Documentation Analyse Médicale JBN

Structure des données

Table Principale : `class_join_total_morbidite_sexe_population`

1. Identification et Localisation

Champ	Type	Description
niveau	STRING	Niveau administratif (département, région)
cle_unique	STRING	Identifiant unique par enregistrement
sexe	STRING	Homme/Femme/Ensemble
year	DATE	Format AAAA-MM-JJ
annee	INTEGER	Année en format numérique
region	STRING	Code ou nom de la région
code_region	INTEGER	Code numérique de la région
nom_region	STRING	Nom complet de la région

2. Pathologie

Champ	Type	Description
pathologie	STRING	Code descriptif de la pathologie
code_pathologie	INTEGER	Code numérique de la pathologie
nom_pathologie	STRING	Nom complet de la pathologie

3. Hospitalisations

Champ	Type	Description
nbr_hospi	INTEGER	Nombre total d'hospitalisations
hospi_prog_24h	FLOAT	Hospitalisations programmées (24h)
hospi_autres_24h	FLOAT	Autres hospitalisations (24h)
hospi_total_24h	FLOAT	Total hospitalisations en 24h
hospi_[1-9]J	FLOAT	Hospitalisations par durée (1-9 jours)
hospi_10J_19J	FLOAT	Hospitalisations de 10 à 19 jours
hospi_20J_29J	FLOAT	Hospitalisations de 20 à 29 jours
hospi_30J	FLOAT	Hospitalisations de 30 jours et plus
hospi_total_jj	FLOAT	Total toutes durées confondues
AVG_duree_hospi	FLOAT	Durée moyenne des hospitalisations

4. Évolutions et Variations

Champ	Type	Description
evolution_nbr_hospi	FLOAT	Variation absolue du nombre d'hospitalisations comparé à l'année précédente
evolution_percent_nbr_hospi	FLOAT	Variation en pourcentage comparé à l'année précédente
evolution_hospi_total_24h	FLOAT	Évolution des hospitalisations 24h comparé à l'année précédente
evolution_hospi_total_jj	FLOAT	Évolution du total des journées comparé à l'année précédente
evolution_AVG_duree_hospi	FLOAT	Évolution de la durée moyenne comparé à l'année précédente
evolution_percent_*	FLOAT	Variations en pourcentage des différents indicateurs comparé à l'année précédente

5. Données Démographiques

Champ	Type	Description
tranche_age_0_1	FLOAT	Proportion 0-1 an
tranche_age_1_4	FLOAT	Proportion 1-4 ans
tranche_age_5_14	FLOAT	Proportion 5-14 ans
tranche_age_15_24	FLOAT	Proportion 15-24 ans
tranche_age_25_34	FLOAT	Proportion 25-34 ans
tranche_age_35_44	FLOAT	Proportion 35-44 ans
tranche_age_45_54	FLOAT	Proportion 45-54 ans
tranche_age_55_64	FLOAT	Proportion 55-64 ans
tranche_age_65_74	FLOAT	Proportion 65-74 ans
tranche_age_75_84	FLOAT	Proportion 75-84 ans
tranche_age_85_et_plus	FLOAT	Proportion 85 ans et plus

6. Indicateurs de Santé

Champ	Type	Description
tx_brut_tt_age_pour_mille	FLOAT	Taux brut pour 1 000 habitants
tx_standard_tt_age_pour_mille	FLOAT	Taux standardisé pour 1 000 habitants
indice_comparatif_tt_age_percent	FLOAT	Indice standardisé en pourcentage

7. Classification et Population

Champ	Type	Description
classification	STRING	Service médical (M, C, SSR, O, ESND, PSY)*
population	INTEGER	Population totale par département

* Classification des services :

M : Médecine
C : Chirurgie
SSR : Soins de Suite et de Réadaptation
O : Obstétrique
ESND : Établissement de Soin Longue Durée
PSY : Psychothérapie

Table des Capacités : `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite_capacite.class_join_total_morbidite_capacite_kpi`

