Le traitement automatisé de données en médecine des assurances: fort potentiel ou simple conte des temps modernes?

OCR signifie «optical character recognition», soit «reconnaissance optique de caractères» en français ou encore, reconnaissance de texte automatique. Ce procédé consiste à reconnaître des lettres (caractères) en tant que telles. Dans un document médical par exemple, les blocs de texte sont distingués des éléments graphiques, les structures de lignes identifiées et les caractères individuels isolés. Pour finir, à l’échelle des mots ou des lettres, un logiciel OCR effectue une comparaison avec des schémas connus. Il est ainsi possible de comparer rapidement de très nombreux schémas, ce qui permet aussi de faire la distinction entre des caractères proches comme la lettre «B» et le chiffre «8». À l’origine, des polices de caractères ont été spécifiquement développées pour la reconnaissance de texte automatique. Mais les performances des ordinateurs modernes permettent désormais de reconnaître les polices courantes et même les écritures manuscrites [1, 2].

La technique OCR constitue une base précieuse pour l’extraction et le traitement des informations contenues dans les textes. La reconnaissance de texte permet de reconnaître caractères et mots en tant que tels. Toutefois, le cas d’application «Résumé du cas sur une frise chronologique» comportait une exigence technique supplémentaire: la possibilité de trouver des événements tels que des examens ou des opérations et des diagnostics dans des rapports médicaux, de les associer à une date et de les représenter dans l’ordre chronologique sur une frise. Or il faut pour cela davantage que la seule reconnaissance de texte, à savoir des dictionnaires médicaux appropriés pour la «comparaison de schémas», des règles, des modèles pour l’apprentissage automatique et une bonne dose de savoir-faire humain.

Un autre module technique est par ailleurs nécessaire, ce que l’on appelle le traitement automatique du langage naturel («natural language processing», NLP). Il s’agit d’une combinaison de différentes étapes permettant le traitement du langage parlé et écrit par la machine. Cette technique débouche sur des solutions capables de reconnaître une langue, de l’analyser et d’extraire son sens en vue d’un traitement ultérieur. Il existe dans ce domaine différents angles d’approche. Une solution de traitement de texte est offerte par le «modèle en pipeline de Sarrebruck» («Saarbrücker Pipelinemodell») qui repose successivement sur les étapes suivantes: 

1. Reconnaissance vocale 
2. Segmentation ou «tokenisation» (segmentation de la chaîne de lettres en phrases et en mots) 
3. Analyse morphologique (extraction des informations grammaticales pour ramener les mots à leur forme de base) 
4. Analyse syntaxique (analyse de la fonction structurelle, par exemple sujet, objet, article) 
5. Analyse sémantique (affectation d’une signification, par exemple le diagnostic) 
6. Analyse du dialogue et du discours (analyse de la relation entre des phrases qui se suivent)

Parmi les applications pratiques, on trouve aujourd’hui notamment la correction de texte automatique, la recherche d’informations dans de gros volumes de données linguistiques, la traduction dans d’autres langues et le traitement du langage parlé. Des progrès significatifs sont attendus dans les années qui viennent grâce à l’utilisation d’ordinateurs plus performants. À l’avenir, les domaines d’application pourraient par exemple s’étendre au résumé cohérent de textes longs, à l’écriture automatique de textes, à la reconnaissance de l’état d’esprit du locuteur et à la détection de figures de style comme l’ironie, les questions rhétoriques ou le sarcasme [3, 4].

L’apprentissage automatique joue ici un rôle central. Défini dès 1959 par Arthur Samuel, ingénieur électricien et informaticien américain, comme un champ d’application de l’intelligence artificielle, il utilise des méthodes statistiques pour donner à des systèmes informatiques la possibilité d’apprendre à partir de données sans avoir été explicitement programmés pour cela. De ce fait, des données génèrent de la connaissance. La connaissance ainsi générée peut être représentée au moyen de règles statistiques, de modèles ou de réseaux de neurones artificiels. Les données sont des expériences, des exemples ou des faits provenant de différentes sources. Les systèmes actuels peuvent apprendre des liens, des modèles, des règles, des structures et des «clusters» de façon entièrement autonome [5]. 

