Optimiser la rédaction de comptes-rendus médicaux en milieu hospitalier

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Comment alléger la charge que représente la rédaction de comptes-rendus médicaux en milieu hospitalier ?

Je suis chef de service hospitalier et les médecins de mon service rédigent, pour chaque visite de patient, des comptes-rendus (CR) médicaux, que ce soit pour une consultation ou un acte médical.

Ces CRs médicaux sont des documents médico-légaux et médico-techniques importants puisqu'ils permettent de recueillir précisément toutes les informations sur l'état de santé d'un patient afin de rendre possible son suivi médical pendant et après son hospitalisation. Ils ont une visée descriptive différente selon l'objet de la visite du patient dans le service.

Par exemple :

  • Le compte-rendu de consultation pré-anesthésique (CR-CPA) décrit l'évaluation de l'état du patient quelques semaines avant un acte chirurgical nécessitant une anesthésie.
  • Le compte-rendu opératoire (CRO) décrit le déroulé de l'intervention chirurgicale.
  • Le compte-rendu d'anesthésie (CR-ANEST) décrit la prise en charge anesthésique per et postopératoire.
  • Le compte-rendu d'hospitalisation (CRH) reprend l'intégralité des informations médicales obtenues lors d'un passage en milieu hospitalier ainsi que les éléments utiles à la continuité des soins après la sortie du patient.

Un médecin peut donc être amené à rédiger certaines informations spécifiques à sa pratique de manière récurrente pour différents patients. Par ailleurs, différents médecins sont amenés à rédiger pour un même patient des informations qui ont potentiellement déjà été rédigées par d'autres médecins, par exemple les informations d'identification ou les antécédents d'un patient.

Pour permettre aux médecins de spécialités différentes de communiquer entre eux les éléments nécessaires au suivi du patient, ces CRs médicaux doivent donc être :

  • précis, notamment en terme de vocabulaire médical employé, afin de permettre un suivi rigoureusement adapté au patient et à sa pathologie,
  • concis, dans les formulations choisies, pour permettre une compréhension aisée par n'importe quel médecin.

Le médecin qui rédige le CR médical engage sa responsabilité s'il ne respecte pas scrupuleusement ces contraintes. En cas de complications pour un patient, une analyse approfondie des CRs médicaux permet d'identifier si la cause du dommage relève d'une omission d'information. Aussi, il peut ne pas incomber pleinement au praticien une erreur qui relève d'une mauvaise information fournie par un autre praticien. De ce fait, l'identité du rédacteur d'un CR doit donc être précise, mais si le document inclut des parties préalablement écrites par d'autres praticiens, il faut également pouvoir les identifier.

Je souhaite alléger la charge de rédaction de CRs médicaux aux médecins de mon service. Je souhaite leur fournir un outil qui automatise partiellement la rédaction des éléments redondants tout en respectant les contraintes de précision et de concision.

La solution

Création automatique de document et auto-complétion spécifique au domaine médical

Le CR médical comme document semi-structuré

Un CR médical est un document textuel semi-structuré. Il possède une structure organisée en sections dont les titres sont identiques d'un patient à un autre, mais dont le contenu des sections est laissé libre et complété en fonction du patient et des résultats de la visite. Si la structure du CR médical est souvent propre à un établissement de santé, elle contient des éléments indispensables qui suivent les recommandations de la Haute Autorité de Santé. Par exemple, tous les CRs médicaux doivent contenir une en-tête permettant d'identifier :

  • le médecin en charge du patient,
  • le patient,
  • l'auteur du document,
  • l'établissement de santé,
  • la date de la visite.

Ensuite, chaque CR contient des informations qui dépendent de l'objet de la visite, dont certaines sont obligatoires et d'autres facultatives.

Par exemple, un CRO contiendra toujours :

  • le mode d'anesthésie pratiqué,
  • la description des lésions observées,
  • les gestes opératoires effectués,
  • la position sur la table d'opération.

et quelquefois des informations comme :

  • les transfusions sanguines per-opératoires réalisées,
  • les complications liées à l'acte chirurgical (par exemple, les gestes opératoires non effectués pour certaines raisons techniques),
  • les complications liées à l'anesthésie ...

Ces informations sont rédigées au sein de sections voire sous sections dont les titres sont souvent redondants. Cette charge de rédaction inutile peut être évitée avec un outil ergonomique dont le but est de créer, en fonction de la demande du médecin, un document vide mais structuré en sections pré-remplies qui seront complétées par la suite.

