Responsabile: Stefano Amici Tel.: 071740324 - 3331140521
Via Malviano, 6
Monte San Vito - Cod. Fisc. e P. IVA 01570990422
Scrivici a: ladamigiana_1@libero.it


Home >> Prédiction de la bactériémie à l’aide de TREAT, un système informatisé d’aide à la décision

Prédiction de la bactériémie à l’aide de TREAT, un système informatisé d’aide à la décision

Contexte La prédiction de l’infection sanguine au moment du sepsis permet de prendre des décisions de gestion appropriées et économiques. Méthodes Le système d’aide à la décision informatisé TREAT utilise un réseau probabiliste causal, calibré localement, pour prédire les cas de bactériémie. Les deux études ont été menées en Israël, en Italie et en Allemagne. Les données ont été recueillies de manière prospective et ont été introduites dans le système TREAT au moment où des échantillons de sang ont été prélevés en vue de leur culture. Dans la première cohorte, les patients ont été inclus. L’aire sous la courbe des caractéristiques du récepteur pour la prédiction de la bactériémie à l’aide du système TREAT était% intervalle de confiance [IC], – Nous avons utilisé les valeurs de prédiction de TREAT pour définir un seuil bas, intermédiaire, et les groupes à haut risque pour la bactériémie, en quoi h% de,% de, et% de patients étaient bactériémiques, respectivement. Dans la deuxième cohorte, les patients ont été inclus. La zone sous la courbe des caractéristiques de fonctionnement du récepteur était% CI, – La prévalence de bactériémie observée dans le bas, intermédiaire, et les groupes à haut risque définis par la première cohorte étaient respectivement% de patients,% de patients et% de patients priligy 30 mg. Les groupes à faible risque dans les cohortes comprenaient% -% de tous les patients. La performance était stable dans les sites. le système TREAT a réussi à stratifier les patients en fonction du risque de bactériémie. Les prédictions du système étaient stables à certains endroits. Le système TREAT peut définir un groupe à faible risque de patients hospitalisés avec suspicion de septicémie pour lesquels les hémocultures peuvent ne pas être réalisées. être nécessaire

La stratification des risques au moment de l’apparition de la maladie permet des décisions de gestion appropriées et économiques Parmi les patients infectés, la bactériémie laisse présager un mauvais pronostic et la capacité des cliniciens à prédire sa présence est faible bactériémie, même lorsque le risque est faible Il est actuellement accepté que seulement ~% -% des résultats d’hémocultures sont positifs, dont% -% des résultats représentent des contaminants Les coûts de réalisation et de manipulation du sang négatif et faux positif Les résultats de la culture sont significatifs Bates et al ont rapporté une augmentation% indépendante des frais hospitaliers totaux pour les patients ayant des hémocultures contaminées associées à des tests supplémentaires, un traitement empirique et une hospitalisation accrue. Un traitement empirique entraîne souvent une utilisation inutile de la vancomycine. des patients avec une très faible probabilité de bactériémie réduirait les coûts et empêcherait Traitement alternatif Le choix d’un groupe présentant une forte probabilité de bactériémie causée par des pathogènes spécifiques peut aider les prestataires de soins à choisir un traitement et à déterminer s’il faut effectuer de nouveaux tests coûteux. Les méthodes moléculaires d’identification rapide des agents pathogènes peuvent être utilisées cliniquement , mais ils sont susceptibles d’être rentables seulement chez les patients présélectionnés Nous avons développé un système d’aide à la décision informatisé TREAT basé sur un réseau probabiliste causal pour le diagnostic et le traitement des infections chez les patients hospitalisés Le réseau prédit les probabilités de pathogènes sur la base des variables cliniques disponibles au moment du traitement Il prédit également les probabilités de croissance des pathogènes dans la circulation sanguine et la détection des pathogènes dans les flacons d’hémoculturesNous avons évalué la capacité de TREAT à prédire la bactériémie dans une cohorte prospective de patients hospitalisés. les valeurs de prédiction de la bactériémie, nous avons déterminé les seuils définir les groupes à risque avec des risques et des prévalences de bactériémie croissants Nous avons appliqué les mêmes seuils à une deuxième cohorte prospective indépendante et évalué la prévalence de la bactériémie dans chacun des groupes à risque TREAT pour tester la stabilité des méthodes de prévision de la bactériémie de TREAT.

