– Aide au diagnostic ou la médecine personnalisée via l’exploitation de l’historique de données patients (Electronique Health Record, Real World Evidence etc.)
– Suivi médical (traitement de données de monitoring, e-Health ou santé connectée)
– Drug discovery (présélection intelligente de molécules candidates)
– Extraction d’information depuis des données brutes, par exemple textuelles et création de bases de données structurées
– Analyse de résultats issus d’essais cliniques ou de bases de données biologiques
– Optimisation de performance des établissements de Santé (traitement des données administratives etc.)
– Optimisation des opérations Marketing (temps, coûts etc.)
– Supply chain
– Market access

– Architecture et gestion de bases de données (conception, exploitation et administration de la base)
– Détection et gestion des données manquantes, dupliquées ou incohérentes
– Outils : Oracle SQL, Hadoop, Scala, R, python

– Data visualisation
– Biostatistiques et consolidation,
– rapport
– Outils : Tableau, Spotfire, R Shiny, Python, Oracle SQL, Power BI, QlikView

– Document textuel : dossiers médicaux, résultats d’analyses, etc.
– Fichier structuré : étude clinique, tableau de résultats, etc.
– Base de données : patients, moléculaire, etc.
– Imagerie : radios, scanner, etc.

– NLP (Natural Language Processing) : text mining, exploitation et structuration des données textuelles telles que les dossiers patients ou les rapports médicaux
– ANN (Artificial Neural Network), RNN (Recurrent Neural Network): traitement de données historique patient pour de la prédiction de risque, monitoring pour du suivi ou de la prévention
– CNN (Convolutional Neural Network) : analyse d’imagerie
– Apprentissage non-supervisé : labeling pour la détection de fraude
– Random forest, k-means : classification ou clustering à partir de données d’essais cliniques
– Data mining : détection de fraude aux assurances santé