Par exemple, cette solution permet de rédiger une en-tête de ce type quel que soit le type de CR demandé par le médecin:

Patient :
   Nom : <<nom>>            Prénom : <<prenom>>           Age : <<age>>              No sécurité sociale : <<nosecu>>

Praticien en charge :
   Nom : <<nom>>            Prénom : <<prenom>>           Rôle : <<role>>            No RPPS : <<noRPPS>>

Établissement de santé :
   Type : <<type>>

Ensuite,  le médecin précise le type de CR qu'il souhaite rédiger. En fonction du type de CR choisi (pour notre l'exemple, un CRO), les sections obligatoires sont automatiquement créées :

Anesthésie :  << description de l'anesthésie >>

Lésions : << description des lésions observées >>

Opération : <<description des gestes opératoires réalisés >>

Position table : << position sur la table opératoire >>

De la même manière, si le médecin décide d'ajouter des sections facultatives, d'autres sections sont ajoutées en suivant ce même principe.

Ces titres obligatoires ou facultatifs doivent être enregistrés dans une base de données auquel l'outil se connecte pour afficher les boutons et menus déroulants en conséquence.

Ensuite, certaines sections de ces documents peuvent être automatiquement complétées, partiellement ou non, tout en laissant la main au médecin pour rédiger les termes médicaux spécifiques à sa spécialité.

Complétion automatique de l'en-tête

L'en-tête contient des informations simples. Comme cette section ne nécessite pas de phrases, elle peut être complétée automatiquement assez facilement. Une simple connexion avec la base de données patient ou médecin de l'établissement permet de récupérer les informations telles que le nom, prénom, numéro (de sécurité sociale ou RPPS). Par ailleurs, "Mon espace santé" (outil succédant au Dossier Médical Partagé) est un carnet de santé numérique qui recense entre autres les informations telles que les maladies, traitements, allergies ou vaccinations du patient s'il a préalablement activé son espace. Ces données peuvent donc servir à pré-remplir automatiquement les informations d'antécédents médicaux. En effet, comme cette section ne nécessite pas particulièrement de formulation spécifique, une liste à puce créée à partir des antécédents enregistrés dans "Mon espace santé" peut donc suffire. Par exemple :

  • diabète de type 2,
  • hypertension artérielle,
  • choc anaphylactique après prise de codéine.

Complétion partielle des descriptions médicales

Les descriptions médicales sont en revanche constituées de phrases courtes contenant du vocabulaire médical très spécifique. Si le vocabulaire est complexe et requiert l'expertise du médecin, certaines formulations redondantes peuvent être rédigées automatiquement à l'aide de la génération automatique par gabarit. La génération par gabarit permet, à partir de données structurées, de créer des phrases courtes mais adéquates au contexte et au genre textuel. Par exemple, les adjectifs sont accordés et les tournures de phrases sont choisies en fonction du genre textuel du document généré. Ainsi, pour la section "anesthésie" dans le cadre de notre exemple de CRO,  si le médecin entre les termes médicaux spécifiques tels que "rachianésthesie" et "couché", la génération automatique permet de générer la courte phrase "Rachianésthesie réalisée en position couchée.".

Bases de données pour l'auto-complétion des termes médicaux

Pour permettre au médecin de rédiger rapidement les termes médicaux spécifiques au CR médical qu'il rédige, un gain de temps considérable peut être obtenu en intégrant à la solution un système d'auto-complétion.

L'auto-complétion permet de compléter intelligemment une chaîne de caractères après en avoir saisi quelques seulement quelques lettres ou mots. Par exemple, si la chaîne"Résection pa" est tapée par le médecin, les actes suivants pourront être proposés :

  1. "Résection partielle d'un os du carpe sans arthrodèse",
  2. "Résection partielle atypique de la paroi de l'estomac",
  3. "Résection partielle du rein", etc.

Un tel système nécessite une connexion à une base de données qui recense les termes qui pourront être proposés. Si certaines sont parfois de simples dictionnaires ou listes, d'autres sont souvent structurées, par exemple :

  • en taxinomies (structures où les concepts sont classés hiérarchiquement),
  • en ontologies (structures où les concepts sont organisés selon leurs relations sémantiques).

Cette structuration peut permettre d'affiner les propositions faites par le système d'auto-complétion, par exemple en ne proposant pas les termes 2 et 3 ci-dessus si le CR médical est rédigé par un chirurgien spécialiste en orthopédie.

Il existe de nombreuses bases de données regroupant et décrivant les termes utilisés dans le domaine médical.