1. Capacité d'Accueil

Champ	Type	Description
lit_hospi_complete	FLOAT	Nombre de lits en hospitalisation complète
place_hospi_partielle	FLOAT	Nombre de places en hospitalisation partielle
passage_urgence	FLOAT	Nombre de passages aux urgences

2. Activité Hospitalière

Champ	Type	Description
sejour_hospi_complete	FLOAT	Nombre de séjours en hospitalisation complète
sejour_hospi_partielle	FLOAT	Nombre de séjours en hospitalisation partielle
journee_hospi_complete	FLOAT	Nombre de journées d'hospitalisation complète

3. Taux d'Occupation

Champ	Type	Description
taux_occupation	FLOAT	Taux d'occupation global
taux_occupation1	FLOAT	Taux d'occupation alternatif

4. Évolutions des Capacités

Champ	Type	Description
evolution_lit_hospi_complete	FLOAT	Variation du nombre de lits (vs année précédente)
evolution_percent_lit_hospi_complete	FLOAT	Variation en % du nombre de lits
evolution_place_hospi_partielle	FLOAT	Variation des places en hospitalisation partielle
evolution_percent_place_hospi_partielle	FLOAT	Variation en % des places partielles

5. Évolutions de l'Activité

Champ	Type	Description
evolution_sejour_hospi_complete	FLOAT	Variation des séjours complets
evolution_sejour_hospi_partielle	FLOAT	Variation des séjours partiels
evolution_journee_hospi_complete	FLOAT	Variation des journées d'hospitalisation
evolution_passage_urgence	FLOAT	Variation des passages aux urgences
evolution_percent_passage_urgence	FLOAT	Variation en % des passages aux urgences

6. Évolutions des Taux

Champ	Type	Description
evolution_taux_occupation1	FLOAT	Variation du taux d'occupation
evolution_percent_taux_occupation1	FLOAT	Variation en % du taux d'occupation

7. Données Démographiques et Indicateurs

Champ	Type	Description
population	FLOAT	Population de référence
tx_brut_tt_age_pour_mille	FLOAT	Taux brut pour 1000 habitants
tx_standard_tt_age_pour_mille	FLOAT	Taux standardisé pour 1000 habitants
indice_comparatif_tt_age_percent	FLOAT	Indice comparatif tous âges (%)

Cette table fournit une vue complète des capacités hospitalières et de leur utilisation, incluant :

Les capacités d'accueil en hospitalisation complète et partielle
L'activité détaillée (séjours, journées, passages aux urgences)
Les taux d'occupation et leurs évolutions
Les variations annuelles de tous les indicateurs
Les données démographiques et indicateurs standardisés

Les données sont disponibles par :

Service médical (classification)
Niveau administratif (région/département)
Année
Type d'hospitalisation (complète/partielle)

Vue Globale (Page Principale)

1. Structure des Données

a. Sources de Données

# Dataset principal
query_main = """
    SELECT * FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite.class_join_total_morbidite_sexe_population`
"""

# Données de capacité
query_capacite = """
    SELECT * FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite_capacite.class_join_total_morbidite_capacite_kpi`
"""

b. DataFrames Spécialisés

df_nbr_hospi : Données d'hospitalisation

df_nbr_hospi = df_complet[[
    'niveau', 'year', 'region', 'nom_region', 'pathologie', 'nom_pathologie', 'sexe',
    'nbr_hospi', 'evolution_nbr_hospi', 'evolution_percent_nbr_hospi',
    'evolution_hospi_total_24h', 'evolution_hospi_total_jj', 'indice_comparatif_tt_age_percent',
    'tranche_age_0_1', ..., 'tranche_age_85_et_plus', 'classification'
]]

df_duree_hospi : Durées de séjour

df_duree_hospi = df_complet[[
    'niveau', 'year', 'region', 'nom_pathologie', 'sexe',
    'AVG_duree_hospi', 'evolution_AVG_duree_hospi', 'evolution_percent_AVG_duree_hospi',
    'evolution_hospi_total_jj', 'classification'
]]

df_tranche_age_hospi : Analyses par âge

df_tranche_age_hospi = df_complet[[
    'niveau', 'year', 'region', 'nom_pathologie',
    'tranche_age_0_1', ..., 'tranche_age_85_et_plus',
    'tx_brut_tt_age_pour_mille', 'tx_standard_tt_age_pour_mille',
    'indice_comparatif_tt_age_percent', 'classification'
]]

