Qualité des données de santé : la mesurer selon l’usage

Avant toute autre, une question : la donnée est-elle rattachée au bon patient ? Le rapprochement d’identité, l’Identité nationale de santé en France et la provenance comme condition de la confiance sont traités dans notre article sur l’interopérabilité. Une fois l’identité sûre, six questions décrivent la qualité d’une donnée. Le cadre de l’EMA les regroupe autrement, l’unicité sous la cohérence et la traçabilité sous la fiabilité, mais elles s’y retrouvent toutes.

Exactitude

La donnée représente-t-elle correctement la réalité qu’elle décrit ? Elle se vérifie par comparaison avec une source qui fait autorité et par des contrôles de plausibilité. Une valeur improbable signale une erreur possible, pas une erreur certaine : elle appelle une vérification, pas une correction automatique.

Complétude

Les éléments nécessaires à l’usage sont-ils présents ? Un dossier peut être volumineux et incomplet sur le point décisif. La complétude se mesure sur un ensemble défini à l’avance : date, unité, statut, contexte et provenance.

Cohérence

Les données utilisent-elles les mêmes conventions et se contredisent-elles ? Un médicament actif dans une liste et arrêté dans un compte rendu est une contradiction à résoudre, pas à masquer.

Fraîcheur

La donnée est-elle assez récente pour la décision ? Une allergie ancienne peut rester pertinente, alors qu’un poids ou une fonction rénale exige une date adaptée à l’usage.

Unicité

Deux enregistrements proches décrivent-ils le même événement ? Pas forcément : l’EMA rappelle que deux mesures distinctes qui donnent la même valeur ne sont pas un doublon. Fusionner trop vite peut effacer une évolution réelle. Conservez l’identifiant de la source et la chronologie.

Provenance

Qui a produit la donnée, quand, avec quelle méthode, à partir de quelle source ? Une mesure de laboratoire, une saisie du patient, une extraction de document et une estimation algorithmique n’appellent pas la même confiance, et doivent rester distinguables.

Une valeur sans contexte perd son sens. Pour un résultat biologique, conservez l’unité, l’intervalle de référence, la méthode lorsqu’elle est connue, le laboratoire et la date. Pour un médicament, distinguez prescrit, délivré, déclaré pris et arrêté : c’est tout l’enjeu d’un historique médicamenteux fiable. Pour un objet connecté, gardez le modèle, l’algorithme, la qualité du signal et les conditions de mesure, comme pour toutes les données de vie réelle.

Surtout, ne transformez pas une absence en valeur normale. « Non renseigné », « non mesuré » et « négatif » sont trois états différents, et l’écran doit les montrer comme tels.

Pour chaque cas d’usage, une fiche suffit à fixer les exigences : la décision qu’il soutient, les données minimales, la source prioritaire, le délai de fraîcheur, les règles d’unité, les tolérances, le traitement des données manquantes et la personne qui valide.

Une alerte sur la fonction rénale avant une prescription n’a pas les exigences d’un graphique pédagogique : le niveau de contrôle se proportionne au risque de la décision. Le cadre de l’EMA va dans ce sens : les seuils d’acceptation, un taux de complétude par exemple, se fixent au regard de la question posée.

Méfiez-vous en revanche des règles universelles du type « tout champ doit être rempli ». Elles poussent aux valeurs par défaut et à la fausse complétude. Un champ manquant explicite vaut mieux qu’une information inventée pour passer un contrôle.

Une correction ne doit pas effacer l’histoire. Conservez la valeur initiale, l’auteur, le motif, la date et la nouvelle valeur. Les analyses et les modèles doivent pouvoir dire quelle version ils ont utilisée. Les standards le prévoient : dans FHIR, la ressource Provenance décrit l’activité qui a créé, révisé ou signé une version d’une donnée, les acteurs impliqués et le moment où elle a eu lieu.

La chaîne de traçabilité part de la source et suit chaque étape : extraction, transformation, stockage, affichage, usage. Lorsqu’une IA extrait une information d’un document, conservez le document, la zone d’où vient l’information, la version du modèle et son niveau de confiance. Une extraction peu sûre ne s’affiche pas comme un fait : définissez ce qui doit être validé par un professionnel avant d’entrer dans la synthèse clinique.

C’est l’enjeu d’un jumeau numérique, qui réunit des sources par nature hétérogènes. Avec MyTwin pour les cliniciens, le jumeau numérique du patient se construit à partir du dossier médical, des examens, de l’imagerie, des traitements et des antécédents, puis s’enrichit des données que le patient génère entre les consultations. MyTwin formule des recommandations ; la décision clinique reste au professionnel, qui doit pouvoir remonter de chaque information à sa source.

La qualité n’est pas un nettoyage ponctuel. Un tableau de bord peut suivre le taux de champs critiques complets, les unités non conformes, les identités en conflit, les doublons, les corrections, les données hors délai et les alertes impossibles à calculer faute de donnée. Ventilez-les par source et par service : c’est ce qui fait apparaître les causes. Les indicateurs propres au transport, messages rejetés ou délai d’arrivée, relèvent de la qualité de l’intégration, décrite dans l’article sur l’interopérabilité.

Chaque indicateur doit mener à une action : corriger une interface, former une équipe, modifier une règle de transformation, remonter le problème au fournisseur ou suspendre une source. Et un bon taux global ne rassure pas à lui seul : une erreur grave peut se concentrer sur un champ rare et disparaître dans la moyenne.

Organisez une revue régulière avec les cliniciens, la qualité, les équipes data et sécurité, le délégué à la protection des données et des représentants des patients. Priorisez selon la gravité de l’erreur, sa fréquence et la difficulté à la repérer.

Pour un jeu d’entraînement, la qualité inclut la représentativité, la définition des étiquettes et la cohérence temporelle. Une étiquette mal choisie reproduit les biais des pratiques passées : prédire les dépenses de santé plutôt que la maladie en est un exemple connu, documenté par une étude publiée dans Science. De même, une variable enregistrée après l’événement ne doit pas servir à le prédire.

Séparez développement, validation et test. Documentez les exclusions, les transformations et les données manquantes : la CNIL rappelle que documenter les jeux de données en garantit la traçabilité, et recommande de surveiller la dérive des données en conditions réelles, c’est-à-dire l’écart entre les données d’entraînement et celles que le modèle rencontre. Changement de laboratoire, de capteur, de codage ou de population : la surveillance après déploiement est détaillée dans notre article sur l’IA en imagerie médicale, et l’usage de ces modèles pour prioriser le suivi dans celui sur la stratification du risque patient.

Le cadre juridique pousse dans le même sens. Le RGPD exige des données exactes et, si nécessaire, tenues à jour, et limitées à ce qui est nécessaire au regard des finalités. Collecter davantage n’est donc pas un réflexe neutre : chaque variable doit servir une finalité explicite et être protégée selon sa sensibilité.

1. Choisir un cas d’usage clinique précis.
2. Cartographier les sources et les transformations.
3. Définir les champs critiques et leurs règles.
4. Vérifier l’identité, les dates, les unités et la provenance.
5. Quantifier les données manquantes et les contradictions.
6. Organiser la validation et la correction humaines.
7. Suivre les indicateurs par source et par population.
8. Suspendre ou recalibrer quand la qualité ne suffit plus.

La qualité n’est pas une opération de nettoyage menée une fois pour toutes : c’est une propriété du système et du parcours, qui se surveille.