| Exploitation d’une base de connaissance médicamenteuse et d’un entrepôt de données pour la détection de comorbidités dans le Dossier Patient Informatisé (Leveraging a Clinical Data Warehouse and a pharmaceutical database to detect comorbidities in the Electronic Health Record) Sylvestre, Emmanuelle - (2016-11-15) / Universite de Rennes 1 - Exploitation d’une base de connaissance médicamenteuse et d’un entrepôt de données pour la détection de comorbidités dans le Dossier Patient Informatisé
| |||
Langue : Anglais Directeur(s) de thèse: Bouzillé, Guillaume Discipline : Médecine Classification : Médecine et santé Mots-clés : Bases de connaissances médicamenteuses , Entrepôts de données biomédicales , Comorbidités , Codes CIM-10 , prescriptions médicamenteuses , biologie
| |||
Résumé : Introduction : La dématérialisation des données patients permet aujourd’hui une réutilisation secondaire de ces données pour d’autres usages que le soin : la recherche, la médecine personnalisée ou encore les vigilances. Des technologies telles que les entrepôts de données biomédicales ont émergé pour répondre au besoin d’exploitation de ces données hétérogènes (multi-domaines, multi-échelles). Ces technologies permettent aujourd’hui d’envisager de nouveaux usages dans le domaine médico-économique et en particulier pour l’optimisation du codage de l’information hospitalière. L’objectif de ce travail est donc d’évaluer l’apport des données de prescriptions médicamenteuses pour la détection et le codage des comorbidités des patients. Méthodes : Nous nous sommes appuyés sur la base de connaissance médicamenteuse Thériaque que nous avons préalablement enrichie avec la liste de Comorbidités et Morbidités Associées (CMA) pour identifier les indications (présentes en codes diagnostics CIM-10) relatives à chaque médicament. Nous avons ensuite mis en relation les prescriptions hospitalières des patients et leurs indications fournies par la base Thériaque. Enfin, nous avons analysé la cohérence entre les comorbidités déjà présentes dans les dossiers patients et les indications des médicaments qui ont été prescrits. La finalité était de pouvoir cibler les séjours des patients dont au moins une prescription ne possédait de comorbidité faisant partie de ses indications Cet algorithme a été évalué sur deux échantillons de patients du CHU de Rennes extraits à partir de l’entrepôt de données biomédicales EHOP : un échantillon de patients du service d’ORL hospitalisés entre octobre et décembre 2014 ; une population de patients hospitalisés quel que soit le service entre janvier et février 2015. Les dossiers patients correspondant aux séjours identifiés par l’algorithme sur ces deux échantillons ont été relus afin d’affirmer si une comorbidité faisant partie des indications des prescriptions pouvait ou non être rajouté. Résultats : Sur les 22 132 codes présents dans la base Thériaque, 19 970 (90.2%) étaient associés à un ou plusieurs diagnostics CIM-10 et 11 162 (50.4%) étaient associés à l’une des 4878 comorbidités de la liste des CMA. Sur les 122 séjours de l’échantillon d’ORL, 75.4% avaient au moins une indication médicamenteuse sans code CIM-10 correspondant. Des comorbidités manquantes ont pu être confirmées dans 44.6% des séjours. Sur les 4312 séjours de l’échantillon tout service confondu, 68.4 % avaient au moins une indication médicamenteuse sans code CIM-10 correspondant. Des comorbidités manquantes ont pu être confirmées dans 20.3% des séjours. Conclusion : Nous avons développé un algorithme simple, basé sur des données accessibles pour une réutilisation secondaire. Cette étude montre que les bases de connaissances et les données de prescription et de biologie peuvent se compléter pour détecter des comorbidités dans le dossier patient. Abstract : Introduction: Medical coding is used for a variety of activities, from conducting observational studies to hospital billing. But comorbidities tend to be under-reported by medical coders. With the rise of electronic health records (EHR), information becomes more available, especially through clinical data warehouses (CDW), which are great sources of integrated heterogeneous and exhaustive data. The aim of this study is to develop an algorithm to detect comorbidities in the Electronic Health Record (EHR) using a clinical data warehouse (CDW) and knowledge databases. Methods: We enriched the Theriaque pharmaceutical database with the French national Comorbidities List, to identify drugs with at least one major comorbidity and diagnoses associated with a drug indication. Then, we compared the drug indications from the Theriaque database to the ICD-10 billing codes from the EHR to detect potentially missing comorbidities based on drug prescriptions. Finally, we improved comorbidity detection by crossing drug prescriptions and biological tests results. We retrospectively tested the algorithm on two different datasets extracted from the Rennes University Hospital (RUH) CDW EHOP. For the first dataset, we included all adult patients hospitalized between October and December 2014 in the ear, nose, throat (ENT) ward and for the second dataset, we included all adult patients hospitalized between January and February 2015. We reviewed medical records to find written evidence about the suggested comorbidities in current or past stays. Results: Out of the 22,132 UCD codes presents in the Theriaque database, 19,970 drugs (90.2%) were associated with one or several ICD-10 diagnoses, based on their drug indications and 11,162 (50.4%) were associated with at least one of the 4,878 comorbidities from the CMA list. Out of the 122 stays of the ENT dataset, 75.4% had at least one drug prescription with no corresponding ICD code. Suggested diagnoses were confirmed in 44.6% of reviewed stays. Out of the 4,312 stays of the hospital dataset, 68.4% had at least one drug prescription with no corresponding ICD code. Suggested diagnoses were confirmed in 20.3% of reviewed stays. Conclusion: We developed a fairly simple algorithm based on accessible and immediately reusable data. This study highlights that knowledge databases, drug prescriptions and biological test results can complete each other to detect comorbidities. | |||