2. Interface et Fonctionnalités

a. Chargement des Données

@st.cache_resource
def fetch_data():
    # Chargement avec gestion d'erreurs et cache
    # Conversion des dates
    df_complet['year'] = pd.to_datetime(df_complet['year'])

b. Métriques Principales

@st.cache_data
def calculate_main_metrics(df_nbr_hospi, df_capacite_hospi, selected_sex='Ensemble'):
    metrics = {}
    # Calcul des hospitalisations par année
    # Calcul des lits disponibles par année
    return metrics

3. Structure des Onglets

a. Évolution des Hospitalisations (Tab 1)

Métriques clés 2018-2022
Graphiques d'évolution
Analyses comparatives

b. Analyse Géographique (Tab 2)

Cartes interactives
Répartition régionale
Comparaisons territoriales

c. Analyse par Pathologie (Tab 3)

Sélecteur de pathologies
Graphiques combinés
Visualisations 3D temporelles

d. Profil Démographique (Tab 4)

Distribution par âge
Évolution des taux
Heatmaps démographiques

e. Performance des Services (Tab 5)

Comparaison des services
Analyses temporelles
Indicateurs de performance

4. Visualisations Spécifiques

a. Graphiques Temporels

# Graphique combiné hospitalisations/durée
fig = make_subplots(specs=[[{"secondary_y": True}]])
fig.add_trace(
    go.Bar(x=hospi_by_pathology['nom_pathologie'], y=hospi_by_pathology['nbr_hospi']),
    secondary_y=False
)

b. Graphiques 3D et Animations

# Animation temporelle
fig = px.scatter(
    combined_data,
    x='nbr_hospi',
    y='AVG_duree_hospi',
    animation_frame='year',
    size='nbr_hospi',
    color='AVG_duree_hospi'
)

c. Heatmaps Démographiques

fig_heatmap = px.density_heatmap(
    df_age_service_melted,
    x='tranche_age',
    y='classification',
    z='value',
    title='Distribution des hospitalisations par âge et service'
)

5. Optimisations et Performance

a. Mise en Cache

Utilisation de @st.cache_resource pour les données
Utilisation de @st.cache_data pour les calculs

b. Interface de Chargement

def load_with_progress():
    # Interface visuelle de chargement
    # Barre de progression
    # Gestion des erreurs

c. Gestion de la Mémoire

Création de vues spécifiques
Filtrage optimal des données
Nettoyage des données non utilisées

Relations et Utilisation des Tables

1. Jointures et Relations

Les tables class_join_total_morbidite_sexe_population et class_join_total_morbidite_capacite_kpi sont liées par les champs suivants :

niveau (Départements/Régions)
year (Année)
classification (Type de service médical)
region/code_region (Identifiant territorial)

2. Complémentarité des Données

Table Population	Table Capacité	Utilisation Combinée
Nombre d'hospitalisations	Nombre de lits	Taux d'occupation
Durée moyenne de séjour	Journées d'hospitalisation	Efficacité des services
Données démographiques	Capacité d'accueil	Adéquation ressources/besoins

3. Cas d'Utilisation dans l'Application

a. Vue Globale

# Exemple de jointure pour l'analyse globale
df_analyse = pd.merge(
    df_population,
    df_capacite,
    on=['niveau', 'year', 'classification', 'region'],
    how='left'
)

