L'interopérabilité comme ADN

Plus qu'un mot-clé, l'interopérabilité en santé est l'intime raison d'être d'Arkhn. Arkhn réunit une équipe passionnée et experte sur les sujets de standards en santé - FHIR, HL7 v2, OMOP, HPRIM... - et les différentes terminologies - SNOMED, LOINC, CIM, UMLS... - permettant ainsi de garantir une interopérabilité syntaxique et sémantique de la donnée.

Des technologies open source et une architecture data de pointe

Le produit d'Arkhn est une architecture Data solide et fiable, utilisant des technologies open source de pointe et reconnues : Apache Kafka, Apache Spark, Parquet ou encore DBT. Contrairement aux solutions "black box" souvent obsolètes, les technologies que nous utilisons chez Arkhn vous garantissent une architecture claire, performante, maintenable et évolutive dans le temps.

L'IA en santé

Notre équipe a développé une expertise dans le domaine spécialisé de l'IA en santé, qui combine des méthodes avancées de NLP (l'IA appliquée au traitement automatique du langage) pour modéliser et structurer le vocabulaire médical, avec des technologies innovantes d'analyse de données respectueuses de la vie privée, telles que le Federated Learning et la Differential Privacy. Notre équipe collabore avec de nombreuses institutions dont la fondation OpenMined, référence internationale en privacy-preserving IA. Retrouvez toutes nos collaborations ainsi que nos travaux de recherche.

Sécurité des données

Nous suivons la politique générale de sécurité des systèmes d'information de santé pour tous les développements de nos solutions. Nous les déployons ensuite sans jamais faire sortir les données de l'établissement et nous les adaptons aux mesures de sécurité propres à chaque établissement. Nous développons un catalogue d'outils permettant de couvrir les différentes problématiques de sécurité : gestion fine et centralisée des droits d'accès, portail DPO, logs et journaux d'audit, pseudonymisation des données, partage sécurisé et sélectif de la donnée avec un tiers innovateur, etc. Nous sommes en conformité avec le RGPD et les recommandations de la CNIL.

Envie d'en savoir plus ?

Cas d'usages

Bénéficiez d'outils de pointe pour vous connecter en toute sécurité aux données de santé de vos établissements.

FHIR API

Notre entrepôt de santé est accessible via une API intégrée en FHIR qui permet à des réutilisateurs de requêter des données de santé structurées et en production.

Cette API convient parfaitement aux applications mobiles, tableaux de bord et autres outils de monitoring, qui peuvent ainsi accéder à des données riches en temps réel sans avoir à s'interfacer avec les différents logiciels médicaux.

API ENDPOINT
/Patient?birthdate<=2000-01-01&gender=female
JSON RESPONSE
{
  "resourceType": "Patient",
  "id": "757",
  "identifier": [ {
    "system": "http://starfleet-hospital/ufp/fhir/NamingSystem/Patient-identifier",
    "value": "NCC-1040"
  } ],
  "name": [ {
    "family": "Burnham",
    "given": [ "Michelle" ]
  } ],
  "gender": "female",
  "birthDate": "1954-10-24",
  "address": [ {
    "extension": [ {
      "url": "http://fhir.ufp/StructureDefinition",
      "valueString": "Earth"
    } ],
    "line": [ "9 rue d'Alexandrie" ],
    "city": "Paris",
    "postalCode": "75002",
    "country": "France"
  } ],
  "maritalStatus": {
    "coding": [ {
      "system": "http://terminology.hl7.org/CodeSystem/v3-MaritalStatus",
      "code": "U",
      "display": "unmarried"
    } ]
  }
},
"search": {
  "mode": "match"
}
}

FHIR Query

Nous proposons également une interface SQL pour requêter l'entrepôt FHIR, afin de faciliter le travail des projets de recherche en leur permettant de traiter des données de santé structurées à large échelle pour entraîner leurs modèles d'apprentissage.

Cela réduit considérablement le temps passé par les équipes à nettoyer les données et à déployer des architectures scalables dans les centres de soin, et leur permet de se focaliser sur la conception des modèles.

PYTHON
import fhir2dataset as query
sql_query = """
SELECT Patient.name.family, Patient.address.city
FROM Patient
WHERE Patient.birthdate = 2000-01-01 AND Patient.gender = 'female'
"""
query.sql(sql_query)
OUTPUT
100%|██████████| 1000/1000 [00:01<00:00, 16it/s]

  Patient.name.family        Patient.address.city
--------------------------------------------
0   Mozart                     Paris
1   Chopin                     London
2   Listz                      Vienna
...

Apprentissage fédéré

Entraîner un modèle sur plusieurs établissements permet d'aggréger plus de données et d'améliorer significativement sa précision sans avoir à centraliser les données. Grâce à nos partenariats avec des institutions à la pointe sur ce sujet, nous fournisoons une architecture intégrée pour entraîner des modèles sur l'ensemble de son réseau d'entrepôts de données. Vos équipes peuvent déployer leurs modèles rapidement sur toutes ces bases de données et peuvent également utiliser des outils pour améliorer la confidentialité de leurs modèles, tels que la differential privacy.

Cette approche d'apprentissage décentralisée appelée Federated Learning permet aux établissements de garder la souveraineté sur leurs données de santé. Vous pouvez en apprendre plus sur l'apprentissage fédéré sur notre page dédiée, pour comprendre par exemple comment il améliore la confidentialité des données.

PYTHON
model.train()

for data, target in federated_train_loader: # This is a distributed dataset
 model.send(data.location) # Send the model to the right location
 optimizer.zero_grad()
 output = model(data) # Operations are done remotely under the hood
 loss = F.nll_loss(output, target)
 loss.backward()
 optimizer.step()
 model.get() # Get the model back

Envie d'en savoir plus ?

Communauté Open Source

Les projets ambitieux ont besoin d'une communauté pour les soutenir
et ils doivent être accessibles au plus grand nombre
Venez discuter avec nous sur Slack pour découvrir nos dernières nouvelles et rejoindre le projet
Rejoignez-nous sur Github pour contribuer au développement d'Arkhn.
Restez au courant en nous suivant sur Twitter.
Nous soutenons la communauté OpenMined de Federated & Privacy-Preserving Machine Learning, en contribuant activement à la bibliothèque PySyft.