- Text Mining
- SAS
Contexte & challenges
Siemens Healthineers façonne l’avenir des soins de santé avec une large gamme de produits et de services innovants. Cette entreprise de pointe dans le domaine de la technologie médicale se concentre toujours sur la sécurité des patients et du personnel. Cette sécurité est assurée, entre autres, par une documentation et une évaluation méticuleuses de tous les cas de service pour les équipements médicaux. Dès qu’un incident susceptible de mettre en danger la sécurité ou les patients se produit, les lois de nombreux pays exigent une notification officielle. Si un incident n’est pas signalé, cela peut avoir de graves conséquences pour le fabricant.
Afin d’optimiser et de sécuriser davantage ce processus, Siemens Healthineers et notre équipe d’experts en données ont développé une procédure permettant d’analyser et d’évaluer automatiquement les champs de texte libre des notifications de service. Cette procédure vise à réduire considérablement l’effort requis pour l’examen manuel des notifications de service non accélérées, qui prend beaucoup de temps, et à améliorer encore la qualité.
La sécurité d’abord
Il est extrêmement rare qu’un cas de service remplisse les critères de notification aux autorités. Le nombre d’événements réellement pertinents identifiés est négligeable. Et pourtant : la sécurité est la priorité absolue en matière de technologie médicale, c’est pourquoi tous les rapports doivent être examinés en détail. Les autorités nationales compétentes procèdent à des audits pour s’assurer qu’aucun cas de service n’est négligé par les entreprises. Siemens Healthineers a mis en place un processus d’escalade en deux étapes à cette fin, qui implique dans un premier temps l’enregistrement et l’analyse d’un cas de service. Les employés du centre de service ou les techniciens de service sur place sont spécifiquement formés pour identifier directement la pertinence d’une notification de service par rapport à un problème de sécurité potentiel. Si un tel cas se présente, l’information est immédiatement transmise à une équipe d’experts qui procède à un examen interne approprié. Dès que la suspicion est confirmée, la notification aux autorités est immédiatement effectuée. Il s’agit d’une procédure bien rodée qui, heureusement, ne doit être effectuée que très rarement. Et pourtant : le défi reste de savoir comment assurer l’efficacité du processus d’escalade et le respect correct des exigences légales.
Fiable et automatisé au lieu d’être contrôlé manuellement
Jusqu’à présent, Siemens Healthineers s’appuyait sur des échantillons aléatoires statistiquement représentatifs et sur leurs tests manuels – une tâche très complexe et très fatigante pour les experts. Il est évident que l’utilisation de méthodes d’analyse assistées par ordinateur. Toutefois, il ne s’agit pas simplement d’évaluer les données existantes. Les cas de service sont trop individuels pour être décrits à l’aide de modules de texte prédéfinis. C’est pourquoi les employés utilisent des champs de texte libre pour documenter les événements. Dans une première approche, une recherche par mot-clé a été utilisée pour identifier ensuite les cas pertinents en matière de sécurité. Cette grille s’est rapidement révélée beaucoup trop grossière. L’objectif : la vérification et l’évaluation automatisées de tous les cas de service achevés de manière fiable et vérifiable sur la base de l’exploration de textes.
Notre approche
Préparation des données pour le text mining
Il fallait d’abord former le système de fouille de textes. Par quels contenus peut-on identifier les incidents critiques ? Afin d’élaborer un modèle, notre équipe d’experts en données a d’abord compilé les textes à évaluer provenant de diverses sources dans un tableau du SAS DI Studio, puis les a nettoyés.
Par la suite, il a fallu supprimer toutes les clauses qui n’ont été incluses dans le titre de service par les employés qu’après l’escalade. Les noms et les adresses électroniques n’ont pas non plus d’importance pour l’escalade, de sorte qu’ils ont également dû être filtrés. Une fois les textes nettoyés, ils ont été systématiquement analysés dans le SAS Enterprise Miner et différents algorithmes statistiques concurrents ont été développés pour les différents groupes de produits. L’application utilisant les données de formation a ensuite montré quel algorithme répondait le mieux aux critères d’évaluation prédéfinis. En général, l’exploration de textes fournit un résultat qui indique la probabilité qu’un incident lié à la sécurité soit impliqué. Si le score d’un ticket qui n’a pas encore été escaladé est supérieur à la valeur seuil déterminée pour chaque ligne de produits, le ticket est à nouveau vérifié manuellement. En fait, les valeurs de notre modèle de notation de l’équipe de données correspondaient à l’évaluation des experts, de sorte que le système a passé le dernier test critique.
Bénéfices
Siemens Healthineers introduit le text mining pour la vérification de tous les titres de service aux États-Unis et en Allemagne. Tous les tickets remplis sont transférés quotidiennement à l’entrepôt central de l’entreprise, transmis à la plateforme SAS Analytics et évalués avec le système de text mining. Les avantages du text mining sont évidents :
- Tous les billets sont contrôlés, et pas seulement des échantillons aléatoires
- Les tests peuvent être effectués beaucoup plus rapidement
- Réduction significative de l’effort manuel
Bien sûr, l’équipe du projet a intégré un contrôle de qualité pour l’exploration de textes elle-même : Tous les tickets de service – même ceux qui ont été augmentés – passent par le Text Mining. Cela permet de vérifier si les tickets déjà connus et pertinents pour la sécurité sont correctement reconnus par l’algorithme. L’équipe a également attaché une grande importance à la simplicité d’utilisation de l’ensemble du système. Si nécessaire, l’ensemble du processus de notation peut être rapidement adapté ou étendu pendant le fonctionnement productif sans connaissances approfondies de SAS. Dans l’ensemble, les résultats du projet de text mining pour l’équipe Siemens Healthineers sont tout à fait positifs : le text mining fonctionne de manière entièrement automatique et permet d’obtenir les résultats requis. En outre, la preuve a été apportée que le processus d’escalade manuel détecte et transmet de manière fiable les cas pertinents pour la sécurité.
Grâce à nos
Auteur
