Libellé préféré : entrepôt de données;

Synonyme EFMI : Entreposage de données;

Lien Wikipédia vérifié : https://fr.wikipedia.org/wiki/Entrepôt de données;

Détails


Consulter ci-dessous une sélection des principales ressources :

Vous pouvez consulter :


N1-VALIDE
EDSaNCoh et EDILS2.0 : résultats préliminaires et perspectives
https://dumas.ccsd.cnrs.fr/dumas-03858400
Avec l'adoption généralisée des dossiers médicaux électroniques (DME), des quantités de plus en plus importantes de données cliniques électroniques sont générées, ce qui fait que les chercheurs, les administrateurs de soins de santé et les cliniciens s'intéressent de plus en plus à l'utilisation de telles données. Le projet EDSaNCoh, sélectionné et financé par le FEDER (Fonds européen de développement régional), vise à développer une plateforme pour créer et alimenter automatiquement des e-cohortes prospectives. L'objectif final du projet est d'optimiser la recherche non interventionnelle sur les données épidémiologiques et cliniques en réduisant les erreurs humaines, la charge de travail, la complexité de la saisie des données et le temps consacré à la collecte des données par rapport aux méthodes de recherche actuelles, ce qui se traduit finalement par une réduction des coûts. Le premier projet tirant parti de l'infrastructure EDSaNCoh est EDILS2.0 (Eating Disorders Inventory Longitudinal Study) dont l'objectif principal est d'identifier, 2 et 5 ans après une première consultation pour Trouble du Comportement Alimentaire (TCA), les facteurs pronostiques de guérison, de rémission, de changement de type de trouble alimentaire et de décès ou suicide. METHODOLOGIE : Trois sont les sources de données combinées par l'infrastructure EDSaNCoh : l'entrepôt de données de santé du CHU de Rouen, le SNDS (système national des données de santé), et des questionnaires auto-administrables directement envoyés aux patients. Afin d'évaluer les capacités de l'algorithme construit pour EDILS2.0 à identifier correctement les patients répondant aux critères d'inclusion et à récupérer correctement les variables ciblées, ses performances ont été comparées automatiquement, sur un ensemble de documents aléatoires, à un gold standard humain. RESULTATS : L'algorithme a donné de bons résultats, atteignant 96 % de précision et 88,1 % de recall pour l'inclusion des patients. En ce qui concerne ses capacités d'extraction de caractéristiques, il a obtenu, sur un ensemble de 24 variables, une accuracy moyenne de 94,08%. CONCLUSION : Selon les résultats préliminaires, EDILS2.0 montre une qualité de données très prometteuse, une qualité qui est, je crois, encore améliorable. Les optimisations suggérées sont de nature conservatrice, elles sont faciles à mettre en œuvre et ne nécessitent pas d'adaptations des pratiques de travail, ce qui devrait se traduire par une mise en œuvre sans friction. En cas de succès, elles feront passer la précision de l'algorithme d'extraction des caractéristiques dans une zone de confiance, au-delà de la barre des 95 %, ce qui est crucial pour la fiabilité des analyses futures. Tel résultat servira également de manifeste des bons résultats que l'on peut obtenir avec les e-cohortes et de la qualité du projet EDSaNCoh et favorisera l'intérêt pour cette technologie.
2022
false
false
false
DUMAS - Dépôt Universitaire de Mémoires Après Soutenance
France
français
thèse ou mémoire
Entreposage de données
systèmes informatisés de dossiers médicaux
Troubles de l'alimentation
entrepôt de données

---
N1-VALIDE
Entrepôt de données de santé
https://www.cismef.org/cismef/wp/wp-content/uploads/2022/11/EDSaN_Rouen_nov2022.pdf
Objectifs pédagogiques; EDS - Qu’est-ce que c’est; Objectifs des EDS; Aujourd’hui dans les CH, État des lieux des EDS; Approche rouennaise pour l’EDS; EDS Rouen; EDSaN au CHU de Rouen; EDS Rouen - couverture fonctionnelle; Aspects méthodologiques et techniques; Architecture technique EDSaN; Politique d’accès à EDSaN; Résultats & Outils; Plateforme EDSaN; Outil modulaire de recherche; Les fonctions techniques des EDS; Analyses textuels (module Doc’EDS); Doc’EDS (module document); ECMT : annotation automatique des documents textuels; Exemple COVID long; Tableaux de bord; Exemple Épidémie de bronchiolites aux urgences pédiatriques 2022, CHU de Rouen; Expérience EDSaN : bilan novembre 2022; État des lieux; Les acteurs impliqués; Points forts et limites; Perspectives/problématiques futures
2022
false
false
false
false
true
Université de Rouen, Faculté de Médecine-Pharmacie
France
français
Entreposage de données
entrepôt de données
cours

