Cas d'usage
Tableau de bord de réanimation
Vue d’ensemble
Ce tableau de bord permet d’obtenir une visualistaion des indicateurs de qualité des services de réanimation.
Il a l’avantage de pouvoir être configué directement par les cliniciens, sans nécessité de connaissances préalables en programmation.
Il est organisé en plusieurs onglets :
-
Démographie : Cette section montre le nombre de patients admis sur la période choisie, ainsi que leurs informations démographiques (âge, sexe), le taux de mortalité, le nombre d’admissions, le taux de réadmission et les principaux diagnostics ICD-10 des séjours.
-
Ventilation : Cette section fournit des données sur la ventilation mécanique, y compris le nombre de patients sous ventilateurs, la durée de la ventilation, le taux d’échec d’extubation, le taux d’auto-extubation et les paramètres ventilatoires sélectionnés.
-
Sédation : Nous y retrouvons les médicaments utilisés pour la sédation, la durée totale de sédation, la consommation de neuroleptiques etc.
-
Dialyse : Cette section fournit des informations sur le nombre de patients dialysés, avec quel type de dialyse.
Installation
Pour installer ce projet, vous pouvez suivre le tutoriel “Mise en place” de la documentation.
Vous pouvez également suivre ces tutoriels, si vous souhaitez importer vos propres données :
- Installer LinkR
- Importer des données
- Installer un projet : sélectionnez le laboratoire DOMASIA dans la ville de Rennes (France), vous verrez apparaître le projet “Tableau de bord d’indicateurs de qualité de réanimation” dans les projets.
Contributions
LinkR est un projet en cours de développement.
En cas de problème pour l’installation ou pour l’utilisation, ou si vous avez des suggestions pour améliorer l’application, merci de nous contacter à linkr-app@pm.me.
Prochaines étapes
Pour le moment, seule la partie “Démographie” est disponible, les autres sections en cours de développement.
Ce tableau de bord est configuré pour visualiser les données de réanimation. Une prochaine étape sera d’appliquer ce modèle de tableau de bords aux autres services hospitaliers et à la médecine libérale.
OMOP
Requêtes usuelles v5.4
Introduction
Nous présentons ici quelques requêtes que l’on utilise fréquemment pour requêter les tables de bases de données au format OMOP.
Ces requêtes se basent sur la version 5.4 du schéma OMOP.
The OMOP CDM v5.4 entity relationship diagram from Martijn Schuemie and Renske Los
Pour chaque tables, les requêtes sont disponibles :
- en utilisant la librairie dplyr de R (directement depuis LinkR)
- en utilisant du SQL (PostgreSQL)
- en utilisant la librairie pandas de Python
Pour le code en dplyr, nous utiliserons les fonctions join_concept et count_concept_rows, qui sont disponibles dans LinkR (pas besoin de les déclarer de nouveau) :
# Permet de faire la jointure des ID et des noms de concepts
join_concept <- function(df, concept_df, key, name, copy = TRUE) {
# Dans LinkR, les variables de données d$... sont de type lazy, tandis que d$concept ne l'est pas.
# Nous utilisons l'option copy = TRUE pour copier temporairement la variable d$... en mémoire locale,
# parce qu'une table lazy ne peut pas être fusionnée directement avec une table locale.
df %>%
dplyr::left_join(
concept_df %>%
dplyr::select(!!key := concept_id, !!name := concept_name),
by = key,
copy = copy
)
}
# Permet de faire le décompte de chaque concept
count_concept_rows <- function(df, group_col, name_col) {
df %>%
dplyr::group_by(dplyr::across(dplyr::all_of(c(group_col, name_col)))) %>%
dplyr::summarize(n = n(), .groups = 'drop') %>%
dplyr::arrange(desc(n))
}PERSON
- Calcul de l’âge
L’âge est calculé depuis les variables d$visit_occurrence (hospitalisations) ou d$visit_detail (séjours dans les unités au cours d’une hospitalisation).
Il s’agit de l’âge du patient à l’admission pour chaque hospitalisation ou admission dans une unité.
