---
{
  "title": "FHIR et l'apprentissage automatique (ML)",
  "description": "L'apprentissage automatique gagne du terrain en santé grâce à des solutions technologiques plus sophistiquées qui génèrent une quantité considérable de données cliniques. Pour répondre à ce défi, la communauté FHIR a développé de nombreuses solutions que nous abordons dans cet article.",
  "date": "2018-08-27",
  "author": "Pavel Smirnov",
  "reading-time": "3 min read",
  "tags": [
    "AI / Agents",
    "FHIR Standard"
  ],
  "seo-tags": [
    "FHIR",
    "Machine Learning"
  ]
}
---
De nos jours, la santé tourne entièrement autour des données. Différentes données médicales sont continuellement générées à notre sujet. Les médecins et les infirmières en créent une partie, mais les appareils médicaux et les dispositifs portables en produisent bien davantage. En plus des données traditionnellement recueillies par les systèmes de DSE (Dossier de Santé Électronique), on voit apparaître des téraoctets de données génomiques qui commencent à compléter les dossiers patients avec l'essor de la médecine de précision. Le volume de données médicales ne cesse d'augmenter, et il devient de plus en plus difficile pour les humains de comprendre ces données et d'en tirer des conclusions significatives sans l'aide de systèmes automatisés.

> Commencez avec le [serveur FHIR](https://www.health-samurai.io/aidbox) Aidbox pour le stockage de données, les intégrations, [l'analytique](/blog/agentic-coding-on-fhir-building-dashboards) en santé et bien plus encore, ou [faites appel à notre équipe](https://www.health-samurai.io/services) pour soutenir vos besoins en développement logiciel.

C'est pourquoi l'apprentissage automatique devient indispensable. La puissance de traitement informatique accrue et les capacités de stockage améliorées ont permis de nombreux cas d'utilisation pour les systèmes automatisés aidant les cliniciens à effectuer leur travail plus rapidement et plus efficacement. L'apprentissage automatique n'est plus une nouvelle technologie, car de nombreuses organisations de santé l'ont déjà intégré à leurs flux de travail. Le cas d'utilisation le plus courant est le [traitement d'images médicales](https://mindsharemed.com/), tandis que le traitement de [signaux](http://www.etiometry.com) et la [génomique](https://www.curematch.com/) ont commencé à [gagner en popularité](https://www.hindawi.com/journals/bmri/2015/370194/) également. D'autres cas d'utilisation émergent aussi. Par exemple, [les journaux d'audit sont analysés par apprentissage automatique](https://www.spherinc.com/) pour détecter les intrusions et les comportements inhabituels du personnel médical. L'apprentissage automatique est également utilisé pour prédire quels patients présentent un risque plus élevé de réadmission à l'hôpital, ou quels patients ont plus de chances de ne pas se présenter à un rendez-vous ou de ne pas adhérer aux médicaments prescrits. Les applications sont illimitées. Pour découvrir d'autres applications de pointe de l'apprentissage automatique en santé, vous pouvez consulter [mlforhc.org](https://www.mlforhc.org/) et mucmd.org, qui proposent des enregistrements de toutes les présentations de la conférence annuelle « Machine Learning in Healthcare » de 2011 à aujourd'hui.

**Comment fonctionne l'apprentissage automatique et quel est le rôle de FHIR?**

Un flux de travail typique en apprentissage automatique commence par l'utilisation de données existantes pour entraîner un modèle, puis par l'application de ce modèle pour faire des prédictions sur un nouvel ensemble de données :
![](image-1.avif)
Comme vous pouvez le constater, les données sont essentielles tout au long du processus — de l'entraînement du modèle à l'extraction d'informations et à la formulation de prédictions. C'est là qu'intervient FHIR. FHIR est devenu la norme de facto pour l'accès aux données en santé. Obtenir les données d'un patient individuel pour effectuer des prédictions ne peut pas être accompli plus facilement que via les API FHIR. De plus, FHIR continue d'élargir ses capacités. Le modèle de données stable (et extensible) décrit par la spécification FHIR permet la mise en œuvre d'un Référentiel de Données Cliniques (CDR) FHIR pour l'exploration de données et l'analytique. Plusieurs entreprises ont commencé à proposer des solutions technologiques pour sérialiser efficacement de grandes quantités de données et les représenter d'une manière qui permet l'exécution d'analyses de données.

En 2014, nous avons créé un entrepôt de données ouvert pour les ressources FHIR appelé [FHIRbase](https://www.health-samurai.io/fhirbase), qui permet d'exécuter des requêtes SQL sur des données FHIR. Il existe des [bibliothèques](https://github.com/beda-software/fhir-py) pour FHIR qui prennent en charge les implémentations en Python, le langage le plus répandu chez les scientifiques des données qui développent des solutions d'apprentissage automatique. Il existe également des bibliothèques ouvertes pour d'autres technologies, par exemple [R on FHIR](http://www.healthintersections.com.au/?p=2740) gagne du terrain dans la communauté.

En mars 2018, Google a mis en libre accès une [implémentation par tampons de protocole](http://rebrand.ly/PBI-of-FHIR) du standard FHIR, qui prend en charge Java, C++, C#, Go et Python. Les tampons de protocole à code ouvert sont un mécanisme de sérialisation de données structurées — pensez à XML, mais plus compact, plus rapide et plus simple. Un utilisateur définit une seule fois la façon de structurer les données, puis utilise le code source généré pour écrire et lire des données depuis et vers divers flux de données. Le protocole convient aussi bien à l'accès programmatique qu'aux requêtes de base de données. L'un des exemples montre comment téléverser des données FHIR dans Google Cloud [BigQuery](http://rebrand.ly/bigquery) et les rendre disponibles pour les requêtes. BigQuery peut traiter une quantité massive de données dans un environnement en nuage hautement parallélisé. Cela ouvre la possibilité de travailler avec de grandes données médicales dans Google Cloud tout en tirant parti d'autres services Google tels que [l'apprentissage automatique](https://cloud.google.com/products/ai/) (ML).

FHIR et l'apprentissage automatique ont tous deux un avenir prometteur en santé, et nous les verrons converger dans les années à venir. Si vous souhaitez contribuer au sujet ou en apprendre davantage, participez à la conversation dans le clavardage de la communauté FHIR à l'adresse [https://chat.fhir.org](https://chat.fhir.org).

[![Aidbox FHIR Platform Free Trial](image-2.avif)](https://www.health-samurai.io/aidbox)

Voir aussi : [SQL on FHIR : Qu'est-ce qu'une ViewDefinition?](/blog/what-is-a-viewdefinition).