Ce projet effectue des statistiques sur la démographie des professionnels de santé en téléchargeant et déchiffrant des fichiers sources, en transformant et exportant des données, et en publiant les fichiers cibles sur un serveur FTP.

Ce projet automatise le traitement et la transformation de données médicales en utilisant le standard FHIR (Fast Healthcare Interoperability Resources). Il permet d'intégrer, normaliser et valider des données de santé issues de différentes sources pour les rendre exploitables dans des systèmes d'information médicaux. Le pipeline gère l'extraction, le nettoyage, le stockage et la mise à disposition des données via une API FHIR, facilitant ainsi l'interopérabilité entre systèmes de santé.

Ce projet automatise l'extraction et la structuration des informations médicales contenues dans les Résumés des Caractéristiques du Produit (RCP) des médicaments. Il permet de transformer des fichiers HTML en données exploitables pour des analyses statistiques, des rapports ou des intégrations dans des pipelines de données. L'objectif est de faciliter l'accès et l'exploitation des données réglementaires des médicaments pour les professionnels de santé ou les organismes publics.

Ce projet est dédié à l'extraction, la transformation et le chargement (ELT) de données démographiques concernant les professionnels de santé. Il permet d'agréger et d'analyser des informations essentielles pour mieux comprendre la répartition et les caractéristiques des acteurs du secteur médical.

Ce projet fournit un plugin de définition de langage pour Prism.js, permettant la coloration syntaxique des fichiers FHIR Mapping Language (FML). FML est un langage dédié à la transformation de données entre différents formats de ressources FHIR, essentiel pour l'interopérabilité en santé. Le plugin offre un support complet de la syntaxe FML avec plus de 15 types de jetons, des tests exhaustifs et une documentation détaillée pour les développeurs travaillant sur des solutions d'interopérabilité médicale.

Ce projet permet de centraliser et transformer les données issues des inspections et contrôles, notamment pour les établissements de santé comme les EHPAD. Il gère des tables de staging, des référentiels géographiques et des vues dédiées à l'open data et aux tableaux de bord Excel. Les données sont nettoyées, transformées et mises à disposition pour des analyses ou des publications publiques.

Ce projet vise à standardiser les données du Système National des Données de Santé (SNDS) au format OMOP-CDM, un modèle de données commun pour la recherche en santé. Il permet de transformer des extraits de données médicales (DCIR, PMSI, CépiDc) en une structure unifiée et interopérable, facilitant ainsi les analyses épidémiologiques et la recherche clinique. Deux versions sont disponibles, couvrant des périodes et des cohortes spécifiques.

Ce projet automatise la gestion et le contrôle des données des établissements de santé (EHPAD, hôpitaux, etc.). Il permet de transformer des fichiers Excel ou CSV en bases de données structurées, d'exécuter des requêtes SQL pour générer des rapports de ciblage et de contrôle, et d'exporter ces résultats par région. Les données sont organisées et analysées pour faciliter la prise de décision dans le secteur de la santé publique.

Ce projet est un outil d'anonymisation et de génération d'identifiants uniques pour des données sensibles, notamment dans le domaine de la santé. Il permet de transformer des identifiants sources (comme des numéros de patients) en identifiants anonymisés et déterministes, tout en garantissant la traçabilité via un fichier de mapping sécurisé. L'objectif est de protéger les données personnelles tout en assurant la reproductibilité des traitements et la conformité aux réglementations en vigueur.

SCALPEL-Flattening est une bibliothèque open source conçue pour transformer et optimiser les données du Système National des Données de Santé (SNDS) en France. Elle permet de convertir des fichiers CSV en formats compressés comme Parquet, puis de les fusionner en tables unifiées pour faciliter l'extraction de concepts médicaux. Ce processus accélère l'analyse des données de santé tout en réduisant leur volume, rendant les bases de données plus accessibles et exploitables pour la recherche et les études épidémiologiques.