# Calcul des indicateurs combinés
df_analyse['taux_occupation'] = (df_analyse['hospi_total_jj'] / 
                               (df_analyse['lit_hospi_complete'] * 365)) * 100

b. Analyse Géographique

# Analyse territoriale des capacités et besoins
analyse_territoriale = df_analyse.groupby(['region', 'classification']).agg({
    'nbr_hospi': 'sum',
    'lit_hospi_complete': 'sum',
    'taux_occupation': 'mean',
    'population': 'first'
}).reset_index()

c. Focus par Service

# Analyse spécifique par service médical
def analyse_service(classification, annee):
    return df_analyse[
        (df_analyse['classification'] == classification) & 
        (df_analyse['year'] == annee)
    ].agg({
        'nbr_hospi': 'sum',
        'lit_hospi_complete': 'sum',
        'AVG_duree_hospi': 'mean',
        'taux_occupation': 'mean'
    })

4. Indicateurs Dérivés

Indicateur	Calcul	Description
Taux d'occupation	`hospi_total_jj / (lit_hospi_complete * 365)`	Utilisation des capacités
Rotation des lits	`nbr_hospi / lit_hospi_complete`	Efficacité d'utilisation
Durée moyenne effective	`journee_hospi_complete / sejour_hospi_complete`	Durée réelle des séjours

5. Exemples de Visualisations Combinées

a. Carte de France

# Préparation des données pour la carte
map_data = df_analyse.groupby('region').agg({
    'nbr_hospi': 'sum',
    'lit_hospi_complete': 'sum',
    'taux_occupation': 'mean'
}).reset_index()

b. Graphiques d'Évolution

# Évolution temporelle des capacités et besoins
evolution_data = df_analyse.groupby('year').agg({
    'nbr_hospi': 'sum',
    'lit_hospi_complete': 'sum',
    'taux_occupation': 'mean'
}).reset_index()

6. Considérations Importantes

Gestion des Données Manquantes

# Remplacement des valeurs manquantes
df_analyse['taux_occupation'] = df_analyse['taux_occupation'].fillna(
    df_analyse.groupby('classification')['taux_occupation'].transform('mean')
)

Cohérence Temporelle

# Vérification de la cohérence des données
def verifier_coherence(df):
    return df.groupby('year').agg({
        'nbr_hospi': 'sum',
        'sejour_hospi_complete': 'sum'
    }).eval('difference = nbr_hospi - sejour_hospi_complete')

Agrégations Territoriales

# Agrégation région -> département
def agreger_territoire(df, niveau_cible):
    colonnes_somme = ['nbr_hospi', 'lit_hospi_complete', 'journee_hospi_complete']
    colonnes_moyenne = ['AVG_duree_hospi', 'taux_occupation']
    
    return df.groupby(['year', niveau_cible]).agg({
        **{col: 'sum' for col in colonnes_somme},
        **{col: 'mean' for col in colonnes_moyenne}
    })

Vue Globale

Tableaux de bord interactifs avec filtres par année et région
Graphiques de tendances temporelles
Cartes de France pour visualisation géographique

Focus Chirurgie (Détaillé)

1. Filtres Globaux

Sélection du sexe : "Ensemble", "Homme", "Femme"
Sélection de l'année : Toutes les années ou année spécifique

Filtrage des données :

df_filtered = df.copy()
if selected_sex != "Ensemble":
    df_filtered = df_filtered[df_filtered['sexe'] == selected_sex]
if selected_year != "Toutes les années":
    df_filtered = df_filtered[df_filtered['annee'] == int(selected_year)]

2. Analyse par Pathologies (Tab 1)

a. Métriques Principales

Total d'hospitalisations : Somme de nbr_hospi
Durée moyenne : Moyenne de AVG_duree_hospi
Indice comparatif : Moyenne de indice_comparatif_tt_age_percent
Hospitalisations < 24h : Pourcentage calculé à partir de hospi_total_24h
Tranche d'âge majoritaire : Analyse des colonnes tranche_age_*

b. Graphique Principal : Hospitalisations et Durée de Séjour

Type : Graphique combiné (Barres + Ligne)

Données :

hospi_by_pathology = df_filtered.groupby('nom_pathologie').agg({
    'nbr_hospi': 'sum',
    'AVG_duree_hospi': 'mean'
})

