Cette page liste des exemples d’utilisation des knowledge graphs (KG) en santé, avec des sources publiques pour chaque cas d’usage et des éléments pratiques pour décideurs et chefs de projet. Les affirmations sont sourcées aux travaux et études cités en bas de page.
Le Knowledge Graph en santé : quoi et pour qui
Un knowledge graph en santé relie des entités hétérogènes pour représenter des connaissances médicales et opérationnelles. Les nœuds typiques comprennent patients, maladies, gènes, médicaments et procédures ; les liens traduisent des interactions, prescriptions ou cooccurrences. Cette définition et ces composants sont décrits dans des revues et synthèses académiques récentes.
Les publics ciblés par ces projets sont les directions des systèmes d’information d’établissement de santé, les équipes R&D en pharma/biotech, les data scientists cliniciens et les responsables d’innovation. Les revues et études citées mettent en avant ces profils comme bénéficiaires et acteurs des déploiements de KG en santé.
Le rôle attendu d’un KG varie selon le cas : consolidation de données pour analyses biomédicales, support à la recherche pharmaceutique, représentation patient-360 ou couche symbolique pour expliquer des modèles ML. Ces usages sont synthétisés dans plusieurs articles et guides industriels.
Ce qu’on y trouve : cas d’usage concrets par catégorie
Les publications et études répertorient des cas d’usage structurés. Chaque sous-section ci-dessous donne une phrase descriptive suivie d’une source publique.
Recherche biomédicale et drug discovery / repurposing
Les KG sont utilisés pour intégrer données biologiques et pharmacologiques afin de repérer relations plausibles entre cibles, composés et maladies ; Hetionet et PrimeKG sont cités comme plateformes illustratives de ces approches.
Support à la décision clinique (CDSS) et patient-360
Des knowledge graphs permettent de relier dossiers électroniques, recommandations et données structurées pour construire des vues longitudinales du patient et enrichir des systèmes d’aide à la décision clinique ; cette utilisation est discutée dans des revues et dans des présentations industrielles comme Mayo Clinic Platform.
Extraction et normalisation sémantique des dossiers (NLP + mapping)
Les KG servent de backbone pour normaliser concepts extraits des EHR et mapper vers des ontologies comme UMLS ou SNOMED, facilitant l’interopérabilité et l’analyse transversale des données cliniques.
Explicabilité et raisonnement pour ML/IA
On emploie les KG comme couche symbolique pour améliorer l’explicabilité des modèles et pour formaliser des Decision Knowledge Graphs (DKG) exploitables en question-answering sur des guidelines cliniques.
Gestion des connaissances opérationnelles
Les KG sont aussi utilisés pour structurer le medical coding, la gestion des références littéraires et le fact-checking scientifique interne, contribuant à une gouvernance documentaire plus cohérente dans les organisations de santé.
Comment on y va : acteurs, prérequis et données nécessaires
Plusieurs travaux et guides industriels décrivent le portage de projet comme une collaboration interdisciplinaire. Les acteurs habituels identifiés sont les équipes IT/DSI, des cliniciens ou experts métiers, des data scientists et une gouvernance projet dédiée.
Les sources mentionnent les types de données nécessaires : dossiers patients structurés et non structurés (EHR), ontologies et référentiels (UMLS, DrugBank), littérature biomédicale et bases publiques. Ces ressources constituent la matière première des KG et figurent explicitement dans les revues et études de cas.
À haut niveau, la construction passe par ingestion des sources, normalisation sémantique, alignement ontologique et création de liens entre entités. Les guides industriels comme celui d’AWS présentent un schéma d’architecture combinant KG, bases vectorielles et LLM pour des applications de type medical intelligence et RAG.
Les études notent que l’intégration technique et l’opérationnalisation nécessitent une réflexion sur gouvernance, qualité des données et interopérabilité avant les phases d’expérimentation à l’échelle.
Quand y aller : situations où un KG apporte une valeur
Les sources identifient des contextes propices au lancement d’un projet KG : nécessité d’intégrer des sources multiples, projet de drug repurposing, besoin d’explicabilité pour des modèles IA, ou construction d’une vue patient-360 multi-sources.
Les revues et synthèses signalent aussi que l’adoption clinique reste en progression et que la maturité des cas d’usage varie selon la disponibilité des données, la couverture des connaissances et les usages cliniques ciblés.
Avant d’investir, les publications recommandent d’aligner l’objectif métier avec des indicateurs d’évaluation et de prévoir des évaluations d’impact clinique avant toute intégration dans le parcours patient.
Ce que le visiteur doit savoir avant : risques, éthique et gouvernance
La gouvernance des données est un point central : conformité au RGPD, anonymisation, gestion des consentements et traçabilité des transformations des données figurent parmi les préoccupations récurrentes dans la littérature. Les revues recommandent des cadres clairs de gouvernance avant toute exploitation clinique.
Parmi les limites opérationnelles identifiées : couverture et complétude des KG, scalabilité, intégration aux workflows cliniques et méthodes d’évaluation d’impact. Ces défis sont documentés dans plusieurs synthèses et revues récentes.
La littérature insiste sur la nécessité d’évaluations rigoureuses pour mesurer l’efficacité opérationnelle et clinique des solutions basées sur KG avant une adoption à large échelle.
Liens utiles et exemples / études de cas
Hetionet — étude de cas pour intégration biologique et repurposing
PrimeKG — plate-forme citée pour analyses biomédicales
Mayo Clinic Platform — article sur l’usage des KG en santé
AWS Prescriptive Guidance — exemple d’architecture KG + vector DB + LLM
Ontotext — catalogue de cas d’usage en life sciences et healthcare
Sources et lire aussi
From Data to Wisdom: Biomedical Knowledge Graphs for Real-World Data Insights — PMC. ncbi.nlm.nih.gov
Scoping review of knowledge graph applications in biomedical and healthcare sciences — medRxiv. medrxiv.org
Life Sciences and Healthcare Use Cases with Knowledge Graphs — Ontotext. ontotext.com
Knowledge Graphs Can Move Healthcare into the Future — Mayo Clinic Platform. mayoclinicplatform.org
Use case: Building a medical intelligence application with augmented patient data — AWS Prescriptive Guidance. docs.aws.amazon.com
Patient-centric knowledge graphs: a survey of current methods, challenges, and applications — Frontiers. frontiersin.org
Decision Knowledge Graphs: Construction of and Usage in Question Answering for Clinical Practice Guidelines — arXiv. arxiv.org
Capturing Semantic Relationships in Electronic Health Records Using Knowledge Graphs: An Implementation Using MIMIC III Dataset and GraphDB — PMC. ncbi.nlm.nih.gov
A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises — arXiv. arxiv.org
Milvus blog — use cases synthèse. milvus.io
Mise en garde éditoriale
Cette page informe sur des usages technologiques et décrit des recherches et exemples publiés. Elle ne remplace pas un avis clinique ni une évaluation réglementaire locale. Toute initiative à visée clinique doit être appuyée par des évaluations et autorisations locales et reposer sur des méthodes d’évaluation publiées et appropriées.
