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.

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.

Projet de l'Assistance Publique - Hôpitaux de Paris visant à standardiser et gérer les données de santé via le standard FHIR. Il permet la création de guides d'implémentation pour harmoniser les échanges entre systèmes médicaux, la transformation des données FHIR en modèle OMOP pour l'analyse observationnelle, et la documentation des profils et règles de mapping. L'objectif est d'améliorer l'interopérabilité et la réutilisation des données de santé pour la recherche et les soins.

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.

BioGITOM est un système spécialisé dans l'alignement d'ontologies biomédicales, essentielles pour organiser et standardiser les connaissances médicales. Il combine des embeddings sémantiques spécifiques au domaine avec des caractéristiques structurelles issues d'un modèle hybride (Graph Isomorphism Transformer). Cette approche permet de générer des représentations précises des concepts et d'améliorer l'intégration des données entre différentes ontologies, facilitant ainsi la recherche et l'analyse en santé.

Ce projet est une implémentation d'une approche de détection de failles XSS (Cross-Site Scripting) dans le code source en utilisant l'apprentissage profond. Il fournit des transformations pour Node.js et Hop.js en renommant les fonctions et les variables.