HealthWhere : gagnante de l’Edmonton Accelerator Award 2022

HealthWhere

Membres de l’équipe

Kim Ngan Hoang, Pujitha Macha, Sai Gouthami Priyanka Raparthi, Alina Noor, Kathryn Gabriel

Sommaire

HealthWhere décode l’accès aux soins de santé à l’aide de cartes ciblant l’emplacement de divers établissements de santé à l’échelle du Canada. Les usagères et usagers potentiel-le-s sont donc en mesure de prendre des décisions fondées sur les données en toute connaissance de l’état de l’accès aux soins de santé. Apprenez-en davantage sur le projet ayant remporté l’Edmonton Accelerator Award 2022!

MOTS-CLÉS

accès aux soins de santé, Canada, apprentissage automatique, apprentissage semi-supervisé, cartographie des grappes, modèle logistique gaussien, accessibilité des données, cartes, bien commun.

Introduction

De plus en plus de Canadien-ne-s n’ont pas accès à un médecin de famille. Quand une large part de la population doit se contenter des cliniques sans rendez-vous achalandées pour ses besoins de base en matière de soins de santé, les affections chroniques ou les maladies comme le cancer peuvent être plus difficiles à diagnostiquer. Par ailleurs, lorsque les cliniques sans rendez-vous locales sont saturées en raison de la forte demande, cela amplifie la pression sur un système de soins d’urgence déjà surchargé qui doit également gérer un surplus de demandes. Or, un grand nombre de Canadien-ne-s renoncent à se faire soigner.

HealthWhere stats

Au Canada, l’accès aux soins de santé est difficile. Avec des ressources comme les médecins spécialistes et la capacité d’hospitalisation réparties dans diverses régions, cela peut être difficile à comprendre même pour les professionnels de la santé.

En outre, les disparités en matière d’accès aux soins de santé ont un effet préjudiciable disproportionné pour les personnes de couleur, les femmes, les personnes à faible revenu et les personnes handicapées. La qualité de notre système de santé concerne tout le monde, et ses lacunes sont encore plus durement ressenties par les groupes minoritaires.

Dans de nombreuses régions, les besoins en matière de soins de santé sont plus importants que la capacité régionale à en dispenser. Cependant, le problème est vaste et très nuancé. La visualisation des données et l’apprentissage automatique sont deux outils puissants pouvant être utilisés pour identifier des modèles émergents et éclaircir la situation.

NOTRE OBJECTIF

HealthWhere s’appuie sur des modèles d’apprentissage automatique pour comprendre l’accès aux soins de santé au Canada et créer des outils de visualisation cartographique détaillés qui permettent l’émergence de schémas de disparité d’accès aux soins de santé.

Les visualisations permises par HealthWhere donnent un aperçu des modèles d’accès aux soins de santé, en plus d’aider l’utilisatrice ou l’utilisateur à comprendre l’ampleur des besoins non comblés. Les prochains modèles se baseront sur un résultat combiné, inspiré de la couverture sanitaire universelle utilisée par l’Organisation mondiale de la Santé (OMS), pour évaluer dans quelle mesure chacune des régions sociosanitaires canadiennes répond aux besoins de sa population et pour déterminer comment l’ajout de ressources sanitaires dans une région aurait une incidence sur son résultat.

FONCTIONNEMENT DE HEALTHWHERE

HealthWhere lutte contre la disparité d’accès aux soins de santé en permettant la visualisation d’installations et de services de soins de santé dans l’ensemble des différentes régions du Canada afin d’offrir aux individus une plus grande compréhension et un meilleur accès aux services locaux.

Ensembles de données utilisés

Plusieurs aspects de l’accès aux soins de santé ont été examinés en consultation avec deux médecins (les Dres Ann Crabtree et Courtney Handford) et conformément à bon nombre de cadres d’évaluation de l’accessibilité aux soins de santé comme la couverture sanitaire universelle — cible utilisée par l’OMS pour évaluer la capacité des services et l’accès. Enfin, nous avons rassemblé des données en nous appuyant sur le temps d’attente pour les procédures prioritaires, le nombre de lits d’hôpital occupés par population dont l’état de santé est jugé faible et le nombre de médecins par ensemble de personnes, à partir des ensembles de données de l’Institut canadien d’information sur la santé (ICIS) et de Statistique Canada.