Visualisation :
- Barres : Nombre d'hospitalisations par pathologie
- Ligne : Durée moyenne de séjour
- Filtrage : Top N pathologies (configurable via slider)

c. Graphique Dynamique : Scatter Plot Animé

Type : Scatter plot avec animation temporelle

Données :

combined_data = pd.merge(
    df_nbr_hospi.groupby(['nom_pathologie', 'annee'])['nbr_hospi'].sum(),
    df_duree_hospi.groupby(['nom_pathologie', 'annee'])['AVG_duree_hospi'].mean(),
    on=['nom_pathologie', 'annee']
)

Caractéristiques :
- Taille des bulles : Nombre d'hospitalisations
- Couleur : Durée moyenne de séjour
- Animation : Par année
- Texte : Nom de la pathologie

3. Analyse par Capacité (Tab 2)

Visualisations géographiques des capacités
Analyse des ressources par région
Évolution temporelle des capacités

4. Analyse Démographique (Tab 3)

Distribution par âge
Analyses des taux standardisés
Comparaisons démographiques régionales

5. Caractéristiques Techniques

Thème de couleurs :

MAIN_COLOR = '#003366'  # Bleu marine principal
SECONDARY_COLOR = '#AFDC8F'  # Vert clair complémentaire
ACCENT_COLOR = '#3D7317'  # Vert foncé pour les accents

Mise en page : Utilisation de colonnes Streamlit pour une disposition responsive

Focus Obstétrique (Détaillé)

1. Source de Données

query = """
    SELECT *
    FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite.class_join_total_morbidite_sexe_population`
    WHERE classification = 'O' AND niveau = 'Régions'
"""

2. Filtres Globaux

Identiques à la chirurgie avec des clés spécifiques :

selected_sex = st.selectbox("Sexe", ["Ensemble", "Homme", "Femme"], key="selecteur_sexe")
selected_year = st.selectbox("Année", years_options, key="year_filter")

3. Analyse par Pathologies (Tab 1)

a. Métriques Clés

Total d'hospitalisations :

total_hospi = path_data['nbr_hospi'].sum()
st.metric("Total d'hospitalisations", f"{total_hospi/1_000:,.2f}K")

Durée moyenne de séjour :

avg_duration = df_filtered['AVG_duree_hospi'].mean()
st.metric("Durée moyenne", f"{avg_duration:.1f} jours")

Indice comparatif : Moyenne de indice_comparatif_tt_age_percent
Hospitalisations < 24h : Pourcentage calculé à partir de hospi_total_24h
Analyse par âge : Utilisation des colonnes tranche_age_*

b. Visualisations Principales

Graphique Combiné Hospitalisations/Durée
- Type : Subplot avec axe Y secondaire
- Données : Agrégation par pathologie
- Composants :
  - Barres : Nombre d'hospitalisations
  - Ligne : Durée moyenne de séjour
- Interactivité : Hover templates personnalisés
Scatter Plot Dynamique
- Animation temporelle par année
- Taille des bulles proportionnelle au nombre d'hospitalisations
- Échelle de couleur Viridis pour la durée de séjour

4. Spécificités Obstétriques

Focus sur les pathologies liées à la grossesse et l'accouchement
Analyse des durées de séjour typiques en obstétrique
Suivi des tendances par tranche d'âge

5. Différences avec la Chirurgie

Classification 'O' spécifique à l'obstétrique
Métriques adaptées aux séjours obstétriques
Focus sur les pathologies médicales chroniques
Analyse des durées de séjour plus longues

6. Visualisations Spécifiques

Graphiques Temporels :

combined_data_3d = pd.merge(
    df_nbr_hospi.groupby(['nom_pathologie', 'annee'])['nbr_hospi'].sum(),
    df_duree_hospi.groupby(['nom_pathologie', 'annee'])['AVG_duree_hospi'].mean(),
    on=['nom_pathologie', 'annee']
)