# Le code de calcul des dates étant mal converti en SQL, nous collectons les données avec dplyr::collect(),
# ce qui signifie que les données sont copiées dans un dataframe localement.
# Le code dplyr n'est ainsi pas converti en SQL.
d$visit_occurrence %>%
dplyr::left_join(
d$person %>% dplyr::select(person_id, birth_datetime),
by = "person_id"
) %>%
dplyr::collect() %>%
dplyr::mutate(
age = round(as.numeric(difftime(visit_start_datetime, birth_datetime, units = "days")) / 365.25, 1)
)-- DuckDB / PostgreSQL
SELECT
v.*,
ROUND(
EXTRACT(EPOCH FROM (v.visit_start_datetime - p.birth_datetime)) / (365.25 * 86400),
1
) AS age
FROM
visit_occurrence v
LEFT JOIN
(SELECT person_id, birth_datetime FROM person) p
ON
v.person_id = p.person_id;import pandas as pd
merged_df = pd.merge(
visit_occurrence,
person[['person_id', 'birth_datetime']],
on='person_id',
how='left'
)
merged_df['age'] = round(
(merged_df['visit_start_datetime'] - merged_df['birth_datetime']).dt.total_seconds() / (365.25 * 86400),
1
)- Jointure des noms de concepts
d$person %>%
join_concept(d$concept, "gender_concept_id", "gender_concept_name") %>%
join_concept(d$concept, "race_concept_id", "race_concept_name") %>%
join_concept(d$concept, "ethnicity_concept_id", "ethnicity_concept_name")-- DuckDB / PostgreSQL
SELECT
p.*,
c.concept_name AS gender_concept_name
FROM
person p
LEFT JOIN
(SELECT concept_id AS gender_concept_id, concept_name FROM concept) c
ON
p.gender_concept_id = c.gender_concept_id;import pandas as pd
concept_df = concept[['concept_id', 'concept_name']].rename(
columns={'concept_id': 'gender_concept_id', 'concept_name': 'gender_concept_name'}
)
merged_df = pd.merge(
person,
concept_df,
how='left',
left_on='gender_concept_id',
right_on='gender_concept_id'
)VISIT_OCCURRENCE
- Jointure des noms de concepts
d$visit_occurrence %>%
join_concept(d$concept, "visit_concept_id", "visit_concept_name") %>%
join_concept(d$concept, "visit_type_concept_id", "visit_type_concept_name") %>%
join_concept(d$concept, "admitted_from_concept_id", "admitted_from_concept_name") %>%
join_concept(d$concept, "discharge_to_concept_id", "discharge_to_concept_name")- Calcul du nombre d’occurrences par
visit_concept_name
d$visit_occurrence %>%
join_concept(d$concept, "visit_concept_id", "visit_concept_name") %>%
count_concept_rows("visit_concept_id", "visit_concept_name") %>%
dplyr::collect() %>%
print(n = 100)VISIT_DETAIL
- Jointure des noms de concepts
d$visit_detail %>%
join_concept(d$concept, "visit_detail_concept_id", "visit_detail_concept_name") %>%
join_concept(d$concept, "visit_detail_type_concept_id", "visit_detail_type_concept_name") %>%
join_concept(d$concept, "admitted_from_concept_id", "admitted_from_concept_name") %>%
join_concept(d$concept, "discharge_to_concept_id", "discharge_to_concept_name")- Calcul du nombre d’occurrences par
visit_detail_concept_name
d$visit_detail %>%
join_concept(d$concept, "visit_detail_concept_id", "visit_detail_concept_name") %>%
count_concept_rows("visit_detail_concept_id", "visit_detail_concept_name") %>%
dplyr::collect() %>%
print(n = 100)CONDITION_OCCURRENCE
- Jointure des noms de concepts
d$condition_occurrence %>%
join_concept(d$concept, "condition_concept_id", "condition_concept_name") %>%
join_concept(d$concept, "condition_type_concept_id", "condition_type_concept_name")- Calcul du nombre d’occurrences par
condition_concept_name
d$condition_occurrence %>%
join_concept(d$concept, "condition_concept_id", "condition_concept_name") %>%
count_concept_rows("condition_concept_id", "condition_concept_name") %>%
dplyr::collect() %>%
print(n = 100)MEASUREMENT
- Jointure des noms de concepts
d$measurement %>%
join_concept(d$concept, "measurement_concept_id", "measurement_concept_name") %>%