Méthodes

Le système TREAT

Le système TREAT est basé sur un réseau probabiliste causal CPN Un CPN consiste en un ensemble de variables et de liens dirigés entre ces variables Les liens reflètent les relations de cause à effet La force d’un effet est modélisée comme une probabilité Les unités de base du TREAT modèle sont des agents pathogènes Le modèle suit la pathogenèse de la figure d’infection Des explications supplémentaires peuvent être trouvées dans l’annexe

Figure AgrandirModèle simplifié du réseau probabiliste causal TREAT CPN Les unités de base du modèle sont des boîtes pathogènes pour lesquelles les probabilités sont déterminées par des facteurs de risque spécifiques au site, par exemple, présence d’un cathéter urinaire, lieu d’acquisition de l’infection, sexe et âge Pour la simplicité, des variables uniques sont montrées: pathogène Escherichia coli, sites d’infection des voies urinaires et des infections abdominales, un seul médiateur de sepsie, les pathogènes provoquent des infections locales, qui provoquent des signes locaux ou des symptômes systémiques de septicémie. et signes de septicémie fièvre et frissons Des pathogènes causant des infections peuvent être trouvés dans des échantillons locaux Ecoli_urin; Ecoli_local et dans le sang La présence de bactéries dans le sang peut être détectée dans des flacons aérobies et anaérobies Ecoli_Aerob; Ecoli_Anaerob Chaque noeud CPN représente un tableau de probabilité. Une explication supplémentaire peut être trouvée dans l’AppendiceFigure View largeTélécharger le modèle simplifié du réseau probabiliste causal TREAT CPN Les unités de base du modèle sont des boîtes de pathogènes pour lesquelles les probabilités sont déterminées par des facteurs de risque spécifiques au site. présence d’un cathéter urinaire, lieu d’infection, sexe et âge des infections des voies urinaires Les agents pathogènes provoquent des infections locales qui provoquent des signes ou des symptômes locaux de diamants et des signes systémiques de sepsis par des médiateurs du sepsis. Par simplicité, les variables individuelles sont: pathogène Escherichia coli , des sites d’infection des voies urinaires et des infections abdominales, un médiateur de sepsis unique, et des signes de septicémie de la fièvre et des frissons. Des agents pathogènes provoquant des infections peuvent être trouvés dans des échantillons locaux Ecoli_urin; Ecoli_local et dans le sang La présence de bactéries dans le sang peut être détectée dans des flacons aérobies et anaérobies Ecoli_Aerob; Ecoli_Anaerob Chaque nœud CPN représente une table de probabilités. Des explications supplémentaires peuvent être trouvées dans l’annexe. Différences entre les probabilités universelle et locale Les probabilités universelles ne changent pas localement ou temporellement Elles incluent les sensibilités et les spécificités des symptômes, des signes et des tests diagnostiques; la probabilité de bactériémie étant donné un site d’infection connu; prévalence de conditions ou facteurs spécifiques, p. ex. présence d’une valvule cardiaque prothétique Les probabilités de ces variables étaient basées sur des revues systématiques publiées ou sur notre propre compilation de la littérature disponible. La majorité des variables du CPN sont calibrées localement; la prévalence des agents pathogènes dans les différents sites d’infection, la prévalence des agents pathogènes pour la culture hémorragique, la sensibilité aux antibiotiques, la prévalence de certaines conditions sous-jacentes, par exemple, la toxicomanie, etc .. TREAT a été étalonné aux hôpitaux en utilisant des données locales. Les données d’entrée comprenaient les caractéristiques démographiques des patients, les conditions de base, les dispositifs, par exemple, la présence d’un cathéter, les signes vitaux, les résultats des tests de laboratoire, les symptômes et les signes pertinents pour l’infection, et radiologique disponible par exemple, la radiographie thoracique et microbiologique, par exemple, les résultats de coloration locale de Gram Le système utilise autant de données que disponibles; les données manquantes sont traitées à l’aide de probabilités calibrées localement prédéfinies dans le CPN