Personnalisation des Graphiques :
- Utilisation de templates Plotly White
- Interactivité avancée
- Animations fluides pour les tendances temporelles

Focus Médecine (Détaillé)

1. Source de Données et Spécificités

query = """
    SELECT *
    FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite.class_join_total_morbidite_sexe_population`
    WHERE classification = 'M' AND niveau = 'Régions'
"""

2. Prétraitement des Données

Gestion des Données COVID :

mask_covid = (df['nom_pathologie'] == 'Infection à coronavirus (COVID-19)') & 
             (df['annee'].isin([2018, 2019]))
df.loc[mask_covid, ['nbr_hospi', 'AVG_duree_hospi', 'indice_comparatif_tt_age_percent']] = 0

3. Structure des Onglets

Analyse par pathologies (📈)
- Sélecteur de pathologies avec option "Toutes les pathologies"
- Métriques clés affichées en colonnes
- Visualisations combinées
Analyse par capacité (🗺️)
- Visualisations géographiques
- Analyse des capacités hospitalières
Analyse démographique (🏥)
- Distribution par âge
- Analyses comparatives

4. Métriques Spécifiques à la Médecine

Indicateurs de Performance :

total_hospi = path_data['nbr_hospi'].sum()
avg_duration = df_filtered['AVG_duree_hospi'].mean()
indice_comparatif = path_data['indice_comparatif_tt_age_percent'].mean()

Visualisations Spécifiques Médecine
- Graphique Principal :
  - Barres : Nombre d'hospitalisations par pathologie
  - Ligne : Durée moyenne de séjour
- Scatter Plot Dynamique :
  - Animation temporelle
  - Taille des bulles : Nombre d'hospitalisations
  - Couleur : Durée de séjour

b. Analyse par Capacité (Tab 2)

Répartition géographique des capacités médicales
Analyse des ressources par région
Évolution temporelle des capacités

c. Analyse Démographique (Tab 3)

Distribution par âge des patients médicaux
Tendances démographiques spécifiques
Comparaisons régionales

5. Spécificités de la Médecine

Classification : Utilisation du code 'M'
Durées de Séjour : Généralement plus longues que les autres services
Population : Souvent âgée ou en réadaptation

6. Visualisations Spécifiques

Graphiques Temporels :

combined_data_3d = pd.merge(
    df_nbr_hospi.groupby(['nom_pathologie', 'annee'])['nbr_hospi'].sum(),
    df_duree_hospi.groupby(['nom_pathologie', 'annee'])['AVG_duree_hospi'].mean(),
    on=['nom_pathologie', 'annee']
)

Personnalisation des Graphiques :
- Utilisation de templates Plotly White
- Interactivité avancée
- Animations fluides pour les tendances temporelles

Focus Psychiatrie (Détaillé)

1. Source de Données

query = """
    SELECT *
    FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite.class_join_total_morbidite_sexe_population`
    WHERE classification = 'PSY' AND niveau = 'Régions'
"""

2. Prétraitement des Données

Gestion des Données COVID :

mask_covid = (df['nom_pathologie'] == 'Infection à coronavirus (COVID-19)') & 
             (df['annee'].isin([2018, 2019]))
df.loc[mask_covid, ['nbr_hospi', 'AVG_duree_hospi', 'indice_comparatif_tt_age_percent']] = 0

3. Filtres et Interface

Filtres Principaux :

selected_sex = st.selectbox("Sexe", ["Ensemble", "Homme", "Femme"], key="selecteur_sexe_psy")
selected_year = st.selectbox("Année", years_options, key="year_filter_psy")

4. Structure de l'Analyse

a. Analyse par Pathologies (Tab 1)

Sélection des Pathologies
- Liste déroulante complète des pathologies psychiatriques
- Option "Toutes les pathologies" incluse

Métriques Clés

total_hospi = path_data['nbr_hospi'].sum()
avg_duration = df_filtered['AVG_duree_hospi'].mean()
indice_comparatif = path_data['indice_comparatif_tt_age_percent'].mean()