On distingue deux méthodes d’apprentissage automatique: l’apprentissage «supervisé» et «non supervisé», qui se distinguent essentiellement par les jeux de données d’entraînement utilisés et les possibilités d’application. Dans le cadre de l’apprentissage supervisé, la machine se voit proposer pour s’entraîner des jeux de données déjà répartis en différentes catégories, ce qui signifie que le bon résultat est connu et fourni pour l’entraînement. L’objectif est de faire en sorte que la machine apprenne des schémas pour être en mesure de les appliquer à des données inconnues par la suite. Cette méthode convient notamment à la classification, par exemple de documents médicaux (comptes rendus radiologiques, rapports de consultation, rapports opératoires). À l’inverse, dans l’apprentissage non supervisé, les jeux de données prédéfinis ne correspondent à aucune classification préalable. Cette méthode consiste à repérer rapidement des schémas ou des liens inconnus dans de très gros volumes de données [2]. 

Voilà pour la théorie, mais qu’en est-il de la pratique dans le cadre du projet de système expert de la Suva?

En coopération avec des spécialistes externes, un prototype offrant des possibilités de traitement automatisé des données a été développé (fig. 1). Ce prototype a ensuite été installé sur un serveur de la Suva dans le but de consolider le savoir-faire interne concernant la solution développée.

Entre-temps, le prototype de frise chronologique a été développé, de sorte qu’en plus de la représentation du déroulement du cas (liste de tous les documents médicaux dans l’ordre chronologique), il est désormais possible d’afficher également sur la frise un résumé du cas qui constitue une source d’information alternative dans le dossier électronique. Des points de différentes couleurs servent à représenter les diagnostics (marron), les opérations (rose) et les examens (bleu). Subdivisées en trois catégories («hospitalisation», «thérapies ambulatoires» et «autres thérapies»), les thérapies sont affichées sous forme de barres vertes. La frise offre une vue d’ensemble rapide, notamment dans les cas d’assurance complexes avec de très nombreux documents médicaux (fig. 3). 

La formule magique dans le monde d’aujourd’hui dominé par la technologie? Le «Big Data»! Où qu’on se trouve, on n’entend parler que de ça. Et pour cela, plus besoin de se tourner vers les géants de la technologie que sont Apple, Google and Co. Le thème du «Big Data» s’est depuis longtemps imposé chez nous aussi, en Europe et en Suisse. 

On évalue le volume actuel de données sur Internet à plus de 22 zettaoctets et on estime que celui-ci atteindra 1 yottaoctet (=1000 zettaoctets) en 2030. À titre de comparaison, le nombre total de grains de sable sur toutes les plages du monde s’élèverait à environ 1 zettaoctet, soit 10²¹ octets [5, 9].

Reste à savoir comment utilise toutes ces données. Les pionniers de l’analyse de données sont les grandes entreprises technologiques comme Google, Meta (anciennement Facebook), Amazon et autres. Prenons l’exemple de Meta: 2,5 milliards de contenus, 2,7 milliards de «likes» et 300 millions de photos y sont traités par jour, pour un nombre d’utilisateurs atteignant lui aussi plusieurs milliards [5]. De telles quantités de données étant impossibles à traiter par des personnes, on fait aujourd’hui appel à l’intelligence artificielle. 

Comme indiqué précédemment, ces données génèrent de la connaissance qui sert d’une part à l’entreprise et, d’autre part, contribue à améliorer la qualité grâce aux feed-back, car la machine apprend de ces retours et, ainsi, s’améliore en permanence (c’est ce qu’on appelle l’apprentissage automatique). Bien que cela soit sans commune mesure avec le volume de données brassées par Meta, la Suva aussi dispose d’un jeu de données très conséquent sous la forme de documents médicaux. Toutefois, ces données et les documents médicaux ne sont utiles à l’apprentissage automatique qu’à partir du moment où ils sont classés par catégories et où les événements et diagnostics qu’ils contiennent ont été repérés. On parle alors de données «étiquetées», et celles-ci sont nécessaires pour l’apprentissage «supervisé». 

