Big Data : nouveau défi pour l hôpital universitaire? Pierre-François Regamey

Transcription

1 Big Data : nouveau défi pour l hôpital universitaire? Pierre-François Regamey

2 Défi? Vous avez dit défis? 2

3 Le responsable informatique face au big data 3

4 Plus sérieusement Le big data est «hype» C est vraiment prometteur dans notre domaine : génomique, médecine personnalisée, Watson, Mais comment valoriser au mieux nos données? Et que faire des craintes justifiées : sécurité, protection de la vie privée,? 4

5 Big data au CHUV? D où venons nous? Une petite histoire des données au CHUV Où en sommes-nous? Où allons-nous? Focus sur la recherche clinique : 1 er pas vers le big data 5

6 D où venons-nous? 6

7 D où venons-nous? 7

8 Les données cliniques Avant 1980, chaque service conservait les données de ses patients dans ses propres dossiers. En 1980 les interactions de plus en plus fréquentes des différents services ont conduit à un dossier patient unique (papier!) Avec l informatisation, le dossier patient devient transversal. 8

9 Un hôpital transversal, numérique et interconnecté Dossier patient institutionnel ehealth Dossier médical personnel Neurotech Project Biobanque Institutionnelle Lausannoise Projets de Recherche Human Brain Project

10 Applications IT : stratégie d achat et d intégration 200+ applications IT centrales 70+ applications cliniques Fragmentation des applications et des données

11 Par où le big data arrive-t il? Par la recherche clinique! Demande forte des chercheurs BIL Biobanque institutionnelle lausannoise + génomique Des initiatives fortes : Humain Brain Project, arrivée du Ludwig Institute La clinique viendra ensuite (contacts autour de Watson en oncologie, ) Des soucis : environnement très fragmenté Activités - Applications IT - Données Recherche vs clinique Et une superbe opportunité autour du DWH institutionnel comme fondation 11

12 Gartner says The best advice for information and analytics leaders that want to build a big data strategy is: don't. For two reasons. Big data is not a single topic to strategize for, and it requires experimentation first. Instead, take a "bimodal" approach, and grow into a more coordinated approach to big data. 12

13 La recherche au CHUV Le big data en soutien à la recherche clinique Quelques repères sur cette mission du CHUV Réalisations IT spécifiques Réseau académique Datacenter académique HPC High Performance Computing HBP Human Brain Project Focus : PSRC : Plateforme de Soutien à la Recherche Clinique IT-RC : Datawarehouse de Recherche Clinique

14 La recherche au CHUV Rattachée à la Faculté de Biologie et Médecine de l Unil Faire dialoguer la recherche fondamentale et la pratique médicale 640 cadres médicaux du CHUV sont également chercheurs 14

15 15

16 Carte stratégique de la DSI-CHUV Missions de l hôpital S1 Développer le SI clinique S2 Soutenir la recherche clinique et translationnelle S3 Implémenter le nouveau SIRH Clients et partenaires S4 Développer les échanges de données avec nos partenaires S5 Développer l accessibilité et la mobilité S6 Centrer l'environnement de travail sur l'utilisateur Processus internes S7 Gérer par priorités S8 Poursuivre la fiabilisation du système d information S9 Intégrer le processus d architecture d entreprise du SI Apprentissage et futur S10 Renforcer l'orientation service de la DSI 16

17 Approche bimodale (1) Réseau académique Prestation de gestion de data bases par nos DBA ACADEMIQUE HPC NAS ACAD Data ~10Gb Cifs HOSPITALIER serveurs NAS HOSP DataCenter BH10 + Longemalle ~10Gb HPC \\FILERC RDP ACADEMIQUE postes de travail Mail + DC RDP MesApplis HOSPITALIER postes de travail Campus pas de filtre filtres spécifiques INTERNET 17

18 Approche bimodale (2) Datacenter académique Création d un datacenter spécifique: Séparé du réseau et du datacenter clinique Accès plus ouvert vers le réseau académique (postes de travail) vers l extérieur (Internet) Hébergement adapté Climatisation Réseau électrique secouru Réseau informatique redondant et performant Accès physique sécurisé Détection incendie

19 Approche bimodale (3) HPC High Performance Computing Mise à disposition des chercheurs d un cluster de serveurs pour calculs parallèles 12 Serveurs 192 Cœurs Utilisé par divers groupes de recherche CHUV & Unil IUMSP / LREN / IRA / IMU 19