Technologies utilisées

Pour la composante d’apprentissage automatique, des modèles logistiques gaussiens (MLG) ont été utilisés pour générer des grappes de similarités en ce qui concerne l’accès aux soins de santé dans différentes régions. Une fois le MLG utilisé, nous avons analysé les résultats des grappes afin de déterminer ce que chacune représentait. Les résultats de cette analyse ont été visualisés sur une carte comprenant des vignettes de données spécifiques à chacune des régions sanitaires. Cette carte est convertie en HTML pour l’application Web. Nous avons fait appel à l’outil Figma pour créer les maquettes de l’application Web où nous allions afficher nos cartes ainsi que les explications détaillées de nos modèles et notre interprétation des résultats.

HealthWhere pipeline

Fonctionnalité

En déployant les cartes, l’utilisatrice ou l’utilisateur peut visualiser les installations et les services de soins de santé par région, puis effectuer un zoom avant ou arrière pour obtenir des renseignements spécifiques ou généraux. Il est également possible de cliquer sur une région pour voir apparaître une fenêtre contextuelle détaillant les données de la région sanitaire utilisées par notre modèle, ainsi que la probabilité qu’elles appartiennent à chacun des groupes générés par le MLG. Cela garantit la transparence et l’interprétabilité des données et du modèle.

HealthWhere map
Figure 1. Example of a user’s view when clicking on a health region.

L’utilisatrice ou l’utilisateur peut aussi personnaliser son mode de consultation de la carte pour en savoir plus sur les types de services, l’emplacement et la densité régionale de chacun des établissements de soins. Visitez https://healthwhereai.github.io/OverallHealthcareAccessMap oU https://healthwhereai.github.io/MentalHealthcareAccessMap pour en apprendre davantage sur notre produit.

HealthWhere map2
Figure 2. Example of a user’s view when choosing to view hospital density (displayed as a number) and location of each hospital (each point represents a hospital; the name of the hospital will be displayed when hovering over it).

HealthWhere représente un excellent cas d’usage, car l’enjeu visant à créer des grappes de données en fonction de certaines caractéristiques peut être résolu en utilisant un modèle d’apprentissage automatique. De plus, l’impact des résultats obtenus vient en aide à un grand nombre d’individus et de collectivités, en plus d’avoir le potentiel de fournir des renseignements quant à l’amélioration et à la facilité d’accès aux services et installations au sein des communautés. Qui plus est, les données sur les services et installations de toutes les régions canadiennes sont disponibles pour ce genre d’analyse.

NOTRE MODÈLE D’IMPACT

HealthWhere a été créé en consultation avec des expert-e-s. Nous avons mis au point un produit minimal viable (PMV). Au meilleur de nos connaissances, il n’existe aucune autre façon de visualiser les données sur l’accès aux soins de santé au Canada. Nous visons à avoir une incidence positive sur tout ce qui touche à l’accès aux soins de santé en apportant des solutions aux enjeux existants et en faisant évoluer la consultation des données médicales. Les responsables des politiques peuvent utiliser HealthWhere pour avoir un aperçu des disparités en matière d’accès aux soins de santé et prendre des décisions fondées sur les données. Sur un plan individuel, notre carte sert d’outil de sensibilisation sur le profil réel des soins de santé au Canada, ce qui permet aux individus de communiquer leurs préoccupations aux responsables des politiques de leur région. Tout au long du processus, nous garantissons la transparence et l’interprétabilité des données. Ces valeurs ont une importance primordiale quand on parle de données sur les soins de santé. HealthWhere s’engage à lutter pour cette cause et à améliorer la transparence des renseignements sanitaires dans l’ensemble du pays.

