La chaîne de valeur moderne de l’imagerie et des données d’entreprise

Les améliorations de la productivité ont aidé un large éventail d’industries, à l’exception de l’industrie des soins de santé. De 1999 à 2014, la productivité dans le secteur des soins de santé n’a augmenté que de 8 %, tandis que d’autres industries ont réalisé des gains d’efficacité bien plus importants de 18 %. Bien que les comparaisons de productivité entre les industries aient tendance à être inexactes, elles montrent que les soins de santé sont loin derrière les autres industries en termes de productivité et de potentiel.

Pour améliorer de manière opérationnelle la productivité des soins de santé, deux choses doivent se produire. Premièrement, les données doivent être comprises comme un atout stratégique. Les données doivent être exploitées grâce à des solutions de flux de travail intelligentes et globales, ainsi qu’à l’utilisation de l’intelligence artificielle (IA) pour stimuler l’automatisation et placer le patient au centre de la chaîne de valeur de l’imagerie.

Deuxièmement, pour pouvoir parler de chaîne de valeur, les domaines de compétences doivent être connectés. La connexion doit être aussi transparente, ouverte et sécurisée que possible. L’objectif est de s’assurer que toutes les données pertinentes sont disponibles en cas de besoin pour les patients, les professionnels de la santé et les chercheurs médicaux.

Une solution logicielle d’imagerie d’entreprise moderne doit donner la priorité à l’optimisation des résultats, à l’amélioration des diagnostics et à l’amélioration de la collaboration.

Les soins de santé aujourd’hui : lacunes, goulots d’étranglement, silos

Les coûts et les conséquences de l’état fragmenté actuel des données sur les soins de santé sont considérables : inefficacités opérationnelles et duplications inutiles, erreurs de traitement et opportunités manquées pour la recherche fondamentale. La littérature médicale récente regorge d’exemples d’occasions manquées et de patients mis en danger en raison d’un manque de partage de données.

Plus de quatre millions de patients de Medicare sont renvoyés chaque année dans des établissements de soins infirmiers qualifiés (SNF). La plupart d’entre eux sont des patients âgés avec des conditions complexes, et la transition peut être dangereuse. Selon une étude de 2019 publiée dans le Journal américain des soins gérés, l’une des principales raisons pour lesquelles les patients s’en sortent mal pendant cette transition est le manque de partage des données de santé, y compris les informations manquantes, retardées ou difficiles à utiliser, entre les hôpitaux et les SNF. « Les faibles pratiques de soins de transition entre les hôpitaux et les SNF compromettent les résultats de qualité et de sécurité pour cette population », ont noté les chercheurs.

Même au sein des hôpitaux, le partage des données reste un problème majeur. Une étude de 2019 de l’American Hospital Association publiée dans la revue Soins de santé analysé les fonctions d’interopérabilité qui font partie du programme Promoting Interoperability, administré par les Centers for Medicare & Medicaid Services (CMS) des États-Unis et adopté par les hôpitaux américains éligibles. L’étude a montré que parmi 2 781 hôpitaux de soins aigus non fédéraux, seulement 16,7 % avaient adopté les six fonctionnalités de base requises pour atteindre les objectifs de la technologie de dossier de santé électronique certifié (CEHRT) de l’étape 3 du programme. L’interopérabilité des données dans le domaine de la santé n’est pas une évidence.

Les silos de données et les ensembles de données incompatibles restent un autre obstacle. Dans un article de 2019 dans la revue Informatique clinique du cancer JCO, les chercheurs ont analysé les données des archives d’imagerie du cancer (TCIA), en examinant spécifiquement neuf ensembles de données de recherche sur les poumons et le cerveau contenant 659 champs de données afin de comprendre ce qui serait nécessaire pour harmoniser les données pour l’accès aux études croisées. L’effort a pris plus de 329 heures sur six mois, simplement pour identifier 41 champs de données qui se chevauchent dans trois fichiers ou plus, et pour harmoniser 31 d’entre eux.