join_concept(d$concept, "measurement_type_concept_id", "measurement_type_concept_name") %>%
join_concept(d$concept, "operator_concept_id", "operator_concept_name") %>%
join_concept(d$concept, "unit_concept_id", "unit_concept_name")- Calcul du nombre d’occurrences par
measurement_concept_name
d$measurement %>%
join_concept(d$concept, "measurement_concept_id", "measurement_concept_name") %>%
count_concept_rows("measurement_concept_id", "measurement_concept_name") %>%
dplyr::collect() %>%
print(n = 100)OBSERVATION
- Jointure des noms de concepts
d$observation %>%
join_concept(d$concept, "observation_concept_id", "observation_concept_name") %>%
join_concept(d$concept, "observation_type_concept_id", "observation_type_concept_name") %>%
join_concept(d$concept, "value_as_concept_id", "value_as_concept_name") %>%
join_concept(d$concept, "qualifier_concept_id", "qualifier_concept_name") %>%
join_concept(d$concept, "unit_concept_id", "unit_concept_name")- Calcul du nombre d’occurrences par
observation_concept_name
d$observation %>%
join_concept(d$concept, "observation_concept_id", "observation_concept_name") %>%
count_concept_rows("observation_concept_id", "observation_concept_name") %>%
dplyr::collect() %>%
print(n = 100)Bases de données
MIMIC
La base de données MIMIC, pour Medical Information Mart for Intensive Care, est une base de données nord-américaine contenant des données de plus de 50 000 patients admis en réanimation. Il s’agit de l’une des bases de données de réanimation les plus utilisées, du fait de son accès gratuit.
Malgré des données d’une qualité imparfaite, elle constitue un bon socle pour apprendre à manipuler les données issues d’entrepôts de données de santé (EDS).
Elle existe en plusieurs versions, dont la plus récente est la MIMIC-IV.
Faut-il avoir des connaissances en programmation ?
Non, il n’est pas forcément nécessaire d’avoir des connaissances en programmation pour manipuler les données de cette base de données.
La manipulation de la base de données en elle-même nécessitera des connaissances en programmation, notamment en SQL. Il s’agit d’une base de données avec un schéma particulier, qui est difficile à prendre en main.
Cependant, il est possible de manipuler ces données entièrement avec une interface graphique : c’est une des raisons pour lesquelles LinkR a été créé.
Comment accéder aux données ?
La base de donneés MIMIC comporte pour les versions III et IV des bases tests, qui contiennent les données anonymisées de 100 patients et qui sont accessibles publiquement.
Vous pouvez télécharger les données ici :
- MIMIC-III test : données avec le schéma de données MIMIC
- MIMIC-IV OMOP test : données avec le schéma de données OMOP
Pour accéder aux bases de données complètes, il est nécessaire de valider quelques étapes.
Rendez-vous sur la page de la base MIMIC-III.
Vous verrez cet encadré tout en bas de la page :
- be a credentialed user
- complete required training:
- CITI Data or Specimens Only Research You may submit your training here.
- sign the data use agreement for the project
Vous devez donc commencer par vous inscrire sur le site physionet.org.
Vous devrez faire une demande d’accès à Physionet, en renseignant quelques informations et en donnant les coordonnées d’un superviseur ou d’un collègue, à qui un mail sera envoyé.
Vous devrez ensuite compléter le CITI Course, il s’agit d’une formation nécessaire afin d’accéder aux données hébergées sur le site Physionet. Les différentes étapes sont détaillées ici.
Vous pourrez ensuite télécharger le certificat une fois le CITI Course terminé, vous pourrez le le déposer ici pour validation par l’équipe de Physionet.
Il ne vous restera plus qu’à signer le data use agreement.