Étude de cas illustrative : faire dialoguer des systèmes hospitaliers (et pourquoi cela peut prendre 18 mois de plus que prévu)
Retour aux analyses
Clients et projets

Étude de cas illustrative : faire dialoguer des systèmes hospitaliers (et pourquoi cela peut prendre 18 mois de plus que prévu)

2025-10-01
15 min de lecture

À retenir

"Ce que représente réellement la mise en œuvre de FHIR sur 14 systèmes hérités."

Octobre 2025

Scénario illustratif : cet article est un exemple composite, rédigé pour montrer comment se déroule un projet de ce type. Il ne décrit pas un client nommé, et les chiffres sont illustratifs.

Le problème dans ce scénario

Je ne vais pas mentir : quand nous avons lancé ce projet début 2024, je pensais que nous aurions terminé en six mois. La façade FHIR et le pipeline d’oncologie sont entrés en production par étapes à partir de la mi-2024 ; l’intégration des soins sociaux, la pièce la plus difficile, n’a commencé à porter ses fruits que ces derniers mois. Nous sommes maintenant fin 2025 et nous trouvons tout juste notre rythme à l’échelle du réseau entier.

Le réseau de santé de ce scénario réunit trois groupes hospitaliers qui desservent environ 3,5 millions de personnes. Sur le papier, ils avaient « fusionné » cinq ans plus tôt. Dans les faits, leurs systèmes restaient totalement isolés.

Voici ce que cela signifiait concrètement : une patiente âgée arrive aux urgences après une chute. Le médecin voit dans le système de son hôpital qu’elle est allergique à la pénicilline. Très bien. Ce qu’il ne voit pas :

  • L’évaluation de sécurité à domicile réalisée par les services sociaux deux semaines plus tôt
  • Le fait qu’elle suit une chimiothérapie expérimentale au centre de cancérologie de l’autre côté de la ville
  • Les données de sa pharmacie de quartier, qui montrent qu’elle ne prend en réalité que la moitié de ses médicaments

Ce n’est pas théorique. Ce genre de lacune est courant dans les réseaux de santé fusionnés, et les patients peuvent subir un préjudice lorsque les dossiers ne sont pas partagés.

Architecture défaillante

Pourquoi leur architecture existante ne fonctionnait pas

Ils disposaient déjà d’une infrastructure d’intégration... un moteur d’interfaces qui traitait chaque jour des millions de messages HL7 v2. Le problème ? Il ne reposait que sur des connexions point à point et une messagerie en mode « push ».

Imaginez la situation suivante : quelqu’un vous a envoyé un e-mail important il y a trois mois, mais il a été bloqué par votre filtre antispam. Pour vous, cette information n’existe pas. C’est ainsi que leurs systèmes fonctionnaient.

Le vrai casse-tête a été de connecter le service des soins sociaux. Leur intégration « moderne » était un tunnel VPN sur mesure qui convertissait des fichiers CSV en messages HL7. Trois développeurs avaient mis deux mois à le construire. Nous avions 200 cliniques de soins primaires à connecter. Faites le calcul.

L’équipe de recherche était encore moins bien lotie. Elle voulait des données précises (tailles de tumeurs, valeurs de biomarqueurs), mais tout était enfermé dans des comptes rendus d’anatomopathologie au format PDF. Quelqu’un recopiait littéralement les données à la main dans des tableurs.

Ce que nous avons réellement construit

La stratégie de la façade (ou comment ne pas tout remplacer)

La première question que tout le monde pose : « Avez-vous arraché tous les anciens systèmes ? »

Non. Surtout pas. Cela aurait coûté des dizaines de millions de dollars et pris des années.

Nous avons plutôt construit ce que l’on appelle une façade FHIR. Voyez-la comme un traducteur placé au-dessus des anciennes bases de données. Les systèmes hérités restent exactement là où ils sont, mais lorsque quelqu’un fait un appel d’API moderne (comme GET /Patient/12345), la façade le traduit en la requête SQL ou la recherche HL7 obscure dont l’ancien système a besoin.

Cela a très bien fonctionné pour les données simples. Pour les données complexes d’oncologie ? Il nous fallait quelque chose de plus costaud.

Pipeline de données d’oncologie

Le pipeline d’oncologie (là où les choses se sont compliquées)

Les comptes rendus d’anatomopathologie arrivaient en PDF, en fichiers XML, parfois même en images scannées. Nous avons construit un pipeline :

  1. Ingestion – Les comptes rendus circulent par des flux Kafka
  2. Analyse syntaxique – Un service ETL décompose les PDF et le XML
  3. Mapping FHIR – Conversion en ressources FHIR conformes (Patient, Observation, Specimen)
  4. Anonymisation – Suppression des informations personnelles identifiables avant l’accès des chercheurs

Présenté ainsi, cela paraît net. Dans la réalité ? Nous avons passé trois mois rien qu’à trouver comment extraire de façon fiable les dimensions des tumeurs dans les PDF, parce que chaque anatomopathologiste met en forme ses comptes rendus à sa façon.

La crise d’identité

Avant de pouvoir partager la moindre donnée clinique, il a fallu résoudre le problème du « qui est cette personne ? ».

L’hôpital A connaissait « Martha J. Jones » (ID : 111). Les services sociaux connaissaient « Martha Jones » (ID : 999). Le centre de cancérologie connaissait « M. Jones » (ID : ABC-7734).

Nous avons mis en place un Master Patient Index à partir de la ressource Patient de FHIR et de l’opération $match. Désormais, lorsqu’on interroge le système sur un patient, il trouve le « golden record » et relie les trois identités.