Un contrôle qualité du système de traitement automatisé de données utilisé a montré qu’à la Suva, la machine avait encore des progrès à faire en matière d’apprentissage. Des collaboratrices et collaborateurs de la Suva ont marqué manuellement, dans plusieurs centaines de documents, la date d’établissement, les opérations, les examens et les diagnostics afin d’établir une base de données. La machine a ensuite analysé ces mêmes documents, ce qui a permis d’évaluer la qualité de son travail.

Les résultats de ce contrôle qualité associés au feed-back des utilisateurs ont montré que la qualité du traitement automatisé des données à la Suva pour le cas d’application concret «Résumé du cas sur une frise chronologique» n’était pas encore suffisante pour générer une plus-value par rapport à la méthode de travail actuelle. Une hausse notable de la qualité nécessiterait de meilleurs dictionnaires et plusieurs milliers d’événements et diagnostics repérés dans des documents médicaux (données «étiquetées»), ou bien le maximum de feed-back à partir desquels la machine pourrait apprendre. 

Quelle que soit la taille de l’entreprise, les données jouent le premier rôle dans le monde actuel. Cela explique l’insatiable appétit des grandes entreprises technologiques pour toujours plus de données, selon le principe «If data is good, more data is better».

La Suva a pu démontrer le fort potentiel du traitement automatisé des données à travers le projet «Système expert». Cependant, cela donne lieu également à des difficultés qu’il s’agit de surmonter.

La Suva est certes parvenue à mettre en œuvre une solution technique prometteuse avec son système expert, mais le principal défi reste la nécessaire hausse de qualité du traitement automatisé des données afin d’obtenir une réelle plus-value dans le travail quotidien des collaboratrices et collaborateurs du traitement des cas et de pouvoir utiliser la frise chronologique comme nouvel outil de travail. 

Les rapports médicaux sont un obstacle majeur, car ils sont soumis à la Suva dans les formats les plus divers et sont parfois encore rédigés à la main. Cela complique la reconnaissance de texte automatique et par là même, l’ensemble du processus de traitement automatisé des données. Une autre difficulté importante concerne l’extraction automatisée des diagnostics. Obtenir une qualité satisfaisante dans ce domaine serait prometteur, non seulement pour le traitement des cas d’assurance, mais aussi en vue de l’établissement des pronostics, ce qui serait utile dans le cadre de plusieurs processus désormais automatisés du traitement des cas. Du fait de la grande complexité de l’extraction des diagnostics, la réalité est moins encourageante. Il n’est pas certain qu’il soit possible d’obtenir un jour une qualité telle de l’extraction automatisée des diagnostics dans des documents médicaux qu’elle permette d’en déduire des pronostics fiables.

La voie vers l’amélioration de la qualité passe inéluctablement par les données «étiquetées». La Suva devra s’atteler à l’avenir à la saisie et à la gestion de données de ce type. Il faudra alors surmonter une autre difficulté à ne pas sous-estimer: arriver à motiver le personnel pour qu’il contrôle régulièrement le travail de la machine et donne des retours sous forme de feed-back. C’est en effet le seul moyen pour s’assurer que la machine fasse correctement son travail et qu’elle puisse apprendre des données qui lui seront retournées. Il faut parvenir à démontrer que la machine peut représenter une valeur ajoutée pour l’homme, car seul un bénéfice pour les collaboratrices et collaborateurs pourra justifier le surcroît de travail généré par le contrôle de la machine. Il conviendra de limiter le plus possible cette charge de travail supplémentaire grâce à des fonctions de feed-back adaptées afin qu’un maximum de retours puissent être collectés en continu, selon la devise «If feedback is good, more feedback is better»!