Description : Dans le domaine de la santé, il existe un nombre très important de sources de connaissances,
qui vont de simples terminologies, classifications et vocabulaires contrôlés à des
représentations très formelles, que sont les ontologies. Cette hétérogénéité des sources
de connaissances pose le problème de l’utilisation secondaire des données, et en particulier
de l’exploitation de données hétérogènes dans le cadre de la médecine personnalisée
ou translationnelle. En effet, les données à utiliser peuvent être codées par des
sources de connaissances décrivant la même notion clinique de manière différente ou
décrivant des notions distinctes mais complémentaires.Pour répondre au besoin d’utilisation
conjointe des sources de connaissances encodant les données de santé, nous avons étudié
trois processus permettant de répondre aux conflits sémantiques (difficultés résultant
de leur mise en relation) : (1) l’alignement qui consiste à créer des relations de
mappings (équivalence et/ou subsumption) entre les entités des sources de connaissances,
(2) l’intégration qui consiste à créer des mappings et à organiser les autres entités
dans une même structure commune cohérente et, enfin, (3) l’enrichissement sémantique
de l’intégration qui consiste à créer des mappings grâce à des relations transversales
en plus de celles d’équivalence et de subsumption.Dans un premier travail, nous avons
aligné la terminologie d’interface du laboratoire d’analyses du CHU de Bordeaux à
la LOINC. Deux étapes principales ont été mises en place : (i) le prétraitement des
libellés de la terminologie locale qui comportaient des troncatures et des abréviations,
ce qui a permis de réduire les risques de survenue de conflits de nomenclature, (ii)
le filtrage basé sur la structure de la LOINC afin de résoudre les différents conflits
de confusion.Deuxièmement, nous avons intégré RxNorm à la sous-partie de la SNOMED
CT décrivant les connaissances sur les médicaments afin d’alimenter la SNOMED CT avec
les entités de RxNorm. Ainsi, les médicaments dans RxNorm ont été décrits en OWL grâce
à leurs éléments définitionnels (substance, unité de mesure, dose, etc.). Nous avons
ensuite fusionné cette représentation de RxNorm à la structure de la SNOMED CT, résultant
en une nouvelle source de connaissances. Nous avons ensuite comparé les équivalences
inférées (entre les entités de RxNorm et celles de la SNOMED CT) grâce à cette nouvelle
structure avec les équivalences créées de manière morphosyntaxique. Notre méthode
a résolu des conflits de nomenclature mais s’est confrontée à certains conflits de
confusion et d’échelle, ce qui a mis en évidence le besoin d’améliorer RxNorm et SNOMED
CT.Finalement, nous avons réalisé une intégration sémantiquement enrichie de la CIM10
et de la CIMO3 en utilisant la SNOMED CT comme support. La CIM10 décrivant des diagnostics
et la CIMO3 décrivant cette notion suivant deux axes différents (celui des lésions
histologiques et celui des localisations anatomiques), nous avons utilisé la structure
de la SNOMED CT pour retrouver des relations transversales entre les concepts de la
CIM10 et de la CIMO3 (résolution de conflits ouverts). Au cours du processus, la structure
de la SNOMED CT a également été utilisée pour supprimer les mappings erronés (conflits
de nomenclature et de confusion) et désambiguïser les cas de mappings multiples (conflits
d’échelle).;
Pays