Ressources
Comprendre les données de santé et apprendre à les exploiter.
Study Designer
Définissez vos variables, critères d'inclusion et plan d'analyse dans une interface pensée pour les cliniciens.
Comprendre les bases
Une introduction progressive au domaine, pensée pour les cliniciens.
Le recueil manuel à l'heure du dossier patient informatisé
Le recueil manuel reste la norme en recherche clinique. Les entrepôts de données de santé ouvrent une alternative encore trop peu exploitée.
Bien définir ses variables : la clé d'un recueil fiable
Concept, ancrage temporel, fenêtre et fonction d'agrégat — quatre dimensions pour des variables sans ambiguïté.
Les entrepôts de données de santé : exploiter les données déjà collectées
Les données de soin sont déjà dans vos logiciels hospitaliers. Un EDS les rend exploitables pour la recherche.
Des données brutes aux données exploitables
Les données d'un EDS ne sont pas prêtes à l'emploi. La mise en qualité est un investissement cumulatif considérable — mais durable.
Comment sont organisées ces données
Tables, relations, jointures — comprendre la structure des données pour dialoguer avec un data scientist.
Parler le même langage : modèles et terminologies
OMOP, SNOMED, LOINC — pourquoi les standards sont essentiels et comment ils fonctionnent.
Concevoir un projet de recherche sur EDS
De la question de recherche à la publication : les étapes, les rôles, et où Linkr intervient.
Aller plus loin
Programmation, machine learning, modèles de données en détail.
Apprendre à programmer
Ressources pour débuter en R, Python et SQL.
Machine learning en santé
Cours et ressources pour appliquer le ML aux données cliniques.
Tutoriel OMOP
Un tutoriel interactif pour apprendre le modèle OMOP avec des exercices SQL.
Bases de données publiques
MIMIC, eICU, PhysioNet — accéder à des données réelles pour s'entraîner.