Base ParaBios : Extraction synthétique vraisemblable du SNDS

About this dataset

1. Description de la base de données : 1. Objectifs et finalités initiales de la base de données : Ce jeu de données met à disposition une extraction synthétique du SNDS, construite avec un objectif de cohérence structurelle, métier et statistique. 2. Contexte de création : Cette base synthétique a été générée de manière algorithmique, en s’appuyant notamment sur le schéma des tables du SNDS pour l’année 2023. Elle a été conçue afin de faciliter l’exploration et la compréhension du SNDS, ainsi que le développement d’algorithmes, d’outils et de traitements autour de cette base. La version actuelle comprend 6 tables du DCIR, ainsi que les tables IR\_BEN\_R et IR\_IMB\_R. Le périmètre couvert et le niveau de cohérence intégré ont vocation à évoluer progressivement au fil des versions. À ce jour, elle intègre 362 éléments de cohérence structurelle et métier, ainsi que 14 éléments de cohérence statistique. Ces éléments sont détaillés dans les sections suivantes. 3. Public cible : Ces données synthétiques s’adressent à l’écosystème de la donnée de santé, notamment aux équipes souhaitant travailler sur la structure du SNDS, préparer des traitements, développer des algorithmes, tester des outils ou disposer d’un support pédagogique et technique sans recourir à des données individuelles réelles. 4. Résultats associés à la création de la base : Ce jeu de données a été généré avec la version 0.1.0 de ParaBios, un moteur de génération de données synthétiques basé sur des connaissances métier, développé par la Plateforme des Données de Santé. Le code source de ParaBios a vocation à être ouvert prochainement. 2. Méthodologie de collecte : 1. Méthodologie de collecte et critères d’inclusion : La base générée s’appuie sur plusieurs familles d’éléments de cohérence. Le premier socle correspond au schéma SNDS 2023. À ce stade, le périmètre généré couvre une partie du DCIR et deux tables bénéficiaires. Ce périmètre est destiné à être étendu progressivement. La génération repose également sur un ensemble de contraintes structurelles et de règles de gestion métier. Ces règles sont au nombre de 362 et couvrent notamment : * 155 contraintes de domaine, qui limitent les valeurs possibles d’une variable à une plage autorisée, hors nomenclatures * 146 contraintes de nomenclature, qui restreignent les valeurs des champs concernés aux référentiels associés * 23 contraintes inter-champs, par exemple des relations d’ordre entre dates ou des comparaisons entre variables * 16 contraintes d’héritage, utilisées lorsque des valeurs doivent être propagées d’une table parente vers une table enfant, sans nécessairement correspondre à des clés étrangères * 7 relations d’intégrité référentielle par clés étrangères composites * 7 champs dérivés, calculés directement à partir d’autres variables * 1 contrainte au niveau du jeu de données, pour encadrer la répartition d’un enregistrement parent entre plusieurs tables enfants En complément, 14 éléments statistiques agrégés depuis l’extraction Persephone ont été intégrés afin de renforcer la cohérence des distributions générées. Ces éléments statistiques portent notamment sur : * Des distributions univariées de variables de la table IR\_BEN\_R, telles que le sexe, le rang de naissance, certains indicateurs administratifs, le régime d’affiliation ou le département de résidence * Des variables à forte cardinalité, pour lesquelles les modalités les plus fréquentes sont modélisées, tandis que les autres modalités sont échantillonnées à partir des nomenclatures selon des masses agrégées * Des règles de rareté, incluant notamment la présence contrôlée de modalités singleton et les fréquences de valeurs NULL * Des distributions d’écarts temporels entre certaines dates de la table ER\_PRS\_F * Des contraintes multivariées, par exemple entre le département et la commune de résidence ainsi que l’âge et le sexe. Pour les variables très diffuses, comme certains organismes ou codes de gestion, la méthode combine généralement u