Par exemple :

  • la Classification Commune des Actes Médicaux (CCAM) est une nomenclature fournie par la Sécurité Sociale qui décrit les gestes médicaux ainsi que leur prix et remboursement,
  • la Base de Données Publique du Médicament (BDPM) est une base de données gouvernementale regroupant et décrivant les médicaments commercialisés ou ayant été commercialisés durant les trois dernières années en France.

Le Serveur Multi-Terminologies (SMT) rendu disponible par l'Agence du Numérique en Santé (ANS) est un point d'entrée unique et standardisé à ces nombreuses bases de données. Il vise à rendre les données en santé interopérables et disponibles, de manière à ce qu'elles puissent être aisément utilisées pour développer de nouveaux outils du numérique pour la santé.

Tirer parti de ces données dans un système d'auto-complétion permet d'une part d'alléger la charge de rédaction, mais également d'améliorer l'interopérabilité et l'homogénéité des CRs médicaux en s'assurant qu'ils intègrent des libellés compréhensibles par tous, référencés dans des bases de données gouvernementales, et sans fautes d'orthographe.

La reconnaissance vocale

La reconnaissance vocale  peut compléter cette solution pour la dictée vocale des sections libres du Compte Rendu médical. La reconnaissance vocale est particulièrement bien adaptée dans des environnements où l'utilisateur est éloigné de l'ordinateur, ce qui peut être le cas pour la rédaction de compte-rendus médicaux

Points d'attention

La mise en œuvre de cette solution repose donc sur deux tâches : la création de gabarits et l'auto-complétion de ces derniers. Si la conception d'une telle solution peut sembler aisée, il faut avoir conscience qu'elle doit répondre à des contraintes de conformité juridique (voir par exemple le règlement européen concernant les dispositifs médicaux).  Ces contraintes peuvent notamment imposer une conformité à certaines normes, comme par exemple, la norme ISO/HL7 10781:2015 qui décrit le modèle fonctionnel d'un système de dossier de santé informatisé. Ces normes et contraintes doivent être intégrées à la solution mais surtout validées via audit par une société spécialisée qui vérifie que les standards de sécurité ou d’interopérabilité sont bien respectés.

Par Laurine Huber, doctorante en IA/NLP

Ils peuvent vous aider

Demande de mise en relation concernant l'étude de cas Optimiser la rédaction de comptes-rendus médicaux en milieu hospitalier
Veuillez recopier le texte ci-dessous afin de pouvoir envoyer votre message. Attention aux majuscules !
 
La plateforme Lettria rassemble les équipes tech et métier sur une même interface collaborative et no-code, pour les accompagner étape par étape dans la réalisation de leurs projets de traitement de données textuelles.
 
Vivoka commercialise le Voice Development Kit, le premier kit de développement logiciel 100% pour les technologies vocales embarquées. Ce produit permet aux entreprises et développeurs de créer rapidement et simplement une solution, incorporant une ou plusieurs technologies (Wake word, STT, ASR, Biométrie, TTS...), multilingue (40+ langues supportées), fonctionnant entièrement sur appareil. L'interface user-friendly ainsi que les capacités du VDK en font un outil stratégique pour les acteurs éco souhaitant tirer parti des technologies vocales, sans se heurter à la barrière de leur complexité.
 
QWAM développe des solutions logicielles d'intelligence artificielle appliquée au traitement du langage naturel. Nos solutions combinent les approches sémantiques, big data, machine learning et deep learning. QWAM intervient pour répondre aux besoins d'exploitation avancée des données textuelles existantes au sein des entreprises et organisations ou bien disponibles sur le web.
 
Semios est une solution assurant la relecture automatique des spécifications, cahiers des charges et documentations techniques. Elle signale les différentes incohérences, inexactitudes ou ambiguïtés impliquant des risques d'interprétation, et anticipe ainsi toutes les conséquences industrielles induites.
 
Semantiweb apporte un décodage marketing des contenus conversationnels spontanés des internautes. Cette expertise donne une valeur stratégique aux annonceurs, permet de créer une intimité clients, détecte les tendances de consommation et traduit les insights des marchés en les rendant opérationnels pour l’entreprise, la marque et le produit.
 
Reecall est une solution de productivité et de gestion des appels entrants augmentée par l’IA. Gagnez en satisfaction client et en productivité : disponibles 24/7 nos agents virtuels reconnaissent vos clients, dialoguent en langage naturel, traitent immédiatement les demandes simples et automatisent les demandes complexes pour assister vos conseillers. Concentrez vos équipes sur les appels à forte valeur ajoutée et gagnez un temps précieux sur la résolution. Connectez vos outils avec notre RPA et automatisez jusqu’à 60% des demandes. Reecall, l’excellence d’un service client sans limite.
 
