LinkR et Data For Good - un an après

Introduction

En février 2024 débutait la douzième saison d’accélération de Data For Good. Pendant trois mois, des dizaines de bénévoles se sont mobilisés pour nous accompagner dans notre projet de création d’une plateforme de data science en santé, open source, low-code et collaborative.

Ces trois mois ont été très riches en échanges et en discussions, qui ont permis de donner un énorme coup de boost à LinkR. Ceci a permis une refonte importante de la plateforme, plus robuste, plus intuitive, et enrichie de nouveaux plugins.

Un an plus tard, ce travail collectif trouve une belle concrétisation : la publication de notre article dans l’International Journal of Medical Informatics.

Nous tenions à cette occasion remercier vivement les membres de l’association Data For Good et les contributeurs de la saison 12, et revenir sur les avancées de LinkR au cours de l’année passée.

Création d’un site web

Peu de temps après la fin de la saison 12 de Data For Good, avec l’appuis de bénévoles, nous avons créé le site web de LinkR.

Ce site héberge une documentation complète, pensée à la fois pour les cliniciens, sans besoin de compétences en programmation, et pour les data scientists ou développeurs.

Nous avons créé une section Articles, où nous publions régulièrement des contenus permettant de démocratiser la data science en santé : de l’explication de ce qu’est un entrepôt de données de santé à des guides plus techniques comme les requêtes SQL usuelles dans OMOP.

Enfin, une démo interactive permet de tester l’application en ligne, sans installation préalable.

Refonte de l’interface utilisateur

L’association InterHop est composée à la fois de cliniciens, de data scientists et de développeurs, ce qui a permis à LinkR d’évoluer grâce à une collaboration étroite entre expertises complémentaires.

Ce rapprochement direct entre utilisateurs finaux et développeurs a permis de concevoir rapidement une interface intuitive, adaptée aux pratiques concrètes en santé : exploration de données cliniques, création de tableaux de bord, construction de pipelines d’analyse, etc.

Intégration de Python

Si R reste un langage de référence pour l’analyse statistique, de nombreuses librairies incontournables de data science sont aujourd’hui disponibles uniquement en Python.

C’est pourquoi nous avons veillé à ce qu’il soit simple d’écrire et d’exécuter du code Python directement depuis l’interface de LinkR. Cette intégration élargit considérablement les possibilités de la plateforme, notamment pour le développement de plugins personnalisés s’appuyant sur des outils comme scikit-learn, pytorch, ou encore transformers.

Grâce à cette compatibilité, LinkR combine le meilleur des deux mondes : R et Python.

Création de nouveaux plugins

Plusieurs plugins ont été développés, avec un accent particulier sur l’analyse des données individuelles. L’objectif est de permettre à l’utilisateur de reconstituer, directement depuis l’environnement de recherche, une vue synthétique et interactive du dossier patient.

Voici quelques exemples de plugins disponibles :

• Plugin Timeline : permet de visualiser les données (paramètres vitaux, résultats biologiques, etc.) sous forme de frise chronologique interactive.
• Plugin Lecteur de texte : permet d’afficher les comptes rendus médicaux et d’effectuer des recherches dans le texte.
• Plugin Traitements reçus : permet de consulter les traitements administrés à un patient au fil du temps.

Comme toujours dans LinkR, chaque plugin dispose à la fois :

• d’une interface graphique pour visualiser les données et appliquer des filtres facilement
• d’une interface de programmation pour aller plus loin en modifiant ou étendant le code selon les besoins

Enfin, un plugin Template permet de guider les développeurs dans la création de nouveau plugins.

Utilisation de DuckDB

LinkR permet d’importer des données issues de bases relationnelles, mais aussi de fichiers CSV ou Parquet.

Pour garantir une interopérabilité maximale des analyses, nous avons fait le choix d’utiliser systématiquement des requêtes SQL comme langage commun.

Dans ce contexte, DuckDB s’est imposé comme une solution idéale : il permet de créer en quelques secondes des bases de données à partir de fichiers CSV ou Parquet, tout en offrant des performances remarquables. Grâce à lui, LinkR peut manipuler des tables de plusieurs millions de lignes, même sur des infrastructures limitées.

Quelle que soit la source des données, celles-ci peuvent être explorées et analysées en SQL, directement depuis l’interface de la plateforme.

Réflexion sur une v2

LinkR, dans sa version actuelle, est codé en R et repose principalement sur la librairie Shiny. Cette librairie, présentant l’avantage de faciliter et d’accélérer la création d’applications web, nous a permis d’obtenir rapidement un prototype fonctionnel.

Cependant, la communauté de développeurs codant avec Shiny en R reste très limitée, ce qui limite les possibilités de contribution sur notre projet.

Or, en tant que projet open source, nous avons besoin de la contribution de la communauté pour faire vivre le projet.

Ceci nous amène donc à mener une réflexion sur une nouvelle version de LinkR, qui s’appuiera sur des langages et librairies robustes et largement utilisés par la communauté de développeurs web.

Recherche de financements

InterHop est à la recherche de financements, afin de pouvoir débuter le développement de la v2.

Pour cela, nous allons candidater à la candidature de NLnet.

Si vous souhaitez nous aider, vous pouvez également faire un don à l’association.

Conclusion

Un an après Data For Good, LinkR a beaucoup évolué : refonte de l’interface, nouveaux plugins, intégration de Python, documentation enrichie, et publication scientifique.

Ce projet n’existerait pas sans l’engagement des contributeurs et contributrices qui ont permis d’en faire un outil accessible et open source.

Avec la v2 en préparation, l’aventure continue, et toutes les bonnes volontés sont les bienvenues pour y participer.

• ←Précédent
• Suivant→