Libellé préféré : données de santé colligées en routine;
Définition du MeSH : Les données recueillies à d'autres fins que la recherche, par exemple les données
administratives sur la santé, les dossiers médicaux électroniques et les registres
de maladies et d'établissements.;
Synonyme CISMeF : données de vie réelle; real world data; données de santé de routine;
Acronyme CISMeF : RWD;
Identifiant d'origine : D000085143;
CUI UMLS : C5392244;
Concept(s) lié(s) au record
Type(s) sémantique(s)
Voir aussi
Voir aussi inter- (CISMeF)
Les données recueillies à d'autres fins que la recherche, par exemple les données
administratives sur la santé, les dossiers médicaux électroniques et les registres
de maladies et d'établissements.
N1-VALIDE
Fédérer les acteurs de l’écosystème pour libérer l’utilisation secondaire des données
de santé
https://sante.gouv.fr/IMG/pdf/rapport_donnees_de_sante.pdf
https://sante.gouv.fr/IMG/pdf/rapport_donnees_de_sante_-_tome_2_annexes.pdf
https://sante.gouv.fr/actualites/presse/communiques-de-presse/article/2-ans-de-france-2030-des-resultats-concrets-et-des-perspectives-pour-la-sante
L’utilisation primaire des données de santé renvoie à la collecte de données à l’occasion
de la prise en charge des patients, quand l’usage secondaire désigne l’utilisation
de ces données pour d’autres finalités comme la recherche et l’innovation ou le pilotage
ou encore l’amélioration de la qualité des soins. Ainsi, la conception d’algorithmes
pour mieux détecter des pathologies, la réalisation d’études pour mesurer les effets
en vie réelle de médicaments ou encore l’élaboration de tableaux de bord pour piloter
une crise sanitaire s’appuient sur des usages secondaires des données de santé. La
mission a par ailleurs retenu la définition large des données de santé adoptée par
le règlement européen sur la protection des données personnelles (RGPD), intégrant
dans son périmètre les données médicales, les données médico-administratives mais
aussi les données de recherche en santé.
2023
false
false
false
Ministère de la Santé et de la Prévention
France
Jeux de données comme sujet
ensemble de données
France
données de santé colligées en routine
Répertoire des données de santé
Jeux de données comme sujet
rapport
---
N3-AUTOINDEXEE
Données de vie réelle : utilisations et perspectives règlementaires
https://dumas.ccsd.cnrs.fr/dumas-03898860
Les différents acteurs du système de santé, plus particulièrement l’industrie pharmaceutique,
font aujourd’hui face à de nombreux challenges. Les défis liés à l’innovation et à
la productivité ont poussé les industriels à repenser leurs stratégies de modèles
de développement et à se tourner vers des soins de santé personnalisés, centrés sur
le patient. Les essais contrôles randomisés (ECR) sont considérés comme la référence
par les acteurs du système de santé pour évaluer l’efficacité et la sécurité des traitements
et ainsi guider de nombreuses décisions. Et, bien qu’il s’agisse d’un élément essentiel
en recherche clinique, ils ne reflètent pas toujours la réalité en pratique clinique.
En effet, du fait de leur méthodologie rigoureuse, de leurs critères de sélection
stricts et du suivi des patients dans un environnement très contrôlé, ces études ont
une validité interne très importante mais leur transposabilité en vie réelle est contestable.
Les « Real Word Evidence » (RWE) ou données de vie réelle sont des preuves cliniques
générées suite à l’analyse des données de santé issues de la vie réelle (« Real World
Data », RWD). Ces données sont depuis longtemps utilisées par les autorités de santé,
plus particulièrement en pharmacovigilance, pour surveiller la sécurité et l’innocuité
des médicaments et produits de santé présents sur le marché. Depuis quelques années,
on observe un intérêt croissant pour l’utilisation de ces dernières, tout au long
du cycle de vie du médicament. Elles peuvent être utilisées pour étayer des résultats
d’essais clinique (EC) en pratique habituelle, améliorer ou apporter de nouvelles
connaissances scientifiques, perfectionner le parcours de soins des patients et réduire
les coûts de développement. Elles vont ainsi servir de support dans les décisions
des différents acteurs de la santé. Les RWE sont donc complémentaires des ECR. Centrées
sur le patient, les RWE ont un rôle à jouer crucial dans l’étude des maladies rares,
mais aussi en oncologie où une médecine personnalisée est indispensable. Cela pourrait
permettre un accès aux patients à des thérapies innovantes plus rapidement. L’objectif
de cette thèse va donc être de comprendre quel est l’impact des RWE sur le cycle de
vie du médicament et sur la prise de décision règlementaire et d’étudier le cadre
règlementaire de différentes agences concernant l’utilisation de ces données ainsi
que les limites et challenges liés à leur utilisation.
2022
DUMAS - Dépôt Universitaire de Mémoires Après Soutenance
France
thèse ou mémoire
données de santé colligées en routine
ensemble de données
Vie
---
N3-AUTOINDEXEE
Prédiction contrefactuelle pour l'estimation causale à partir de données de vie réelle
http://www.theses.fr/2021NANT4062
L’absence de randomisation pour les données de vie réelle complique l’analyse statistique
et nécessite l’utilisation de méthodes complexes. L’application web Plug-Stat facilitece
type d’analyse en proposant des interfaces intuitives pour les non-spécialistes. La
présente thèse cherche à optimiser Plug-Stat en automatisant le plus possible l’étape
d’estimation causale. Trois travaux étudiant le comportement de ces méthodes et un
quatrième proposant un outil d’aide à la décision sont présentés. Le premier travail
compare par simulations les méthodes d’inférence causale les plus courantes selon
différents ensembles d’ajustement. Le second travail compare différentes approches
de machine learning en combinaison avec la g- computation pour éviter les biais liés
à une mauvaise spécification du modèle. Le troisième travail présente le développement
d’un estimateur de g-computation en présence de censure à droite. Ce nouvel estimateur
est également combiné avec un score de propension pour former un estimateur doublement
robuste. Ces trois méthodes sont ensuite comparées par simulations. Le dernier travail
propose un algorithme d’aide à la vérification de l’hypothèse de positivité. Au final,
la g-computation semble être une méthode à considérer pour l'automatisation de Plug-Stat
. Elle ne nécessite pas d'hypothèse d'équilibre et le machine learning évite les problèmes
de spécification. Enfin, la vérification de la positivité est automatisée au moyen
d'arbres de décision pour permettre à l’investigateur de redéfinir sa population d'étude.
2021
theses.fr
France
thèse ou mémoire
Respect
Vie
estimateur
ESTIMA
ensemble de données
données de santé colligées en routine
---