Mondeca équipe et assiste les entreprises privées et les organisations publiques pour qu’elles puissent tirer le meilleur profit de la technologie sémantique. Deux outils fondent l'offre Mondeca : CAM (Content Autotagging Manager) chaine UIMA de pilotage de workflows (Gate, Spacy, ML ...) et ITM (Intelligent Taxonomy Manager) gestionnaire de graphes de référentiels (taxonomies/ontologies). Un portail de diffusion et publication de terminologies (KB) est également proposé. La solution Mondeca est performante (pertinence, volumes, rapidité), stable et s'adapte aux différents cas métiers.
 
Kairntech développe une plateforme d'IA visant à démocratiser et accélérer le développement d'applications basées sur le TAL au sein de l’entreprise. L’objectif est de pouvoir créer rapidement et sans programmation des robots permettant d’analyser automatiquement de grandes quantités de texte avec une très grande précision, faisant économiser du temps et des efforts. Nous aidons les professionnels de l’information et les analystes (auditeurs, analystes marketing, chercheurs scientifiques, enquêteurs…) à bâtir des applications pour gagner en efficacité tout en prenant de meilleures décisions.
 
Synapse est expert en Intelligence Artificielle appliquée au texte. Notre raison d'être est d'accompagner nos clients dans la transmission de leurs connaissances. En ce sens, Synapse intervient tout au niveau de 3 leviers : - Créer de la connaissance, à travers un outil d'aide à l'écriture qui permet d'écrire l'esprit libre : Cordial. - Structurer de la connaissance, à travers des outils d'analyse sémantique. - Partager de la connaissance, à travers un chatbot capable de se connecter à la documentation d'une entreprise et de générer automatiquement sa base de connaissances.
 
L'APIL, association à but non lucratif, rassemble l'expertise des personnes et des industriels du traitement automatique des langues. Elle a pour ambition de promouvoir le traitement automatique des langues auprès des utilisateurs, qu'ils soient industriels ou grand public. Nous animons un réseau d'expertise en collaboration avec les acteurs spécialisés du domaine : forum JeunesTalents en collaboration avec l'ATALA, les rencontres entre membres industriels, ou l'accompagnement de projets collaboratifs innovants en partenariat international.

Vous fournissez de telles solutions et vous souhaitez faire partie de nos partenaires, contactez-nous.

Les technologies à mettre en oeuvre

Comment fonctionne la génération de texte ?
Que signifie le sigle NLG ? NLG est l’a­cro­nyme anglais de « Natu­ral Lan­guage Gene­ra­tion », en d’autres termes géné­ra­tion (de textes) en lan­gage natu­rel. Il s’a­git de faire...

Ces études de cas peuvent aussi vous intéresser

Aide à la saisie de comptes rendus d'intervention de maintenance

Responsable du service après-vente (SAV) dans une entreprise de fabrication et d’installation de volets roulants, j'envoie quotidiennement des techniciens de maintenance intervenir chez nos clients. Après chaque intervention, ils doivent rédiger un compte rendu (CR) dont une grande partie est pré-remplie à l’aide de notre logiciel de gestion de maintenance assistée par ordinateur (GMAO). Il reste cependant une zone de texte libre à renseigner, quel que soit le type d’intervention (corrective, préventive ou curative). Le clavier des tablettes et téléphones qu’utilisent nos techniciens ne permet pas de le faire rapidement. La reconnaissance vocale peut-elle faciliter la tâche de nos techniciens lors de rédaction de leurs CR, tout en s'intégrant aisément à notre application de GMAO ?

Classer la polarité des avis clients de manière fine

Je suis responsable du service après-vente d'un site de vente en ligne et nous avons actuellement un système de prédiction automatique permettant de classer les avis de clients comme positifs, négatifs et neutres. Cependant, nous aimerions un système de détection qui, au lieu de donner une étiquette globale à un texte entier, fournisse des informations à un niveau plus fin. Existe-t-il des solutions de ce genre ?

Qualifier automatiquement les leads : un gain de temps et de précision

Je suis responsable commercial du service de ventes en ligne pour une entreprise de vente de produits sportifs, et dans le cadre du processus de gestion de nos leads, je souhaite disposer d'une solution pour aider les commerciaux de mon équipe à qualifier automatiquement les leads et à les classer en fonction de leur profil ou de leurs intentions d'achat.