20 Projet phare Human Brain Project 20

21 Le HBP au CHUV Réalisations IT par le CHUV (comme partenaire clinique) Mise en place de serveurs dans le Datacenter académique Mise à disposition de données via le Datawarehouse Dépersonnalisation Déploiement et test des logiciels N.Rosat 21

22 PSRC - Plateforme de soutien à la recherche clinique Consolider - compléter les prestations existantes Développer de nouvelles prestations Construire un Datawarehouse RC Le CHUV et l UNIL ont décidé de concentrer leurs efforts de soutien à la recherche clinique dans une plateforme institutionnelle commune. OK 2014 Fév- Avr Rassembler -intégrer les compétences existantes Recruter de nouvelles compétences Construire ensemble un nouveau fonctionnement Plateforme SRC opérationnelle Fin 2017

23 La démarche du chercheur

24 Objectif CHUV/Unil: un accélérateur de découvertes Disease Target ID Target Validation Tractable hit to candidate Candidate selection to FTIM FTIM to PoC Phases II-III Lifecycle mgt Tractable hit to candidate Candidate selection to FTIM Phases II-III Lifecycle mgt 24

25 Datawarehouse de recherche clinique Consolider les informations cliniques des patients du CHUV en provenance des différentes applications du système d information du CHUV : dossiers patients, échantillons biologiques, analyses de laboratoire, données d imagerie, données et analyses génétiques, Mettre à disposition des médecins chercheurs des outils facilitant l exploration, l extraction et l utilisation de ces données à des fins de recherche. Offrir un environnement avec des temps de réponse acceptables lors des requêtes, sécurisation et journalisation des accès aux données, respect intégral des contraintes légales liées à la recherche humaine.

26 Plateforme technologique de demain Maturité technologique La PSRC aujourd hui Processus de création des cohortes long et peu outillé. Intégration des données cliniques et génomiques de manière semiautomatisée dans des systèmes externes. La PSRC de demain Intégration des données cliniques et génomiques. Outils de dernière génération pour aider les médecins chercheurs. Données sécurisées et dépersonnalisées. Fondations en place pour la prochaine étape; prédictif et analytique avancé. Analytique Prédictif Data warehouse Recherche Clinique Agrégation semi-automatique Temps

27 Gestion d études cliniques (1) 27

28 Gestion d études cliniques (2) 28

29 Plateforme technologique de la PSRC Réseau CHUV Données cliniques Données externes Réseau clinique Identité Patient Consentement Données Cliniques Données Génétiques Projets de recherche DWH RC Datamart Dépersonnalisation Outils d analyse Gestion des cohortes Reporting Extractions Analytique / Stats Analyse de texte Images/PACS VarApp Réseau académique Extractions Datamarts Labo pré-analytique Patient sample Réseau externe Séquençage Séquençage GTF Réseau UNIL/Vital-IT Data processing pipelines Données génétiques Réseaux externes

30 ITRC Analyse de risques Projet conjoint Définition de la cible à protéger / (Ré)évaluation Identification des mesures Identification des risques Utilisation de la méthode CORAS Evaluation des risques Estimation des risques

31 ITRC Analyse de risques : actifs identifiés Confiance du chercheur Échantillons sang Données génétiques Confiance du donneur Données cliniques Données de recherche Les risques relatifs à la confiance du chercheur seront étudiés dans une seconde phase Identité patient Consentement général Dans une 1 ère phase, l étude vise à identifier les risques relatifs à la confiance du donneur. Mandat de recherche

32 Processus concernés par l analyse de risque Prise en charge clinique SI clinique Service CHUV Registres cliniques E-CRF Soins Identité Echantillon sang ULP A Patient CHUV Gestion de Labos Identité Gestion CG Autres échantillons Autres biobanques Gestion consentement UCG Consentement général Données non codées, non dépersonnalisées Echantillon sang Sapphire Identité Sapphir e Données génétiques GTF VITAL-IT Données de Consentement recherche général Identité Données Données cliniques génétiques DWH- RC Consolide autour d une clé interne - Identité (HIPPA, IPP, Séjours,..) - Données cliniques (résultats et observation cliniques) + Données génétiques

33 Take home messages Big data big cloud big money! C est trop «big» pour un seul hôpital Collaborations et donc intéropérabilité sont indispensables Il est urgent de bien se préparer! Infrastructure (DWH, ) Compétences Sécurité 33

34 Merci pour votre attention! 34