Expertise dans l'encodage des données médicale avec des concepts SNOMED CT Post-coordination des concepts SNOMED CT en des phrases complexes Traduction des termes SNOMED CT en Français et Allemand Traduction automatique de documents narratifs Français en SNOMED CT

Il existe aujourd'hui des systèmes capables d'aider le corps soignant à retrouver une information dans le dossier patient, en répondant à une question posée en langage naturel par une liste de documents pertinents dans lesquels le passage contenant la réponse est mis en évidence. CliniDocAssistant évalue l'impact d'un tel outil de recherche sur la manière dont les futurs médecins explorent le dossier d'un patient et en résument le contenu.

Le SIMED est partenaire de l'opérateur d'interopérabilité sémantique français PHAST pour rendre les données de santé interprétables par l'ensemble des systèmes d'information qui doivent les utiliser. Cette collaboration a d'abord donné naissance à deux référentiels d'expressions cliniques adaptés aux usages français, TIOvenue (motifs de venue) et TIOchir (interventions chirurgicales). Elle s'est prolongée par l'attribution au consortium mené par PHAST du marché de mise en œuvre des terminologies LOINC et SNOMED CT lancé par l'Agence du numérique en santé (ANS) française.

Le Geneva Digital Health Hub a été cofondé en 2021 par l'Université de Genève et la Direction du développement et de la coopération suisse. Il fédère les connaissances issues des projets de santé numérique déployés dans le monde, en particulier dans les pays à revenu faible et intermédiaire, pour éclairer les décisions des implémenteurs et des décideurs politiques. Le SIMED y contribue sur le volet gestion des connaissances et ontologies, qui structure la plateforme Implementome.

RECIT est un référentiel unifié d'expressions cliniques, construit à partir du langage réellement employé par les soignants plutôt qu'à partir d'une classification existante. Chaque expression y est encodée dans de multiples terminologies et dimensions sémantiques (SNOMED CT, CIM-10, CIM-10-GM, ICPC-2, CHOP et une quinzaine d'autres), ce qui permet de réutiliser une même saisie clinique pour des usages très différents. La liste des problèmes déployée dans le dossier patient des HUG depuis 2017 est un sous-ensemble extrait de ce référentiel.

Le projet DREAM vise à développer et évaluer un outil d'évaluation des risques associés à l'utilisation de résumés générés par LLM pour la sécurité des patients. Les dossiers médicaux sont synthétisés pour alléger les tâches administratives du personnel soignant, en utilisant un LLM open-source puissant. Cet outil d'évaluation doit être en accord avec les normes des IA à haut-risque (EU AI Act) et les régulations des dispositifs médicaux (EU Medical Device Regulation).

La recherche biomédicale se concentre habituellement sur l'identification et l'atténuation des facteurs de risque. HERO renverse ce paradigme et pose la question inverse : pourquoi certaines personnes ne tombent-elles pas malades alors qu'elles présentent les mêmes facteurs de risque que d'autres ? Le projet exploite les données cliniques réelles des HUG pour identifier automatiquement ces profils atypiques et augmenter la probabilité de découvrir les facteurs de protection dont ils bénéficient.

SHIELD est un projet de recherche européen financé dans le cadre du programme Horizon Europe. Il porte sur la prévention personnalisée des maladies non transmissibles, en particulier le diabète de type 2 et les maladies cardiovasculaires. Le projet mobilise l’intelligence artificielle, les dispositifs connectés et une application mobile dédiée pour proposer des stratégies de prévention adaptées au niveau de risque et au profil comportemental des patients. Il repose sur une approche stratifiée, intégrant des données cliniques, environnementales, psychologiques et comportementales, afin d’améliorer l’adhésion aux soins et de ralentir la progression des pathologies chroniques. Développé en collaboration avec plusieurs partenaires européens, SHIELD comprend une phase de conception des outils (application mobile, tableau de bord professionnel, modèle de stratification des risques) et une phase de validation clinique menée en Suisse, en Italie et en Espagne, auprès de plus de 2 300 participant.es. Le projet accorde une attention particulière à la sécurité des données (apprentissage fédéré), à la transparence des algorithmes (IA explicable), et à l’évaluation de l’impact en conditions réelles.

Le projet XpliCAI vise à co-définir les critères de transparence des systèmes d’intelligence artificielle (IA) utilisés aux Hôpitaux Universitaires de Genève. Il repose sur une démarche résolument participative, mobilisant une diversité de profils d’acteurs concernés, tels que les patients, les professionnels de santé, les responsables des ressources humaines et les experts en IA. 

