Classification et qualification assistées des déclarations d'événements indésirables
Pré-trier et pré-qualifier un flux de déclarations d'événements indésirables (EI, presqu'accidents) par thématique, gravité présumée et processus concerné, pour concentrer le temps humain sur l'analyse.
Gestionnaire de risques · Responsable Qualité & GDR (sanitaire) — Outils : Claude Chat, Claude for Excel
🩺 Données de santé — anonymisation requise. Ce cas manipule des données
de santé ou des données sensibles (art. 9 RGPD ; secret, art. L.1110-4 CSP). Règle d'or :
jamais de données identifiantes dans un outil IA non certifié —
anonymiser/pseudonymiser systématiquement avant tout traitement. Voir Gouvernance et garde-fous.
Données requises
Export de déclarations d'EI strictement anonymisées/pseudonymisées (verbatims sans données identifiantes) — fictif pour l'atelier
Nomenclature interne de classification
Échelle de gravité en vigueur dans l'établissement
Résultat attendu
Déclarations classées par catégorie et criticité présumée, doublons repérés, signalements prioritaires mis en avant.
Garde-fous
Jamais de données patient identifiantes dans un outil IA non certifié HDS.
La qualification finale (notamment EIGS) reste une décision humaine et réglementaire.
L'IA propose, l'équipe qualifie. (Voir la section Gouvernance.)
Prompt prêt à l'emploi
Tu assistes une cellule qualité-gestion des risques. À partir des déclarations d'événements indésirables fournies (100 % fictives, sans aucune donnée identifiante), réalise : 1) un classement de chaque déclaration par thématique (chute, médicament, identitovigilance, comportement, logistique, autre) et par niveau de gravité présumé ; 2) le repérage des doublons ou événements liés ; 3) une liste des déclarations à analyser en priorité, avec justification. Ne conclus jamais sur la qualification réglementaire d'un EIGS : signale seulement les cas à examiner par un professionnel. N'invente aucun fait absent du texte.
Jeu de données fictif
30 déclarations d'événements indésirables synthétiques d'un établissement fictif.
Tous les jeux de données du site sont 100 % fictifs/synthétiques — aucune donnée réelle,
aucune donnée de santé.
Mode atelier
Durée : 90 min
Objectifs
Pré-trier un flux de déclarations en protégeant les données
Young et al., « A systematic review of natural language processing for classification tasks in the field of incident reporting and adverse event analysis », Journal of Biomedical Informatics (2019, PubMed 31630063) — primaire, à comité de lecture.
HAS — modèle d'apprentissage supervisé avec traitement automatique du langage développé pour aider à la classification des EIGS selon 9 thématiques (bilan annuel EIGS) — primaire.
Statut de fiabilité : C Corroboré — sources secondaires.
Pourquoi ce cas
La littérature académique conclut que le NLP « peut générer une information utile à partir de
données non structurées dans le domaine spécifique de la classification des déclarations
d’incidents ». La HAS elle-même a développé un modèle d’apprentissage supervisé pour classer les
EIGS selon 9 thématiques. Temps gagné : le pré-tri d’un flux volumineux, au profit de
l’analyse à valeur ajoutée.
Points de vigilance
Les déclarations contiennent des données de santé et des données sensibles (art. 9 RGPD) :
anonymisation stricte avant tout traitement — cette fiche porte le badge 🩺 et renvoie à la
section Gouvernance et garde-fous. La qualification réglementaire (EIGS) ne se
délègue jamais à l’outil.
Comment le jouer
Anonymisez en amont : le contrôle des identifiants directs et indirects précède tout envoi.
Ne confiez à l’IA que le pré-tri ; la cellule qualifie.
Comparez régulièrement le pré-tri de l’outil et la qualification humaine pour détecter les
dérives.