Normes relatives aux données sur les soins infirmiers : Avenir et orientations au Canada
En savoir plusComment écrire un article et le publier dans une revue scientifique de haut niveau?
En savoir plusCentre de recherche en gestion des services de santé de l’Université Laval
École d'été 2022: Gestion des services de santé en contexte franco-québécois
En savoir plus89e Congrès de l'Acfas
En savoir plusKelly Agnew
Stagiaire au premier cycle
Medical Physics Unit
Université McGill
L'expérience du cancer et l'incertitude qui l'entoure est anxiogène. Le soutien par les pairs est un moyen de réduire l'incertitude non clinique de cette expérience. Le groupe informatique Opal Santé cherche à évaluer l'efficacité d'un algorithme d'appariement de soutien par les pairs basé sur l'intelligence artificielle (IA) et incorporé dans le portail patient Opal. Ceci dans l'espoir de faciliter les programmes de soutien par les pairs pour les patient.e.s atteints de cancer ainsi que leurs aidants au Québec.
Notre travail s'est concentré sur la conception architecturale, le développement et la démonstration d'une application Web autonome sous forme de preuve de concept utilisée pour démontrer les résultats de différents algorithmes d'appariement alimentés par l'IA sur les données des patient.e.s testés.
Ridhi Mittal
Stagiaire au premier cycle
Medical Physics Unit
Université McGill
Le soutien par les pairs aux patient.e.s atteints de cancer est un outil bénéfique pour les patient.e.s actuels et les patient.e.s passés qui peuvent partager des expériences vécues. Cependant, le soutien par les pairs actuel est inefficace car il est préparé manuellement et repose sur un coordinateur pour jumeler les patient.e.s en fonction de seulement quelques facteurs connus.
Cette étude de recherche examinera les moyens de développer des algorithmes d'appariement alimentés par l'IA qui permettront d'apparier plus efficacement les patient.e.s atteints de cancer en fonction d'un ensemble de facteurs plus large et plus complexe. Dans ce projet de recherche, nous concevons et développons un algorithme d'appariement par IA pour le projet OncoBuddy/OncoConseil et évaluons son efficacité pour garantir que les appariements recommandés se concluront par un soutien par les pairs approprié. Nous comparons deux modèles d'IA existants (c'est-à-dire l'algorithme d'acceptation différée et l'algorithme génétique) et testons les modèles sur des données synthétiques de patient.e.s que nous avons générées avec des inférences statistiques de la base de données Opal existante et de Statistique Canada. Une fonction d'aptitude dérivée de recherches antérieures déterminera l'efficacité des algorithmes d'appariement.
En conclusion, nous avons généré un ensemble de données synthétiques de 1770 patient.e.s à utiliser à des fins de formation et de test, mis en œuvre plusieurs algorithmes d'IA et déployé un prototype de tableau de bord en direct.
Angele Wen
Stagiaire au premier cycle
Medical Physics Unit
Université McGill
Les patient.e.s atteints de cancer vivent beaucoup d'événements pendant leur traitement. Malgré le soutien de la famille et des amis, ceux-ci ne comprennent pas entièrement la réalité des patient.e.s. Le soutien d'autres patient.e.s ayant vécu une expérience similaire pourrait donc être bénéfique pour de nombreux patient.e.s atteints de cancer.
Le groupe informatique Opal Santé développe deux programmes d'accompagnement des patient.e.s atteints de cancer pour le portail patient Opal: OncoBuddy et OncoConseil. OncoBuddy est un système de soutien qui associe des patient.e.s atteints de cancer à des patient.e.s volontaires (nous les appelons "buddies") sur la base d'un algorithme d'appariement qui prend en compte des critères sélectionnés par les patient.e.s eux-mêmes. OncoConseil, quant à lui, met en relation les patient.e.s avec des fils d'informations susceptibles de les intéresser, tels que des trucs et astuces pour vivre une expérience plus fluide pendant le traitement.
Ce projet se concentre sur la recherche de critères de sélection pour la construction de l'algorithme d'appariement. A partir d'entretiens semi-structurés avec des patient.e.s atteints de cancer, nous allons extraire un panel de critères de sélection les plus importants pour les patient.e.s, tels que le type de cancer, l'âge et le sexe du binôme, le stade du cancer, etc.
Wanjin Li
Candidate à la maîtrise
Medical Physics Unit
Université McGill
Un portail patients est une technologie de soins de santé émergente qui a montré des effets prometteurs dans l'amélioration de l'expérience de soins des patient.e.s et la promotion de leurs résultats de santé. Opal, un portail numérique centré sur le patient, est actuellement disponible pour les patient.e.s du Centre du cancer des Cèdres du Centre universitaire de santé McGill (CUSM). Opal offre un accès en temps réel à des informations personnelles sur la santé (rendez-vous à venir, notes cliniques, résultats de laboratoire, etc.) en conjonction avec du matériel éducatif spécifique à la maladie et au traitement. Ce projet vise à quantifier l'impact initial du portail patient Opal sur les résultats opérationnels et santé-économiques au Centre du cancer des Cèdres.
Nous mettons à profit les données des patient.e.s du portail patient Opal et du CUSM. La méthode principale consiste à utiliser des scores de propension pour construire une cohorte appariée pour comparer les résultats opérationnels et l'utilisation des ressources entre les utilisateurs d'Opal et les non-utilisateurs. Notre intérêt concerne les résultats incluant les rendez-vous manqués, les visites aux urgences, les hospitalisations, les demandes de dossier médical et les rendez-vous à la clinique de fertilité.
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.