@article{houyengah_departements_2016,
	series = {Colloque {Adelf}-{Emois} « {Système} d’information hospitalier et {Epidémiologie} »},
	title = {Les départements de l’information médicale, alerteurs dans le parcours des patients à risque à l’hôpital. {Expérience} des {CH} de {Valenciennes}, {Dunkerque} et {Romorantin}},
	volume = {64, Supplement 1},
	issn = {0398-7620},
	url = {http://www.sciencedirect.com/science/article/pii/S0398762016000717},
	doi = {10.1016/j.respe.2016.01.070},
	abstract = {Introduction
Face à la maladie, une bonne gestion du temps est un facteur protecteur. Les départements de l’information médicale (DIM) sont en capacité d’analyser des données hétérogènes et massives (big data) issues du cours normal du soin. Cette analyse (data reuse) peut contribuer à améliorer les soins en informant les soignants en temps réel 24/7.
Méthodes
Le système des vigilances est basé sur un principe de pots de peinture virtuels. Chaque peinture virtuelle est fabriquée pour un groupe de vigilants. Une peinture est versée sur un patient à l’occasion de déclencheurs. Lorsque le patient arrive dans une unité, change de chambre ou de lit, il laisse une trace. Au moment souhaité par le groupe référent de la peinture, une alerte reprenant toutes les traces est envoyée aux abonnés à la peinture. Il est, par ailleurs, possible en sélectionnant une unité fonctionnelle ou une période de retrouver par type de peinture les traces des patients. Ce système permet de mettre en place des précautions particulières sur les chambres éventuellement contaminées a posteriori ou de retrouver les patients qui sont passés dans ces lits ainsi que leurs voisins.
Résultats
Les utilisateurs ont en moyenne gagné :

– deux jours sur les hospitalisations (1000 euros d’économie) ;

– des soins de qualité précoces et ciblés.

Pour les patients dénutris suivis par les diététiciennes, on met en évidence un gain de deux jours et un suivi rapproché. Il apparaît déjà que dans plus de 50 \% des cas, les patients réadmis sont plus dénutris qu’au moment de leur sortie antérieure. L’outil permet également pour les patients BMR, BHRe et CONTACTS de juguler le risque dès l’entrée, cela 24/7.
Discussion/Conclusion
L’analyse de données massives à l’hôpital permet aux DIM dotés d’un entrepôt de données de faciliter les soins. Il est aujourd’hui possible d’identifier certains patients dès leur admission et d’alerter les différents acteurs afin d’orienter la prise en charge, ou simplement de gagner du temps et d’améliorer les chances du patient.},
	urldate = {2016-03-18},
	journal = {Revue d'Épidémiologie et de Santé Publique},
	author = {Houyengah, F. and Kyndt, X. and Durand-Joly, I. and Blanckaert, K. and Janssoone, N. and Chazard, E.},
	month = mar,
	year = {2016},
	keywords = {Entrepôt de données, Vigilance, ésBig data \& data reuse},
	pages = {S22},
}

