Représentation des recommandations thérapeutiques et des données du patient et conception d'un moteur pour un système générique d'aide à la stratégie thérapeutique

Representing patient’s therapeutic data and guideline therapeutic recommendations and design of a generic execution engine for a clinical decision support system

• Auteur / Autrice : Vahid Réza Ebrahiminia
• Direction : Alain Venot
• Type : Thèse de doctorat
• Discipline(s) : Informatique médicale
• Date : Soutenance en 2007
• Etablissement(s) : Paris 13

Mots clés

Mots clés contrôlés

Informatique

Dossiers médicaux

Systèmes d'aide à la décision

Résumé

Les systèmes d’aide à la décision améliorent l’adhérence du médecin aux guidelines. Nous visons à (I) modéliser les données patient cliniques et thérapeutiques (II) représenter les règles du guide, adaptées à l’historique thérapeutique et à l’évolution de la maladie, (III) concevoir un moteur d’exécution utilisant ces règles et les données patient pour proposer les traitements conseillés du guide. Le traitement dans le modèle est constitué d’un ensemble de composantes médicamenteuses et non médicamenteuses. La tolérance est notée pour chaque composantes mais l’efficacité au traitement entier. Les recommandations du guide sont représentées par des règles Si,alors selon ce modèle. Elles sont regroupées par type de traitement (monothérapie) et par rôle (changement de type). Le moteur d’exécution utilise les règles pour chaque pathologie couplées à des stratégies, génériques pour les maladies. Un prototype est développé et testé pour le diabète et l’hypertension. L’étude d’impact est prévue.

Guideline-based decision support systems help improve physician’s practice. This work aimed at (I) model data related to patient’s clinical and therapeutic (II) represent therapeutic recommendations taking into account patient’s therapeutic-history and evolution state of the disease (III) design the execution engine using guideline rules and such patient data in real time. Treatment in our model is seen as set of drug and non-drug components. The treatment effectiveness is attributed to the whole but the tolerance is linked to every component. Recommendations are then represented according to the model by “if, then” rules, organized by type of treatment (ex: biotherapy) and by their role (ex: changing the treatment type). Execution engine uses these pathology-specific rules, coupled with a set of general strategies usable in all diseases. A prototype was implemented that was sufficiently fast to function in real time use and was tested on diabetes and hypertension. Its impact will be studied.