Révolutionnez la façon dont nous utilisons les données de santé

Dépôt national du diabète

Diabetes Action Canada a lancé avec succès le premier répertoire national sur le diabète au Canada. Cette nouvelle plateforme d'analyse sécurisée conçue et mise en œuvre par la Dre Michelle Greiver (Université de Toronto) et ses collègues contient désormais des informations sur plus de 110,000 personnes atteintes de diabète en Alberta, au Manitoba, en Ontario, à Terre-Neuve et au Québec, ainsi que le même nombre contrôles non diabétiques. Le répertoire national du diabète a été créé en collaboration avec le Réseau canadien de surveillance sentinelle en soins primaires https://cpcssn.ca , en utilisant des données de dossiers médicaux électroniques (DME) de soins primaires anonymisées et cryptées auxquelles peuvent accéder les chercheurs approuvés de Diabetes Action Canada pour des études basées sur la population et par observation. Le référentiel a depuis évolué pour accepter les résultats rapportés par les patients et faire l'expérience des mesures directement à partir des patients utilisant des tablettes numériques directement connectées aux DME. Les données provenant de sources de données administratives provinciales peuvent être liées aux personnes de chaque province pour fournir des données sur les déterminants sociaux de la santé et les résultats. Pour faciliter l'intégration des données, des accords de partage de données sont prévus avec les organisations provinciales membres du programme de recherche de la plateforme nationale de données SPOR.

En collaboration avec le Fields Institute Center for Quantitative Analysis and Modeling (Fields-CQAM), le Vector Institute for Artificial Intelligence et des chercheurs de la Dalla Lana School of Public Health de l'Université de Toronto, nous avons organisé un atelier de données de deux jours en juin. 17th  th 2019. Les stagiaires et les chercheurs confirmés ont appliqué des analyses avancées à l'ensemble de données anonymisé au sein de notre répertoire national sur le diabète. L'exercice a permis de mieux comprendre la faisabilité de l'utilisation de modèles avancés de modélisation mathématique et d'apprentissage de l'intelligence artificielle sur des données canadiennes de DME dans un environnement informatique sécurisé haute performance. À l'aide de deux environnements de test, les résultats de cet atelier ont montré que nos données peuvent être utilisées pour: 1) l'apprentissage automatique pour prédire les réponses des patients aux inhibiteurs SGLT2 avec une grande précision en fonction de leurs dossiers de santé; et 2) l'intelligence artificielle pour identifier les caractéristiques des patients du sous-groupe, y compris leurs antécédents médicamenteux, qui sont associées à différentes trajectoires d'HbA1c. Ensemble, nous avons pu démontrer que l'intelligence artificielle et les analyses avancées pouvaient être appliquées à notre ensemble de données pour fournir des informations utiles aux patients et aux médecins dans la sélection des options de traitement pour gérer leur état.


Restez à jour avec des nouvelles et des événements