SNOMED CT est le standard central de la stratégie sémantique du Swiss Personalized Health Network (SPHN), mais les outils permettant d'en exploiter réellement la puissance manquaient. S4 lève cette limite en construisant un service qui traduit automatiquement une requête exprimée en SNOMED CT vers les concepts et jeux de valeurs SPHN correspondants. Un chercheur peut ainsi explorer les données SPHN à partir du sens clinique, sans connaissance préalable de la structure du jeu de données.

Les infections postopératoires sont les complications les plus fréquentes toutes disciplines chirurgicales confondues et restent associées à une morbidité et une mortalité importantes. INFRA construit un modèle numérique du patient à partir des données cliniques de routine (laboratoire, paramètres physiologiques, microbiologie, symptômes) et le rend lisible par des outils de visualisation dynamique, afin de faire apparaître les trajectoires de récupération postopératoire et d'identifier précocement les patients à risque de complication infectieuse.

Ce projet examine comment les professionnels de santé des HUG adaptent leur comportement de frappe lors de l'utilisation d'un outil d'autocomplétion clinique destiné à la sélection de problèmes médicaux et de médicaments. En s'appuyant sur des données d'usage réel, l'étude explore l'évolution des requêtes tapées par les utilisateurs selon leur niveau d'expérience. L'objectif est de mieux comprendre les mécanismes d'adaptation linguistique des cliniciens face à une technologie d'aide à la saisie, avec des implications potentielles pour la conception d'interfaces homme-machine.

Ce projet vise à développer des ressources annotées en français pour le traitement automatique du langage naturel dans le domaine clinique et oncologique. Il s'appuie sur la traduction et la projection d'annotations depuis des corpus espagnols existants (CANTEMIST, DISTEMIST) vers le français, à l'aide d'une méthodologie basée sur des modèles BERT multilingues. Le projet a permis de produire deux corpus complémentaires, FRASIMED puis FRACCO, destinés à soutenir la reconnaissance d'entités nommées et la normalisation de concepts médicaux vers des terminologies de référence (ICD-O-3, SNOMED-CT).

Bratly vise à combler une lacune de BRAT, l'un des outils d'annotation textuelle les plus utilisés en NLP, qui ne dispose pas d'un support Python robuste pour la gestion et le traitement programmatique des annotations. Bratly est une extension open-source de BRAT dotée d'un backend Python structuré, permettant notamment la manipulation typée des annotations, le calcul de statistiques sur les corpus et l'évaluation automatique au niveau des entités selon le standard MUC-5. Cet outil facilite ainsi la gestion, le nettoyage et l'évaluation de jeux de données annotés à grande échelle, tout en restant accessible à la communauté NLP.

Le projet Dolodoc vise à développer une application mobile pour aider au quotidien les patients souffrant de douleurs chroniques, en motivant les utilisateurs à adopter de nouveaux comportements et en les aidant à trouver des activités réconfortantes.

Le vieillissement de la population entraîne une charge de travail croissante pour équipes soignantes et proches aidants, c’est pourquoi il y a un réel besoin en technologies d’assistance à domicile. Le projet GUARDIAN introduit un compagnon social robotique dont le but est de soutenir les trois catégories d’utilisateurs impliqués, c’est-à-dire les soignants à domicile, les proches aidants et les personnes âgées nécessitant une assistance.

Le projet vise à soutenir les aînés souffrant de problèmes cardiaques dans leur transition entre soins aigus (hôpital) et soins communautaires (domicile) en introduisant un système d’encadrement basé sur un robot afin de les aider à suivre les modalités de traitements post-hospitalisation ainsi qu’à adopter des changements de mode de vie.

Les problèmes cognitifs représentent un soucis de santé récurrent chez la majorité des personnes âgées qui ne sont pas assez stimulés au quotidien. Pour tenter de limiter l’aggravation de ces troubles, le projet engAGE développe un robot social permettant d’exercer sa mémoire de manière ludique, peu coûteuse et efficace. Le but est d’apporter une aide supplémentaire  à ses personnes et de stabiliser leur état, voire l’améliorer, grâce à un soutien technologique. Bien que ce projet s’intéresse principalement aux personnes âgées qui souffrent de problèmes cognitifs, il exclut de son étude les personnes qui sont à un stade trop avancé ou atteints de démence, car trop vulnérables pour une étude sur l’IA. Cependant l’entourage de ces personnes, proches aidants, soignants, voire les institutions spécialisées correspondent à l’étude, le but de ce projet étant également de leur apporter une forme de soutien.

InfoKids est un projet joint avec la réception pédiatrique et le service des urgences. Son but est d’améliorer la gestion des patients consultant les urgences pédiatriques, en fournissant des informations avant, durant et après leur visite. Les utilisateurs peuvent trouver des conseils par rapport aux symptômes observés, aux processus de soins et aux temps d’attente.