PatientGuard
Le projet explore comment et avec quelle qualité des méthodes fondées sur les grands modèles de langage sont en mesure d’extraire des informations pertinentes de registres cliniques pour prédire et prévenir les infections nosocomiales.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institute for Patient-centered Digital Health (PCDH)
- Unité(s) de recherche PCDH / AI for Health
- Organisation d'encouragement Innosuisse
- Durée (prévue) 04.11.2024 - 03.11.2025
- Direction du projet Prof. Dr. Kerstin Denecke
- Équipe du projet Daniel Reichenpfader
- Partenaire MedNota GmbH
- Mots-clés Intelligence artificielle, Large Language Model, extraction d’informations
Situation
Les infections nosocomiales représentent un défi majeur pour les systèmes de santé du monde entier. Elles nuisent aux patient-e-s, augmentent les couts des soins de santé et prolongent la durée des séjours hospitaliers. En Suisse, 5,9 % des patient-e-s contractent une infection en milieu hospitalier. Jusqu’à 50 % de ces cas peuvent être évités par des mesures ciblées. L’Office fédéral de la santé publique (OFSP) vise donc à protéger la population plus efficacement, c’est-à-dire à réduire le nombre d’infections et leurs conséquences à long terme, en particulier les décès qui en résultent. L’analyse des données du dossier médical électronique permet de détecter ou de prédire les infections nosocomiales. Cependant, dans les hôpitaux, une quantité considérable de données liées aux infections est stockée dans des formats non structurés, par exemple dans des rapports PDF (rapports d’opération, résultats de laboratoire, etc.) ou des notes cliniques (manuscrites ou électroniques). Ces documents contiennent des données précieuses, mais l’extraction manuelle des renseignements pertinents se révèle chronophage et tend souvent à négliger les risques d’infection. Nous utiliserons des grands modèles de langage (LLM) open source, comme Llama 3.2, pour traiter et analyser ces données non structurées et en extraire des informations pertinentes sur les infections nosocomiales à des fins de prédiction et de prévention.
Approche
Nous appliquerons, comparerons et optimiserons différentes méthodes basées sur le LLM afin d’extraire des données cliniques pertinentes de textes non structurés révélant des infections nosocomiales.
Résultat
Le projet fournit une analyse de faisabilité, des informations sur les documents à partir desquels les indicateurs peuvent être extraits et une comparaison de la qualité de différents grands modèles de langage.