Cohortes

Cohorte La première cohorte était constituée de patients inclus dans une étude observationnelle du système TREAT L’étude a été menée sur des sites: Rabin Medical Center, Beilinson Campus Israël, qui comprend des départements de médecine interne, pour la période de juillet à janvier; Hôpital universitaire de Fribourg en Allemagne, qui comprend les départements de médecine interne, pour la période de juillet à janvier; Hôpital Gemelli à Rome en Italie, qui comprend les départements des maladies infectieuses, pour la période de mars à septembre Tous les patients ayant rempli les critères d’inclusion pour lesquels des échantillons de sang ont été prélevés pour la culture ont été inclus dans la présente étude. pour le syndrome de réponse inflammatoire systémique ; les patients à qui l’on avait prescrit des antibiotiques mais pas pour la prophylaxie; les patients avec un foyer d’infection; patients avec choc, avec des symptômes compatibles avec le choc septique; les patients présentant une neutropénie fébrile; et tous les autres patients à qui des échantillons de sang ont été prélevés pour cultureData ont été recueillis prospectivement au moment où des échantillons de sang ont été prélevés. Les données sur les résultats collectés jours après le recrutement comprenaient des résultats microbiologiques pour toutes les études de sang et autres échantillons. après le début de l’épisode infectieux, la mortalité toutes causes confondues, et les durées de fièvre et de séjour hospitalierCohort La deuxième cohorte comprenait des patients inclus dans un essai contrôlé randomisé par grappes du système TREAT réalisé de mai à novembre dans les mêmes hôpitaux Cette étude visait à évaluer l’effet de l’utilisation du système TREAT sur la gestion des patients Les salles participantes dans les hôpitaux ont été randomisées dans des services d’intervention ou de contrôle Le système TREAT a été installé dans les salles d’intervention et ont montré les résultats de TREAT Résultats pr Dans les salles de contrôle, les cliniciens n’avaient pas accès au système TREAT. La collecte de données prospectives s’est poursuivie et les directives locales ont été distribuées. journées

Cultures de sang

En Israël et en Italie, des échantillons de sang ont été prélevés pour des flacons aérobies et anaérobies et traités avec le Bectec Becton Dickinson En Italie, le système BacT / ALERT D bioMérieux a également été utilisé en Allemagne, – des séries d’échantillons pour des flacons aérobies et Une bactériémie cliniquement significative désignée ci-après simplement par «bactériémie» a été définie par l’isolement de pathogènes sanguins accompagnés d’un syndrome de réponse inflammatoire systémique ou d’un foyer d’infection documenté. Staphylocoques à coagulase négative ou aérobie les bacilles à Gram positif qui ont poussé dans une seule bouteille ont été considérés comme des contaminants à moins que le résultat ne soit confirmé par des preuves cliniques ou autres données microbiologiques de l’infection

L’analyse des données

Les performances prédictives du système ont été évaluées à l’aide d’une courbe ROC de caractéristiques de fonctionnement du récepteur. La courbe ROC représente les prédictions vraies-positives et faussement positives de la bactériémie et la zone sous la courbe mesure la précision de la discrimination des prédictions du système. Nous avons utilisé la première cohorte pour dériver des seuils pour les groupes de risque de bactériémie TREAT. Ces groupes ont été définis par des valeurs seuils pour la probabilité produite par le système TREAT pour la bactériémie. Nous avons appliqué les mêmes valeurs seuils à TREAT. la deuxième cohorte et évalué le taux réel de bactériémie dans chaque groupe de risque TREAT Les différences entre les groupes à risque ont été évaluées à l’aide d’un test χ Les deux études ont été approuvées par les comités d’éthique de la recherche de chaque site

Résultats

Cohortes

Cohorte La première cohorte comprenait les patients du tableau des sites Les infections étaient le plus souvent acquises dans la communauté% Le site d’infection le plus fréquent était le% des voies respiratoires, suivi des voies urinaires% Le taux de mortalité toutes causes confondues était de% Infections microbiologiquement L’isolat sanguin le plus courant était Escherichia coli, suivi de Staphylococcus aureus L’aire sous la courbe ROC générée à l’aide de la prédiction du système TREAT pour la bactériémie était% CI, -; P & lt;

Tableau View largeTélécharger les caractéristiques des patients, les résultats microbiologiques et les résultats dans les cohortes dans une étude du système d’aide à la décision TREATTable View largeTélécharger les caractéristiques des patients, les résultats microbiologiques et les résultats dans les cohortes dans une étude du système d’aide à la décision TREAT. groupes de risque basés sur le tableau de probabilité de bactériémie de TREAT Le système TREAT a trié les patients à faible risque dont% avaient une bactériémie, un risque intermédiaire% avait une bactériémie et un groupe à haut risque% présentait des groupes bactériémiques. tous les patients, le groupe à risque intermédiaire inclus%, et le groupe à haut risque inclus% Taux de contamination de la culture sanguine étaient plus élevés que le taux de bactériémie vraie dans le groupe à faible risque [%] vs [%] des patients la valeur de la croissance dans les hémocultures était de% chez les patients du groupe à faible risque, comparativement à% dans le groupe à risque élevé