NOS DÉFIS

Notre plus grand défi a été les ensembles de données que nous avons dû utiliser pour l’analyse des soins de santé. De nombreux ensembles de données démontrent le fonctionnement du secteur des soins de santé au Canada, or nous avons besoin d’une grande connaissance du domaine pour les interpréter et comprendre les résultats que l’on peut en tirer. La plupart de ces ensembles de données comprennent de l’information d’archives datant de plus d’une décennie. Ainsi, le nettoyage des données a aussi posé un défi. Mais nous avons suivi le processus rigoureusement, car nous estimons que les données sont à la base de notre projet. Nous avons choisi des ensembles de données diversifiés incluant une grande variété de catégories; il a donc été difficile de les relier entre elles afin de former un ensemble de données combinées pour l’analyse. Notre décision quant à savoir comment modéliser le problème — comme un problème supervisé ou non — n’était pas claire pour nous à la base, tandis qu’une foule d’idées nous est venue à l’esprit après avoir vu notre ensemble de données final. Nous avons relevé tous ces défis en collaboration avec nos mentor-e-s, en particulier notre assistante d’enseignement Paige Tuttosi. Elle nous a éclairé-e-s en mettant en relation notre problème avec son expérience pour ensuite nous guider dans la recherche de solutions à mettre en œuvre. Les expertes — Dres Ann Crabtree et Courtney Handford — nous ont également offert une aide précieuse, en nous faisant part de suggestions et de pistes pour mieux comprendre les données et en tirer les conclusions qui nous ont permis d’en venir à notre solution finale au problème identifié.

LEÇONS TIRÉES DU LAB

Nous sommes fier-ère-s, car nous avons eu la chance de rencontrer et de collaborer avec plusieurs expert-e-s d’un bout à l’autre du Canada qui apportent d’énormes contributions au domaine de l’intelligence artificielle. Tout au long du programme du Lab, nous avons appris à sortir des sentiers battus pour une tâche donnée, à interpréter les solutions envisagées et à déterminer si elles sont durables. De plus, le Lab a été l’hôte de nombreux ateliers sur la gestion du flux de projets, sur la réflexion associée aux différents aspects du problème et, surtout, sur les connaissances techniques et spécifiques au domaine nécessaires à la mise en œuvre de solutions d’apprentissage automatique. Nous avons compris comment la collaboration et les habiletés diversifiées pouvaient mener à d’excellents résultats pendant le développement. Tous nos collègues possèdent des compétences diverses, allant de l’unité initiale à l’unité finale, ce qui nous a aidé-e-s à concevoir une solution visuellement attrayante, mais aussi une unité finale robuste capable de fournir des données à l’utilisatrice ou à l’utilisateur. Nous sommes ravi-e-s d’avoir pu étudier l’apprentissage automatique et créer une solution pouvant être utilisée pour le bien commun et qui profite à la société. Notre plus grand accomplissement est d’avoir remporté l’Edmonton Accelerator Award, car ce n’est pas qu’un simple prix : c’est un encouragement pour tous les membres de l’équipe et, surtout, une récompense pour le dur labeur accompli dans le cadre de ce projet.

PROCHAINES ÉTAPES

Voici les prochaines étapes que nous devrons suivre. La synthèse de nouvelles données dans nos modèles nous permettra d’abord d’obtenir des renseignements encore plus complets. Nous espérons utiliser notre modèle logistique gaussien pour prédire comment la modification de certaines fonctionnalités dans une région aura une incidence positive ou négative sur l’accès aux soins de santé. Tout compte fait, nous espérons créer une application Web réactive qui serve de solution unique pour toutes les données relatives aux soins de santé. Certains de nos objectifs à plus long terme consistent à gérer des données pour des types de soins de santé plus spécifiques (pour l’instant, nous couvrons les soins psychiatriques, mais nous aimerions en inclure d’autres). Enfin, un jour, nous comptons explorer des ensembles de données afin d’analyser l’accès aux soins de santé à l’extérieur du Canada.

REMERCIEMENTS

Nous tenons à remercier les mentores Paige Tuttosi, Dre Courtney Handford, Dre Ann Crabtree, Jia Song et Kelly Zhang pour leur contribution précieuse et leur accompagnement tout au long du programme. Nous voulons aussi remercier l’équipe du AI4Good Lab de nous avoir permis d’apprendre et de développer notre projet, ainsi que pour son soutien continu.