En résumé
Linkr est une plateforme collaborative de data science, open source, pensée pour exploiter les données des entrepôts hospitaliers (principalement au format OMOP, mais pas uniquement). Elle combine des outils low-code avec des interfaces de programmation Python et R, pour rendre ces données accessibles aussi bien aux cliniciens qu’aux data scientists et aux data engineers.
Le problème que Linkr cherche à résoudre
Les entrepôts de données de santé (EDS / Clinical Data Warehouses) regroupent des volumes massifs de données issues des dossiers patients. Les exploiter est cependant difficile pour trois raisons :
- Chaque hôpital a son propre modèle de données, ce qui freine l’interopérabilité et la reproductibilité. Des modèles communs comme OMOP ou FHIR existent, mais leur adoption demande un effort.
- La manipulation et l’analyse de ces données exigent en général des compétences en programmation (SQL, Python, R) — compétences que les cliniciens n’ont pas forcément.
- Les outils existants se répartissent entre deux extrêmes : les environnements pour codeurs (RStudio, Jupyter) très puissants mais inaccessibles aux non-développeurs, et les outils no-code (type ATLAS) limités dans ce qu’ils permettent d’étendre ou de programmer.
Linkr est conçu pour combler ce gap : offrir à un clinicien non-développeur des outils graphiques efficaces, tout en laissant à un data scientist un véritable environnement de code (Python + R) intégré à la plateforme.
Environnements code
RStudio, Jupyter
Puissants et flexibles, mais inaccessibles aux non-développeurs.
La voie de Linkr
Low-code
Interfaces graphiques pour le clinicien, IDE Python + R pour le data scientist, dans un même outil collaboratif.
Outils no-code
ATLAS (OHDSI)
Accessibles aux non-développeurs, mais limités dans ce qu’ils permettent d’étendre ou de scripter.
À qui s’adresse Linkr
Linkr est pensé pour toute une chaîne de rôles qui travaillent autour des données de santé :
Professionnels de santé
Explorer les données de leur service, construire une cohorte, examiner des trajectoires patients — sans écrire de code.
Data scientists et statisticiens
Un IDE intégré (Python + R) avec accès direct aux données, et la possibilité de créer et partager des plugins d’analyse sur-mesure.
Data engineers
Définition des schémas, concept mapping, contrôle qualité, pipelines de transformation à partir de l’entrepôt.
Étudiants en santé
Formation à l’analyse de données cliniques dans un cadre guidé.
Ce qui fait la singularité de Linkr, c’est que ces quatre profils travaillent dans le même outil, sur les mêmes projets, chacun à son niveau d’abstraction.
La collaboration comme pilier
Linkr est avant tout une plateforme collaborative. L’application est organisée en workspaces (conteneurs partagés, à l’échelle d’un service, d’un hôpital, d’un réseau) à l’intérieur desquels on retrouve :
- Des projets (études, analyses, tableaux de bord).
- Des plugins réutilisables entre projets.
- Un wiki pour la documentation d’équipe.
- Des données et schémas partagés.
- Une intégration Git qui permet de versionner et de partager tout ce contenu entre centres.
Cette logique collaborative suit une approche bottom-up : chaque équipe commence par résoudre ses problèmes locaux, puis, en partageant scripts, cohortes et plugins via Git, la standardisation émerge progressivement — plutôt que définie a priori. L’intérêt concret : les résultats arrivent plus vite, et chaque projet enrichit les données pour les suivants. C’est le principe d’un investissement cumulatif, où la qualité se construit projet après projet.
Effort par projet
Variables à préparer, projet après projet, sur le même entrepôt
Projet 4 : 91 % déjà prêtes
Ce que fait Linkr
Linkr couvre toute la chaîne, de la préparation des données à la restitution des résultats.
Préparer les données
Bases de données
CSV, Excel, Parquet, DuckDB ; PostgreSQL et autres en mode serveur.
Schémas
OMOP CDM, MIMIC ou un schéma maison, lu grâce aux préréglages.
Alignement de concepts
Codes locaux vers SNOMED CT, LOINC, RxNorm.
Qualité des données
Des jeux de règles, lancés et historisés.
Pipelines ETL
Convertir une source vers OMOP.
Catalogue de données
Des effectifs agrégés et anonymisés, décrits en Health-DCAT-AP.
Analyser et restituer
Cohortes
Des critères visuels, le SQL généré, l'attrition.
Données individuelles
La trajectoire d'un patient, en timeline et widgets.
Jeux de données
Le format large, une ligne par patient, et ses analyses.
Tableaux de bord
Des onglets de widgets, filtrables.
IDE
R, Python et SQL, notebooks, terminal.
Rapports
Rédiger un document depuis les résultats.
Étendre et partager
Plugins
Écrire ses propres widgets d'analyse, en R ou en Python.
Wiki
La documentation de l'équipe.
Import et export
Une archive ZIP de n'importe quelle entité.
Versioning git
Lier une entité à un dépôt, pousser, récupérer.
Catalogue communautaire
Installer en un clic ce que d'autres ont publié.
Agents IA
Un assistant qui agit avec vos droits, par le serveur MCP.
Ce qui rend Linkr différent
Un seul outil pour tous les profils. Linkr ne force pas le clinicien à apprendre Python, ni le data scientist à utiliser une application no-code non personnalisable. Les deux travaillent côte à côte, sur les mêmes projets.
Low-code par défaut, code quand c’est nécessaire. Les interfaces graphiques couvrent la plupart des besoins courants. Un IDE complet est disponible dès que le cas d’usage le demande.
OMOP en premier, mais pas uniquement. OMOP est le format le mieux supporté. Les schema presets permettent déjà de travailler avec des schémas hospitaliers custom, et permettront à terme de supporter FHIR ou d’autres modèles.
Open source et ouvert. Licence AGPL-3.0 (le format d’export et les bibliothèques clientes sont sous Apache-2.0). Le code est publiquement disponible et le produit peut être auto-hébergé. Tout ce qui est produit dans la plateforme (scripts, plugins, études) peut être partagé via Git.
Multilingue et accessible aux cliniciens. Interface disponible en français et en anglais, extensible à d’autres langues. Le vocabulaire reste compréhensible pour des professionnels de santé qui ne sont pas développeurs.
Pour aller plus loin
- Comprendre les modes de déploiement (navigateur vs serveur) et savoir ce que chaque mode permet.
- Lancer Linkr en ligne en deux minutes : démarrage rapide.
- Installer Linkr localement : installation locale.