{"_id":"aPJ3DjJoWJs3cwaje","bibbaseid":"houyengah-kyndt-durandjoly-blanckaert-janssoone-chazard-lesdpartementsdelinformationmdicalealerteursdansleparcoursdespatientsrisquelhpitalexpriencedeschdevalenciennesdunkerqueetromorantin-2016","author_short":["Houyengah, F.","Kyndt, X.","Durand-Joly, I.","Blanckaert, K.","Janssoone, N.","Chazard, E."],"bibdata":{"bibtype":"article","type":"article","series":"Colloque Adelf-Emois « Système d’information hospitalier et Epidémiologie »","title":"Les départements de l’information médicale, alerteurs dans le parcours des patients à risque à l’hôpital. Expérience des CH de Valenciennes, Dunkerque et Romorantin","volume":"64, Supplement 1","issn":"0398-7620","url":"http://www.sciencedirect.com/science/article/pii/S0398762016000717","doi":"10.1016/j.respe.2016.01.070","abstract":"Introduction Face à la maladie, une bonne gestion du temps est un facteur protecteur. Les départements de l’information médicale (DIM) sont en capacité d’analyser des données hétérogènes et massives (big data) issues du cours normal du soin. Cette analyse (data reuse) peut contribuer à améliorer les soins en informant les soignants en temps réel 24/7. Méthodes Le système des vigilances est basé sur un principe de pots de peinture virtuels. Chaque peinture virtuelle est fabriquée pour un groupe de vigilants. Une peinture est versée sur un patient à l’occasion de déclencheurs. Lorsque le patient arrive dans une unité, change de chambre ou de lit, il laisse une trace. Au moment souhaité par le groupe référent de la peinture, une alerte reprenant toutes les traces est envoyée aux abonnés à la peinture. Il est, par ailleurs, possible en sélectionnant une unité fonctionnelle ou une période de retrouver par type de peinture les traces des patients. Ce système permet de mettre en place des précautions particulières sur les chambres éventuellement contaminées a posteriori ou de retrouver les patients qui sont passés dans ces lits ainsi que leurs voisins. Résultats Les utilisateurs ont en moyenne gagné : – deux jours sur les hospitalisations (1000 euros d’économie) ; – des soins de qualité précoces et ciblés. Pour les patients dénutris suivis par les diététiciennes, on met en évidence un gain de deux jours et un suivi rapproché. Il apparaît déjà que dans plus de 50 % des cas, les patients réadmis sont plus dénutris qu’au moment de leur sortie antérieure. L’outil permet également pour les patients BMR, BHRe et CONTACTS de juguler le risque dès l’entrée, cela 24/7. Discussion/Conclusion L’analyse de données massives à l’hôpital permet aux DIM dotés d’un entrepôt de données de faciliter les soins. Il est aujourd’hui possible d’identifier certains patients dès leur admission et d’alerter les différents acteurs afin d’orienter la prise en charge, ou simplement de gagner du temps et d’améliorer les chances du patient.","urldate":"2016-03-18","journal":"Revue d'Épidémiologie et de Santé Publique","author":[{"propositions":[],"lastnames":["Houyengah"],"firstnames":["F."],"suffixes":[]},{"propositions":[],"lastnames":["Kyndt"],"firstnames":["X."],"suffixes":[]},{"propositions":[],"lastnames":["Durand-Joly"],"firstnames":["I."],"suffixes":[]},{"propositions":[],"lastnames":["Blanckaert"],"firstnames":["K."],"suffixes":[]},{"propositions":[],"lastnames":["Janssoone"],"firstnames":["N."],"suffixes":[]},{"propositions":[],"lastnames":["Chazard"],"firstnames":["E."],"suffixes":[]}],"month":"March","year":"2016","keywords":"Entrepôt de données, Vigilance, ésBig data & data reuse","pages":"S22","bibtex":"@article{houyengah_departements_2016,\n\tseries = {Colloque {Adelf}-{Emois} « {Système} d’information hospitalier et {Epidémiologie} »},\n\ttitle = {Les départements de l’information médicale, alerteurs dans le parcours des patients à risque à l’hôpital. {Expérience} des {CH} de {Valenciennes}, {Dunkerque} et {Romorantin}},\n\tvolume = {64, Supplement 1},\n\tissn = {0398-7620},\n\turl = {http://www.sciencedirect.com/science/article/pii/S0398762016000717},\n\tdoi = {10.1016/j.respe.2016.01.070},\n\tabstract = {Introduction\nFace à la maladie, une bonne gestion du temps est un facteur protecteur. Les départements de l’information médicale (DIM) sont en capacité d’analyser des données hétérogènes et massives (big data) issues du cours normal du soin. Cette analyse (data reuse) peut contribuer à améliorer les soins en informant les soignants en temps réel 24/7.\nMéthodes\nLe système des vigilances est basé sur un principe de pots de peinture virtuels. Chaque peinture virtuelle est fabriquée pour un groupe de vigilants. Une peinture est versée sur un patient à l’occasion de déclencheurs. Lorsque le patient arrive dans une unité, change de chambre ou de lit, il laisse une trace. Au moment souhaité par le groupe référent de la peinture, une alerte reprenant toutes les traces est envoyée aux abonnés à la peinture. Il est, par ailleurs, possible en sélectionnant une unité fonctionnelle ou une période de retrouver par type de peinture les traces des patients. Ce système permet de mettre en place des précautions particulières sur les chambres éventuellement contaminées a posteriori ou de retrouver les patients qui sont passés dans ces lits ainsi que leurs voisins.\nRésultats\nLes utilisateurs ont en moyenne gagné :\n\n– deux jours sur les hospitalisations (1000 euros d’économie) ;\n\n– des soins de qualité précoces et ciblés.\n\nPour les patients dénutris suivis par les diététiciennes, on met en évidence un gain de deux jours et un suivi rapproché. Il apparaît déjà que dans plus de 50 \\% des cas, les patients réadmis sont plus dénutris qu’au moment de leur sortie antérieure. L’outil permet également pour les patients BMR, BHRe et CONTACTS de juguler le risque dès l’entrée, cela 24/7.\nDiscussion/Conclusion\nL’analyse de données massives à l’hôpital permet aux DIM dotés d’un entrepôt de données de faciliter les soins. Il est aujourd’hui possible d’identifier certains patients dès leur admission et d’alerter les différents acteurs afin d’orienter la prise en charge, ou simplement de gagner du temps et d’améliorer les chances du patient.},\n\turldate = {2016-03-18},\n\tjournal = {Revue d'Épidémiologie et de Santé Publique},\n\tauthor = {Houyengah, F. and Kyndt, X. and Durand-Joly, I. and Blanckaert, K. and Janssoone, N. and Chazard, E.},\n\tmonth = mar,\n\tyear = {2016},\n\tkeywords = {Entrepôt de données, Vigilance, ésBig data \\& data reuse},\n\tpages = {S22},\n}\n\n","author_short":["Houyengah, F.","Kyndt, X.","Durand-Joly, I.","Blanckaert, K.","Janssoone, N.","Chazard, E."],"key":"houyengah_departements_2016","id":"houyengah_departements_2016","bibbaseid":"houyengah-kyndt-durandjoly-blanckaert-janssoone-chazard-lesdpartementsdelinformationmdicalealerteursdansleparcoursdespatientsrisquelhpitalexpriencedeschdevalenciennesdunkerqueetromorantin-2016","role":"author","urls":{"Paper":"http://www.sciencedirect.com/science/article/pii/S0398762016000717"},"keyword":["Entrepôt de données","Vigilance","ésBig data & data reuse"],"metadata":{"authorlinks":{}}},"bibtype":"article","biburl":"https://api.zotero.org/users/1597782/collections/MSB7W4UM/items?key=gxIPM4PJtMVcB8OpssCWodtP&format=bibtex&limit=100&start=100&sort=date","dataSources":["Ad3P6FkzWSCKrZQXc"],"keywords":["entrepôt de données","vigilance","ésbig data & data reuse"],"search_terms":["les","partements","information","dicale","alerteurs","dans","parcours","des","patients","risque","pital","exp","rience","des","valenciennes","dunkerque","romorantin","houyengah","kyndt","durand-joly","blanckaert","janssoone","chazard"],"title":"Les départements de l’information médicale, alerteurs dans le parcours des patients à risque à l’hôpital. Expérience des CH de Valenciennes, Dunkerque et Romorantin","year":2016}