Tableau View largeTélécharger slideBacteremia groupes de risque dans les cohortesTable View largeTélécharger slideBacteremia groupes de risque dans les cohortesCohort La deuxième cohorte comprenait des patients de la même table de sites Les infections ont été documentées microbiologiquement en% des patients, et la bactériémie a été détectée en% Gram négatif Parmi tous les patients de la deuxième cohorte, la courbe ROC pour la probabilité de bactériémie déterminée à l’aide du système TREAT était similaire à celle générée dans l’ensemble de dérivation, donnant une aire sous la courbe de% CI, -; P & lt; Nous avons appliqué les valeurs seuil de la bactériémie TREAT de la première cohorte au deuxième tableau de cohorte. Le pourcentage de patients inclus dans chaque groupe à risque est resté stable Les taux de bactériémie dans les groupes à risque faible, intermédiaire et élevé étaient%,% et%, Comme dans la première cohorte, les taux de contamination par hémoculture étaient supérieurs au taux de bactériémie réelle dans le groupe à faible risque [%] des patients par rapport à [%] des patients. Les valeurs prédictives positives pour la croissance dans les hémocultures est restée similaire à% dans le groupe nouvellement défini à faible risque, par rapport à% dans le groupe à haut risque

Stratification des risques dans les différents sites d’essai

Les patients en Italie étaient plus jeunes et la prévalence de l’infection par le VIH était élevée. En Israël, la plupart des patients étaient âgés, les infections étaient généralement contractées dans la communauté ou dans des maisons de retraite, les conditions sous-jacentes chroniques étaient fréquentes et un pourcentage élevé En Allemagne, le taux de bactériémie était le plus bas parmi les patients en Italie%, et le plus élevé en Allemagne% Le taux de mortalité était plus élevé en Israël et en Allemagne qu’en Italie

Tableau View largeTélécharger les caractéristiques et les résultats des patients par site pour les deux cohortes combinéesTable Voir grandTélécharger les diapositivesCaractéristiques des patients et résultats par site pour les deux cohortes combinéesLa performance du modèle a été évaluée séparément dans chaque tableau de site Bactériémie parmi les patients classés dans le groupe à faible risque Italie,% des patients en Israël et% des patients en Allemagne Le taux de bactériémie chez les patients du groupe à risque variait de% à% aux sites. La stratification des risques était stable dans les deux cohortes données non montrées Le taux de mortalité toutes causes confondues était plus élevé. le groupe à haut risque que dans le groupe à faible risque sur les sites en Italie,% vs% [P =]; en Israël,% vs% [P & lt; ] et en Allemagne,% vs% [P =]

Tableau View largeTélécharger slidePer-site grouping of bactériémie et mortalité dans les cohortes combinéesTable View largeTélécharger slidePer-site regroupement de bactériémie et mortalité dans les cohortes combinées

Analyse des patients bactériémiques dans le groupe à faible risque

La température était de ⩽ ° C chez tous les patients, mais aucun autre signe de septicémie n’était présent, à l’exception de l’hypotension chez un seul patient présentant une insuffisance cardiaque congestive. Tous les symptômes et signes localisés étaient absents chez les patients. les patients

Tableau View largeDownload slideDonnées disponibles pour les patients atteints de bactériémie dans les groupes à faible risque dans les deux cohortesTable View largeTélécharger les données disponibles pour les patients atteints de bactériémie dans les groupes à faible risque dans les deux cohortes