Visualisations Spécifiques Psychiatrie
- Graphique Principal :
  - Barres : Nombre d'hospitalisations par pathologie
  - Ligne : Durée moyenne de séjour
- Scatter Plot Dynamique :
  - Animation temporelle
  - Taille des bulles : Nombre d'hospitalisations
  - Couleur : Durée de séjour

b. Analyse par Capacité (Tab 2)

Visualisations géographiques des capacités psychiatriques
Analyse des ressources par région
Évolution temporelle des capacités

c. Analyse Démographique (Tab 3)

Distribution par âge des patients psychiatriques
Tendances démographiques spécifiques
Comparaisons régionales

5. Spécificités de la Psychiatrie

Classification : Code 'PSY' spécifique
Durées de Séjour : Typiquement plus longues
Population : Souvent âgée ou en réadaptation

6. Visualisations Spécifiques

Graphiques Temporels :

combined_data_3d = pd.merge(
    df_nbr_hospi.groupby(['nom_pathologie', 'annee'])['nbr_hospi'].sum(),
    df_duree_hospi.groupby(['nom_pathologie', 'annee'])['AVG_duree_hospi'].mean(),
    on=['nom_pathologie', 'annee']
)

Personnalisation :
- Templates adaptés aux longues durées
- Échelles ajustées aux séjours prolongés
- Visualisations des progressions

7. Points Clés Psychiatrie

Focus sur la réadaptation et la récupération
Suivi des durées de séjour prolongées
Analyse des parcours de soins
Évaluation des résultats de réadaptation

Focus SSR (Soins de Suite et Réadaptation) (Détaillé)

1. Source de Données

query = """
    SELECT *
    FROM `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite.class_join_total_morbidite_sexe_population`
    WHERE classification = 'SSR' AND niveau = 'Régions'
"""

2. Interface et Filtres

Sélecteurs Principaux :

selected_sex = st.selectbox("Sexe", ["Ensemble", "Homme", "Femme"], key="selecteur_sexe_ssr")
selected_year = st.selectbox("Année", years_options, key="year_filter_ssr")

3. Structure de l'Analyse

a. Analyse par Pathologies (Tab 1)

Sélection des Pathologies
- Liste déroulante complète des pathologies SSR
- Option "Toutes les pathologies" incluse

Métriques Clés

total_hospi = path_data['nbr_hospi'].sum()
avg_duration = df_filtered['AVG_duree_hospi'].mean()
indice_comparatif = path_data['indice_comparatif_tt_age_percent'].mean()

Visualisations Spécifiques SSR
- Graphique Principal :
  - Barres : Nombre d'hospitalisations par pathologie
  - Ligne : Durée moyenne de séjour
- Scatter Plot Dynamique :
  - Animation temporelle
  - Taille des bulles : Nombre d'hospitalisations
  - Couleur : Durée de séjour

b. Analyse par Capacité (Tab 2)

Répartition géographique des capacités SSR
Analyse des ressources par région
Évolution temporelle des capacités

c. Analyse Démographique (Tab 3)

Distribution par âge des patients SSR
Tendances démographiques spécifiques
Comparaisons régionales

4. Spécificités SSR

a. Caractéristiques Uniques

Classification : Utilisation du code 'SSR'
Durées de Séjour : Typiquement plus longues
Population : Souvent âgée ou en réadaptation

b. Traitement des Données

# Préparation des données pour visualisation
df_filtered = df.copy()
if selected_sex != "Ensemble":
    df_filtered = df_filtered[df_filtered['sexe'] == selected_sex]
if selected_year != "Toutes les années":
    df_filtered = df_filtered[df_filtered['annee'] == int(selected_year)]

c. Visualisations Adaptées

Graphiques Temporels :

combined_data_3d = pd.merge(
    df_nbr_hospi.groupby(['nom_pathologie', 'annee'])['nbr_hospi'].sum(),
    df_duree_hospi.groupby(['nom_pathologie', 'annee'])['AVG_duree_hospi'].mean(),
    on=['nom_pathologie', 'annee']
)