La première fois que nous l’avons exécuté sur des données de production, nous avons trouvé environ 8 000 dossiers patients en double. Certaines personnes avaient quatre identifiants différents dans le réseau.

Master Patient Index FHIR

Là où nous avons réellement innové : l’intégration des soins sociaux

C’était la partie la plus difficile et, honnêtement, celle dont je suis le plus fier.

Les systèmes hospitaliers utilisent des codes médicaux normalisés comme SNOMED-CT et LOINC. Les dossiers de soins sociaux ? Des notes en texte libre comme « La patiente marche avec difficulté » ou « A besoin d’aide pour les courses ».

Nous avons utilisé les ressources CarePlan et Consent de FHIR d’une manière que je n’ai vue nulle part ailleurs :

CarePlan : le plan d’accompagnement de l’assistant social s’affiche directement sur l’écran de l’infirmière de sortie de l’hôpital. Non pas en pièce jointe PDF, mais sous forme de données structurées et exploitables.

Consent : celui-ci est essentiel. Nous avons construit des contrôles de consentement granulaires, de sorte qu’un patient puisse autoriser le partage de son statut VIH avec l’hôpital, mais pas avec l’administrateur de la maison de retraite.

Pour le texte libre, nous avons fait passer l’ensemble par un moteur de NLP qui associait « marche avec difficulté » au code SNOMED correspondant à une mobilité réduite. Du jour au lendemain, lorsqu’un médecin cherchait des problèmes de mobilité, les dossiers de soins sociaux apparaissaient, alors qu’ils étaient au départ de simples textes.

Sécurité (ou comment nous avons évité le cauchemar de la fuite de données)

Ouvrir des API entre organisations rend les responsables de la sécurité nerveux. À juste titre.

Nous avons utilisé SMART on FHIR, qui délègue en pratique l’autorisation à OAuth 2.0. Voici comment cela fonctionne concrètement :

Un médecin clique sur « Voir le dossier communautaire » dans son système Epic. Cela lance notre application dans une iframe, en transmettant le contexte (quel utilisateur, quel patient). Notre serveur d’autorisation vérifie ses identifiants et ses droits. S’ils sont légitimes, il reçoit un jeton d’accès limité exactement à ce dont il a besoin. Par exemple un accès en lecture seule aux Observations, rien d’autre.

Nous avons frôlé l’incident en phase de test : le jeton de quelqu’un n’expirait pas correctement. Cela a été corrigé rapidement.

Sécurité FHIR

Ce qui a réellement changé

Depuis la mise en production de la façade FHIR à la mi-2024 :

Les examens de laboratoire en double ont baissé de 30%, car les médecins des urgences pouvaient enfin voir les résultats récents des centres spécialisés. C’est de l’argent réel et un vrai confort pour les patients. Personne n’aime se faire piquer deux fois.

La préparation de la sortie est passée de quatre jours à un jour et demi. Il se trouve que lorsque l’équipe de sortie de l’hôpital voit instantanément le plan de soins sociaux, elle cesse de se renvoyer des appels téléphoniques pendant trois jours.

Les erreurs médicamenteuses ont reculé de 18%. Nous avons regroupé les prescriptions hospitalières et les délivrances des pharmacies de ville dans une seule vue MedicationStatement.

L’équipe de recherche a ramené la constitution de cohortes de quatre mois à deux semaines. Elle publie désormais des articles, au lieu de consacrer tout son temps à manipuler des données.

Données FHIR

Ce que nous avons appris (à la dure)

Ne mappez pas tout. Nous avons d’abord voulu convertir chaque champ de chaque base héritée vers FHIR. Après trois mois, nous n’avions presque pas avancé. Nous avons radicalement changé de cap : ne mappez que ce qui est cliniquement critique pour votre cas d’usage. Tout le reste peut attendre la v2.

Validez sans pitié. Au début, de mauvaises données faisaient planter nos applications. Nous avons mis en place une validation stricte à la passerelle d’API. Si un système envoyait une ressource Patient sans date de naissance (obligatoire dans notre profil), nous la rejetions avec un message d’erreur détaillé. Les systèmes ont très vite amélioré la qualité de leurs données.

Le problème culturel est plus difficile que le problème technique. Les assistants sociaux ne voulaient pas d’un identifiant de plus ni d’un système de plus. Nous avons intégré notre visionneuse FHIR directement dans leur outil de gestion de dossiers existant, au moyen d’une iframe. Ils ne savaient même pas qu’ils utilisaient une « nouvelle technologie ». Cela fonctionnait simplement dans leur interface habituelle.

La suite

Les fondations posées, nous passons à l’aide à la décision. Nous mettons en œuvre CDS Hooks. Quand un médecin prescrit un médicament, un service vérifie les données FHIR à la recherche de contre-indications et peut afficher une alerte en temps réel.

Nous entraînons aussi des modèles de ML sur les données anonymisées pour prédire le risque de réhospitalisation, en combinant données cliniques et déterminants sociaux. C’était impossible tant que tout restait cloisonné.

CDS Hooks FHIR

Si vous envisagez un projet de ce type : prévoyez plus de temps que vous ne le pensez, obtenez très tôt l’adhésion du personnel clinique et, surtout, n’essayez pas de résoudre tous les problèmes dans la version 1.

Je suis ravi d’entrer dans les détails si vous êtes confronté à des défis similaires. Les erreurs que nous avons commises ? Vous n’avez pas à les répéter.

Vous souhaitez discuter de vos enjeux d’interopérabilité ? Mettons-nous en contact.

Besoin d’un conseil en ingénierie ?

Dites à l’équipe GTEMAS ce que vous construisez et échangez-en avec un expert.

Parler à un expert