Bannière

Librairie

La qualité des données de santé ? Pour qui ? Pour quoi ? Comment s'y prendre ?

Présenté par

Observatoire international sur les impacts sociétaux de l’IA et du numérique

En ligne

Conférences midi

Cette conférence est organisée dans le cadre du Cycle de midi-conférences sur la gouvernance des données organisée par la professeure Anne-Sophie Hulin dans le cadre des travaux de la Chaire Justice sociale et intelligence artificielle – Fondation Abeona / ENS / OBVIA.

La diversité des sources de données dites de « vie réel » promet d’améliorer les capacités à soutenir non seulement la recherche, mais aussi les politiques de santé, la gestion et la pratique clinique. La réalisation de cette promesse nécessite l’utilisation combinée de données provenant de toutes les sources d’information (et pas uniquement celles hospitalières ou de médecine de ville) pour une description détaillée de l’état clinique des patients. La confiance dans ces données n’est pas encore acquise. Il existe en effet une remise en question croissante des analyses (incluant les prédictions par les algorithmes d’intelligence artificielle) issues de ces données, la transparence est nécessaire tout au long du processus de l’utilisation de la donnée, de la manière dont elle est collectée et intégrée à la manière dont elle est analysée. La qualité de la donnée est ainsi centrale. Ce webinaire discutera des enjeux de cette notion de « qualité des données » au vue de la grande diversité des acteurs (producteur et utilisateur des données) et des besoins d’analyses. Seront ainsi aborder les questions: comment concilier les différents besoins en matière de qualité de données ? et comment améliorer la transparence des analyses grâce à notre capacité à mieux identifier des données de vie réel de qualité?

Découvrir

Projet en vedette

Le cancer de la prostate est le deuxième cancer le plus fréquent et la cinquième cause de décès par cancer chez les hommes. Pour améliorer les résultats de santé des patients, le traitement doit être personnalisé en se basant sur un pronostic précis. Il existe déjà des nomogrammes permettant d’identifier les patients à faible risque de récidive sur la base d’informations cliniques préopératoires, mais ces outils n’utilisent pas les images médicales des patients.

Lire plus