Discussion

a développé un modèle qui s’est bien comporté dans les cohortes de dérivation et de validation de l’hôpital où il a été développé, définissant un groupe à faible risque avec un taux de bactériémie vraie de% -% et un groupe à haut risque avec% -% true bacteremia Ce modèle a été testé dans d’autres hôpitaux Dans un hôpital, le pourcentage de cas de bactériémie dans le groupe à faible risque augmentait à% -%, et dans un autre, il augmentait à% -% Dans un troisième hôpital, le modèle a défini avec succès les groupes à faible et à haut risque, avec des prévalences de bactériémie de% et de%, respectivement, mais une discrimination dans la probabilité intermédiaire. groupes détériorés Leibovici et al ont développé une règle clinique validée localement et défini des groupes à haut risque de discrimination bactériémique et de mortalité. Testé sur un autre site, prévalence de la bactériémie dans le groupe à faible risque augmentation de% -% dans la cohorte originale à% -% dans la nouvelle cohorte Le groupe à haut risque a maintenu sa capacité prédictive, mais il ne comprenait que% -% de tous les patients de la nouvelle cohorte Plus récemment, Bates et al. ] a utilisé une cohorte multicentrique importante de patients pour dériver et valider des règles de prédiction clinique de bactériémie en utilisant un ensemble complet de variables Globalement, la prévalence de bactériémie dans la cohorte était de% La prévalence la plus faible de bactériémie qui pouvait être définie dans le groupe à faible risque était% -% Le groupe à haut risque était défini par une prévalence bactériémique de% -%, mais ce groupe ne comprenait que% -% de tous les patientsAvec l’utilisation du système TREAT, nous avons montré une performance constante dans différents hôpitaux dans les groupes à faible et à haut risque, ainsi que la proportion de patients inclus dans ces groupes ~% de tous les patients, sont restés stables Il y a plusieurs avantages à notre système et à l’utilisation d’un réseau probabiliste causal par rapport aux modèles, comme cela a été récemment examiné ailleurs La physiopathologie sous-jacente au développement et la détection de la bactériémie est claire Ainsi, la structure graphique du réseau – la condition la plus importante pour sa performance précise – est précise Le CPN, par opposition à modèle multivarié, utilise plusieurs variables La structure graphique rend compte de l’indépendance ou des relations entre ces variables, permettant un modèle plus complexe Nous avons soigneusement séparé les facteurs universels et locaux Les valeurs des variables qui changent d’un endroit à l’autre ou dans le temps ont été calibrées dans le système. Le CPN utilise ces probabilités de base calibrées localement pour les données manquantes Enfin, les règles de décision peuvent gêner les cliniciens, tandis que TREAT est un système informatisé. Sa performance, lorsqu’elle est utilisée par les cliniciens, est similaire à celle de la cohorte observationnelle. peu d’unité de soins intensifs ou de patients chirurgicaux ont été inclus Performance avec missi Les données dépendent de la qualité du calibrage local Le modèle doit être évalué dans d’autres hôpitaux et milieux. Implications pour la pratique Le système d’aide à la décision informatisé TREAT peut améliorer la sélection des patients pour la réalisation et le traitement des hémocultures. l’identification de patients à très faible risque de bactériémie peut servir à retenir les hémocultures, évitant ainsi les coûts d’échantillons qui donneraient des résultats négatifs, des tests supplémentaires et le traitement des patients dont les cultures révèlent des contaminants TREAT a identifié un groupe de patients un faible risque de bactériémie <%, composé de% de tous les patients chez qui les cliniciens ont choisi de prélever des échantillons sanguins pour la culture. À l'inverse, TREAT a identifié un groupe à haut risque de bactériémie,>% avec un nombre similaire de Le système peut donc sélectionner des candidats pour une nouvelle modalité de traitement ou sélectionner des patients pour l’analyse moléculaire d’échantillons de sang est détectée dans une bouteille de culture, la connaissance de la signification clinique de cette croissance peut permettre une évaluation microbiologique judicieuse Le pouvoir discriminant de TREAT a permis une prédiction stable de la signification clinique de la croissance dans les hémocultures, définissant un groupe à haut risque dans lequel% d’hémoculture positive L’effet des prédictions et de la classification des risques du système sur la performance des médecins et les résultats des patients doit être évalué L’interaction entre le système et les cliniciens doit être évaluée en dehors de la situation d’un essai, incorporant de préférence TREAT dans un dossier électronique patient. résumé, TREAT, un système informatisé d’aide à la décision, fournit une bonne capacité pronostique de prédire la bactériémie. Le système peut servir à sélectionner les patients à faible risque de bactériémie, pour lesquels des hémocultures peuvent ne pas être nécessaires, et les patients présentant une forte probabilité de bactériémie. qui plus loin évaluation et dire traitement cted sont essentiels

