dont ces baies de stockage sont synchronisées et distribuées. Tout ce qui peut être migré vers le cloud devrait l’être. Cela libérera de l’espace sur place pour les données les plus récentes et les plus pertinentes.
- Classer les données : Les données doivent être structurées en groupes en fonction de la manière dont elles seront utilisées, des personnes qui doivent y accéder, du niveau de confidentialité dont elles ont besoin et des politiques de sécurité qui s’y appliquent. Il est également essentiel d’examiner le format des données et de déterminer si elles peuvent, en fait, être structurées.
- Mettez de l’ordre dans les données non structurées : Si les données non structurées ont une valeur clinique ou commerciale, elles bénéficieront de la normalisation, qui vise à les faire ressembler davantage à des données structurées. « Compte tenu du volume considérable de ces données, vous ne pouvez pas le faire manuellement », déclare Schibell, mais l’intelligence artificielle et le traitement du langage naturel peuvent aider.
- Cherchez le contexte : La PNL seule est insuffisante pour normaliser les données non structurées, dit Laberge. Une note clinique peut inclure le mot , mais cela ne signifie pas automatiquement qu’un patient est diabétique. Le médecin peut avoir noté que le patient n’est pas diabétique ou que le père du patient est diabétique.
- Code aux normes de l’industrie : Une fois le contexte des données compris, les organisations doivent coder autant d’informations que possible selon les normes applicables de l’industrie telles que la CIM-10 ou la SNOMED. Cela aide à structurer les données non structurées, ce qui les rend lisibles et utiles pour les modèles d’analyse et d’apprentissage automatique.
- Donner des conseils à la science des données : De nombreux spécialistes des données n’ont pas d’expérience clinique et peuvent ne pas savoir, par exemple, qu’un diagnostic de diabète de type 2 peut être exprimé à l’aide de l’un des près de deux douzaines de codes ICD-10. Les équipes cliniques doivent fournir aux équipes de science des données des conseils appropriés avant de plonger dans un ensemble de données, déclare Laberge.
Comme pour de nombreuses initiatives technologiques à grande échelle, le secret du succès avec les données non structurées dans le domaine de la santé est une portée et un cas d’utilisation bien définis, explique Laberge. Au lieu d’essayer de faire bouillir l’océan, les organisations devraient se concentrer sur une métrique commerciale clé ou sur un autre domaine d’amélioration quantifiable.
« Vous avez besoin de clarté sur ce que vous voulez retirer des données dont vous disposez », explique Laberge.