Personnalisation :
- Templates adaptés aux longues durées
- Échelles ajustées aux séjours prolongés
- Visualisations des progressions

5. Points Clés SSR

Focus sur la réadaptation et la récupération
Suivi des durées de séjour prolongées
Analyse des parcours de soins
Évaluation des résultats de réadaptation

Outils de Visualisation Utilisés

Bibliothèques

Plotly Express : Graphiques interactifs
Plotly Graph Objects : Visualisations personnalisées
Streamlit : Interface utilisateur et widgets

Types de Graphiques

Graphiques en Barres
- Comparaisons entre régions
- Analyses par pathologie
Courbes d'Évolution
- Tendances temporelles
- Évolutions des métriques clés
Cartes Choroplèthes
- Visualisations géographiques
- Comparaisons régionales
Graphiques en Boîte
- Distribution des durées de séjour
- Analyses statistiques

Générateur de Graphiques Personnalisés

Interface interactive pour création de visualisations
Sélection flexible des métriques
Filtres dynamiques (année, région, pathologie)
Export des visualisations

FilesExpand file tree

documentation.md

Latest commit

History

documentation.md

File metadata and controls

Documentation Analyse Médicale JBN

Structure des données

Table Principale : class_join_total_morbidite_sexe_population

1. Identification et Localisation

2. Pathologie

3. Hospitalisations

4. Évolutions et Variations

5. Données Démographiques

6. Indicateurs de Santé

7. Classification et Population

Table des Capacités : projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite_capacite.class_join_total_morbidite_capacite_kpi

1. Capacité d'Accueil

2. Activité Hospitalière

3. Taux d'Occupation

4. Évolutions des Capacités

5. Évolutions de l'Activité

6. Évolutions des Taux

7. Données Démographiques et Indicateurs

Vue Globale (Page Principale)

1. Structure des Données

a. Sources de Données

b. DataFrames Spécialisés

2. Interface et Fonctionnalités

a. Chargement des Données

b. Métriques Principales

3. Structure des Onglets

a. Évolution des Hospitalisations (Tab 1)

b. Analyse Géographique (Tab 2)

c. Analyse par Pathologie (Tab 3)

d. Profil Démographique (Tab 4)

e. Performance des Services (Tab 5)

4. Visualisations Spécifiques

a. Graphiques Temporels

b. Graphiques 3D et Animations

c. Heatmaps Démographiques

5. Optimisations et Performance

a. Mise en Cache

b. Interface de Chargement

c. Gestion de la Mémoire

Relations et Utilisation des Tables

1. Jointures et Relations

2. Complémentarité des Données

3. Cas d'Utilisation dans l'Application

a. Vue Globale

b. Analyse Géographique

c. Focus par Service

4. Indicateurs Dérivés

5. Exemples de Visualisations Combinées

a. Carte de France

b. Graphiques d'Évolution

6. Considérations Importantes

Vue Globale

Focus Chirurgie (Détaillé)

1. Filtres Globaux

2. Analyse par Pathologies (Tab 1)

a. Métriques Principales

b. Graphique Principal : Hospitalisations et Durée de Séjour

c. Graphique Dynamique : Scatter Plot Animé

3. Analyse par Capacité (Tab 2)

4. Analyse Démographique (Tab 3)

5. Caractéristiques Techniques

Focus Obstétrique (Détaillé)

1. Source de Données

2. Filtres Globaux

3. Analyse par Pathologies (Tab 1)

a. Métriques Clés

b. Visualisations Principales

4. Spécificités Obstétriques

5. Différences avec la Chirurgie

6. Visualisations Spécifiques

Focus Médecine (Détaillé)

1. Source de Données et Spécificités

2. Prétraitement des Données

3. Structure des Onglets

Table Principale : `class_join_total_morbidite_sexe_population`

Table des Capacités : `projet-jbn-data-le-wagon.dbt_medical_analysis_join_total_morbidite_capacite.class_join_total_morbidite_capacite_kpi`