---
N1-VALIDE
Entrepôts de données de santé hospitaliers en France
https://www.has-sante.fr/jcms/p_3386123/fr/entrepots-de-donnees-de-sante-hospitaliers-en-france
La HAS utilise depuis plusieurs années les données du système national de données de santé (SNDS) pour mener ses travaux d’évaluation et pour mesurer la qualité des soins. Elle s’intéresse également aux entrepôts de données de santé hospitaliers (EDSH) qui contiennent une grande quantité d’informations médicales complémentaires– des données de vie réelle - potentiellement utiles dans la réalisation de ses missions. Dans le cadre de sa stratégie data, elle a ainsi entrepris fin 2021 de dresser un panorama des EDSH en France. Un travail inédit qui révèle l’hétérogénéité d’un écosystème en pleine construction et qui va d’ores et déjà permettre à la HAS de lancer de nouvelles expérimentations.
2022
false
false
false
HAS - Haute Autorité de Santé
France
français
rapport
Entreposage de données
systèmes informatisés de dossiers médicaux
systèmes d'information hospitaliers
France
entrepôt de données
Entreposage de données

---
N1-VALIDE
https://www.cismef.org/cismef/wp/wp-content/uploads/2022/10/SCDW-Rouen-october-2022.pdf
https://www.cismef.org/cismef/wp/wp-content/uploads/2022/11/Semantic-Clinical-Data-Warehouse-in-Rouen-University-Hospital-Normandy-France.pdf
RUH DBI; Definition; HDW Objectives in general; HDW Objectives for pharmaceutical companies; CDW State of the art; Semantic HDW based on three independent layers; HeTOP Terminology server; ECMT Semantic Annotator (NLP & Deep Learning); Overall ECMT process; Multiterminology Multilingual Semantic search engine; Technical aspects; NoSQL Architecture; Acess Policy to EDSaN; Results; HDW Rouen - volumetry; HDW Rouen – functional coverage; Main steps are already performed...; EDSaN Platform; Modular search engine; Selection tool; Doc’EDS; Analyses; Data mining (ECMT) word cloud; Where EDSaN stands in August 2022; State of the play; Use cases of the SCDW; Keys to « success »; Still in development; Perspectives; Wordembeddings in two different contexts; Doc2Vec2PubMed; Valorization; Publications
2022
false
false
false
false
true
Université de Rouen, Faculté de Médecine-Pharmacie
France
français
cours
Entreposage de données
entrepôt de données

---
N1-VALIDE
Entrepôts de données: cas d'usage
https://www.cismef.org/cismef/wp/wp-content/uploads/2022/11/EDS_cas_dusages_2022.pdf
Cours présenté par Julien Grosjean. Cas 1: Situs Inversus; Contexte; Méthodologie EDS; Requêtes; Cas 2: Bicytopénie et hémolyse: stratégies diagnostiques et orientations en urgence; Cas 3: Filière fracture/prévention et suivi ostéoporose; Cas 4: Création d'une cohorte de patients atteints de TCA
2022
false
false
false
false
true
Université de Rouen, Faculté de Médecine-Pharmacie
France
français
cours
Entreposage de données
entrepôt de données

---
N1-VALIDE
Intérêt de l’approche sémantique dans la constitution et l’exploitation d’un entrepôt de données de santé
Webinar QuanTIM
https://youtu.be/ZzczKuT7tLw
https://sesstim.univ-amu.fr/video-box/webinar-quantim-stefan-darmoni
Présentation faite par le Pr. Stefan DARMONI : Le D2IM, Thématiques de recherche du D2IM, EDS - Qu'est-ce que c'est?, Objectifs des EDS, Aujourd'hui dans les CH, État des lieux des EDS, Approche rouennaise pour l'EDS, Un apport sémantique, EDS Rouen: 3 outils ressources autour de la sémantique, EDS Rouen, EDS Rouen - Volumétrie (octobre 2019), EDS Rouen - Couverture fonctionnelle, Couche SQL, Couche NoSQL, Entrepôt de données de santé - Proposition architecture sécurisée, Résultats et Outils, ECMTE, ECMT - Étude qualitative, Moteur de recherche complet (ASIS), ASIS, Analyses textuels (Doc'EDS), Cas d'usage et enjeux, Cas d'usage N 48, Cas d'usage Lubrizol, Valorisation, Aspects éthiques
2019
false
false
false
false
true
SESSTIM
France
sémantique
entrepôt de données
Annotation de données
moteur de recherche
SQL
Pas seulement SQL
matériel d'enseignement audio-visuel

---
N2-AUTOINDEXEE
Enjeux des entrepôts de données de santé
Webinar QuanTIM
https://youtu.be/EBT1L5IeHh0
https://sesstim.univ-amu.fr/video-box/webinar-quantim-anita-burgun
Anita BURGUN
2018
true
SESSTIM
France
matériel d'enseignement audio-visuel
santé
ensemble de données
Entreposage de données
ensemble de données
Entreposage de données
entrepôt de données

---
Nous contacter.
04/12/2022


[Accueil] [Haut de page]

© CHU de Rouen. Toute utilisation partielle ou totale de ce document doit mentionner la source.