Ce projet fournit des conteneurs Docker optimisés pour déployer des instances de REDCap, un outil de gestion de bases de données cliniques et de formulaires électroniques. Destiné aux hôpitaux et établissements de santé, il facilite l'hébergement sécurisé et la gestion centralisée de données médicales sensibles. Les conteneurs sont conçus pour être légers, sécurisés et compatibles avec les environnements hospitaliers exigeants.

DanteDpp est une solution logicielle dédiée à la gestion et à l'analyse de données issues de détecteurs, notamment pour des applications en physique nucléaire ou en imagerie médicale. Elle permet de configurer des paramètres d'acquisition, de traiter les signaux en temps réel, de générer des spectres et de stocker les données pour une analyse ultérieure. Le système gère également les régions d'intérêt (ROI) et les flux de données pour une acquisition optimisée.

Combicancer est un pipeline de traitement et de reformatage de données médicales issues du Système National des Données de Santé (SNDS) en France. Il transforme des données brutes complexes en tables structurées au format OMOP-like, facilitant leur exploitation pour des analyses statistiques et épidémiologiques, notamment sur le cancer. Le projet vise à garantir la qualité, la traçabilité et la reproductibilité des données, tout en optimisant leur accessibilité pour la recherche médicale et la santé publique.

Ce projet vise à analyser et suivre les tensions hospitalières en temps réel pour améliorer la gestion des ressources médicales. Il permet aux établissements de santé d'anticiper les risques de saturation, d'optimiser l'allocation des lits et du personnel, et de mieux répondre aux besoins des patients. Les données collectées aident à identifier les déséquilibres entre l'offre et la demande de soins.

Panacea est une plateforme dédiée à la gestion centralisée des données médicales et au suivi des patients. Elle permet aux professionnels de santé de collaborer efficacement pour améliorer la qualité des soins et optimiser les processus administratifs. L'outil facilite l'analyse des données de santé publique pour une meilleure prise de décision et une réponse adaptée aux besoins des populations.

Ensemble de scripts dédiés au traitement et à l'analyse de données scientifiques ou médicales. Permet d'automatiser des flux de travail complexes, d'optimiser des jeux de données volumineux et de générer des rapports structurés. Utilisé principalement dans des environnements de recherche ou d'analyse avancée où la précision et l'efficacité sont critiques.

Ce projet développe un modèle d'ensemble de classifieurs monotones bidimensionnels pour analyser des données médicales ou comportementales. Il permet de prédire des risques (comme le cancer du col de l'utérus) en utilisant des données tabulaires pré-traitées. Le modèle intègre une sélection préalable de paires de caractéristiques pour optimiser les performances et réduire significativement le temps de calcul par rapport aux approches existantes.

Ce projet automatise et optimise le traitement de données génomiques et biologiques à grande échelle. Il permet aux chercheurs de configurer et d'exécuter des pipelines bioinformatiques complexes de manière reproductible et efficace. Les workflows gèrent des volumes importants de données, facilitant l'analyse génomique, la détection de variants et la production de résultats exploitables pour la recherche médicale ou biologique.

Projet dédié à l'application des principes de la physique dans le domaine médical. Il permet de modéliser et simuler des phénomènes physiques pour améliorer la compréhension des processus biologiques, optimiser les protocoles médicaux et analyser des données biomédicales. Les outils développés visent à soutenir la recherche et l'innovation en imagerie médicale et en diagnostic.

Ksvd est une bibliothèque dédiée à la décomposition parcimonieuse de signaux, notamment utilisée dans le domaine de l'apprentissage automatique et du traitement du signal. Elle permet d'extraire des motifs pertinents à partir de données complexes en optimisant leur représentation. Le projet est particulièrement utile pour les applications nécessitant une analyse rapide et efficace de grands volumes de données, comme l'imagerie médicale ou la reconnaissance de formes.