Grâce à notre API, accédez à notre réseau, ouvrez-vous à de nouveaux hôpitaux et gagnez du temps dans le déploiement de vos solutions.
Vous cherchez des opportunités ou des collaborations ?
Nous vous proposons de construire une offre commune dans les établissements de santé.
Accédez à des données de vie réelles et constituez vos cohortes rapidement pour vos essais cliniques. À l'aide d'une interface, vous identifiez les patient·e·s qui répondent à vos critères cliniques et effectuez des études statistiques sur l'impact de vos médicaments en respectant la confidentialité des données patient·e·s.
Vous avez besoin de plus de données cliniques et souhaitez automatiser l'accès aux données de vie réelle ?
Vous pouvez financer des partenariats avec vos établissements partenaires ou avec des établissements avec lesquels vous souhaitez travailler.
Accéder à des métriques claires sur l'état des lieux de la santé en France.
Vous avez envie d'accélérer la transformation numérique des établissements de soin ?
Vous pouvez financer les projets qui assurent la souveraineté des établissements de soin sur leurs données et automatiser la collecte des indicateurs de qualité des soins.
En collaboration avec les établissements, nous intégrons les données de santé dans une architecture de données standardisées. Grâce à notre API FHIR ou au format tabulaire OMOP, nous vous proposons d’accéder simplement aux périmètres de données dont vous avez besoin. Nous souhaitons que tous les acteurs puissent se concentrer sur la valeur ajoutée de leurs expertises métier, au bénéfice de tout l’écosystème Santé.
Bénéficiez d'outils de pointe pour vous connecter en toute sécurité aux données de santé de vos établissements.
Notre entrepôt de santé est accessible via une API intégrée en FHIR qui permet à des réutilisateurs de requêter des données de santé structurées et en production.
Cette API convient parfaitement aux applications mobiles, tableaux de bord et autres outils de monitoring, qui peuvent ainsi accéder à des données riches en temps réel sans avoir à s'interfacer avec les différents logiciels médicaux.
{
"resourceType": "Patient",
"id": "757",
"identifier": [ {
"system": "http://starfleet-hospital/ufp/fhir/NamingSystem/Patient-identifier",
"value": "NCC-1040"
} ],
"name": [ {
"family": "Burnham",
"given": [ "Michelle" ]
} ],
"gender": "female",
"birthDate": "1954-10-24",
"address": [ {
"extension": [ {
"url": "http://fhir.ufp/StructureDefinition",
"valueString": "Earth"
} ],
"line": [ "9 rue d'Alexandrie" ],
"city": "Paris",
"postalCode": "75002",
"country": "France"
} ],
"maritalStatus": {
"coding": [ {
"system": "http://terminology.hl7.org/CodeSystem/v3-MaritalStatus",
"code": "U",
"display": "unmarried"
} ]
}
},
"search": {
"mode": "match"
}
}
Nous proposons également une interface SQL pour requêter l'entrepôt FHIR, afin de faciliter le travail des projets de recherche en leur permettant de traiter des données de santé structurées à large échelle pour entraîner leurs modèles d'apprentissage.
Cela réduit considérablement le temps passé par les équipes à nettoyer les données et à déployer des architectures scalables dans les centres de soin, et leur permet de se focaliser sur la conception des modèles.
import fhir2dataset as query
sql_query = """
SELECT Patient.name.family, Patient.address.city
FROM Patient
WHERE Patient.birthdate = 2000-01-01 AND Patient.gender = 'female'
"""
query.sql(sql_query)
100%|██████████| 1000/1000 [00:01<00:00, 16it/s]
Patient.name.family Patient.address.city
--------------------------------------------
0 Mozart Paris
1 Chopin London
2 Listz Vienna
...
Entraîner un modèle sur plusieurs établissements permet d'agréger plus de données et d'améliorer significativement sa précision sans avoir à centraliser les données. Grâce à nos partenariats avec des institutions à la pointe sur ce sujet, nous fournissons une architecture intégrée pour entraîner des modèles sur l'ensemble de son réseau d'entrepôts de données. Vos équipes peuvent déployer leurs modèles rapidement sur toutes ces bases de données et peuvent également utiliser des outils pour améliorer la confidentialité de leurs modèles, tels que la differential privacy.
Cette approche d'apprentissage décentralisée appelée Federated Learning permet aux établissements de garder la souveraineté sur leurs données de santé. Vous pouvez en apprendre plus sur l'apprentissage fédéré sur notre page dédiée, pour comprendre par exemple comment il améliore la confidentialité des données.
model.train()
for data, target in federated_train_loader: # This is a distributed dataset
model.send(data.location) # Send the model to the right location
optimizer.zero_grad()
output = model(data) # Operations are done remotely under the hood
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
model.get() # Get the model back