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.