ANNEXE

Le système TREAT

Le système TREAT est basé sur un réseau probabiliste causal. Un réseau probabiliste causal inclut des variables nœuds et liens flèches Les liens entre les variables représentent la causalité Les variables sont présentées comme probabilités Les unités de base du modèle TREAT sont des boîtes pathogènes pour lesquelles les probabilités sont déterminées par facteurs de risque spécifiques au site Le tableau de probabilité pour “E_coli_uti” est représenté Le chiffre en surbrillance dans le tableau représente la probabilité de “non” infection des voies urinaires Escherichia coli chez une femme dans la communauté sans cathéter urinaire Le tableau est un tableau de probabilité conditionnelle , car ses probabilités dépendent de l’état des nœuds parents cathéter = non, sexe = femelle, et lieu d’acquisition À partir des pathogènes, le domaine d’infection est modélisé suite à la pathogénie de la maladie Tous les pathogènes contribuant à un seul site d’infection sont associés au nœud du site, par exemple, infection des voies urinaires La présence d’une infection sur le site est responsable des signes locaux ou des symptômes des diamants, des résultats sur l’imagerie ou d’autres tests diagnostiques non représentés sur la figure, et des signes systémiques de sepsis à travers les médiateurs de septicémie, par exemple fièvre et frissons. Ecoli_local et dans le sang Dans le système TRAIT, nous avons modélisé des sites d’infection, par exemple, des diagnostics abdominaux et différents, par exemple, appendicite ou diverticulite représentant des infections communautaires et nosocomiales communes Le système couvre les pathogènes et inclut d’autres variables cliniques et & gt; Les variables cliniques du modèle comprennent les variables démographiques, les maladies et affections de fond, les signes et symptômes de septicémie et d’infection locale, les données microbiologiques, les résultats de radiographie d’autres tests diagnostiques spécifiques tels que les tests sérologiques ou antigéniques directs et les traitements antibiotiques antérieurs. Les variables sont prédéfinies au sein du réseau sur la base d’analyses documentaires approfondies et de données locales le cas échéant. Une partie explicite du système est une composante d’étalonnage, mettant à jour les probabilités dans le réseau vers différents emplacements et changements temporels. La probabilité d’une dysurie causée par une pyélonéphrite est constante, alors que la probabilité d’E.coli causant une infection des voies urinaires dans les unités de soins intensifs change. Les variables locales sont placées dans les bases de données d’étalonnage TREAT, permettant un étalonnage semi-automatique de l’ensemble. systemBuildin g Le système passe des agents pathogènes aux signes et symptômes L’entrée des données s’effectue dans le sens opposé: les informations concernant les symptômes et les symptômes, par exemple «fièvre =» et «douleur du flanc = oui» sont entrées dans le système et les probabilités pathogènes sont recalculées les données qui ont été entrées dans le système Dans la pratique clinique, les données disponibles au moment où le patient est vu sont transférées de l’interface utilisateur de TREAT au réseau probabiliste causal Toutes les données connues sont utilisées pour mettre les variables dans le réseau probabiliste causal à l’état connu ex., dysurie réglée à «oui» Les données manquantes sont traitées naturellement, en utilisant les probabilités préexistantes présentes dans le réseau. La sortie du système comprend un diagnostic lu sur les nœuds du site, par exemple, nœud d’infection des voies urinaires, distribution des agents pathogènes pour la bactériémie lue à partir des noeuds d’hémoculture aérobie et anaérobie Le système TREAT utilise les prévisions du pathogène dans le réseau pour: recommander un traitement antibiotique

Remerciements

Les institutions suivantes ont contribué au développement du modèle: Centre Médical Rabin Petah-Tikva, Israël; réseau probabiliste causal et modèle coûts-bénéfices, réseau probabiliste causal de l’Université d’Aalborg, modèle de coût-bénéfice et bases de données d’étalonnage, interface et bases de données Judex Nous reconnaissons la contribution du personnel du projet suivant: Roberto Cauda, ​​Alina Zalounina, Brian Kristensen, Leif E Kristensen, Karsten Falborg, Adriana Cataldo, Elad Goldberg, Liat Vidal, Monika Strehlein, Michal Cohen, Elisheva Pokroy, Rita Citton, Anat Gafter-Gvili, Dafna Yahav, Erez Skapa et Abigail Fraser. Le Prof. Henrik C Schonheyder a contribué aux concepts de base de le système TREATSupport financier Cinquième cadre de l’Union européenne, contrat Technologies de la société de l’information IST – Conflits d’intérêts potentiels Tous les auteurs: pas de conflits Cependant, si TREAT devait être développé en système commercial, toutes les organisations participantes pourraient en bénéficier