DESS en santé numérique

Structure du programme

Survol des types et des sources de données en santé, gestion des données, de l’information, des connaissances, contraintes et limites pour leur intégration au niveau populationnel, enjeux et limites des systèmes actuels, standards terminologiques.

Préparation et gestion de bases de données, qualité des données, techniques de visualisation des données pour les décideurs et acteurs clés impliqués dans la santé (cliniciens, gestionnaires, décideurs politiques, patients), gouvernance des données.

Encadrement juridique et réflexion éthique sur l'innovation numérique en santé. Normes canadiennes et étrangères.

Composantes de l'architecture d'information et de l'expérience utilisateur. Design centré-utilisateur. Recherche, tests, tri par cartes. Mobilité. Données ouvertes, marketing, éthique, web et société. Réalité professionnelle.

Connaitre les différents courants d'amélioration continue de la qualité et le rôle du partenariat avec les patients pour améliorer la qualité des soins et des services ainsi que connaître les différentes démarches externes d'évaluation de la qualité.

Maîtriser les cadres théoriques, les méthodes et les outils de la qualité et de la performance et acquérir les habiletés pour mesurer la qualité et la performance.

Connaître les modèles de changements organisationnels, étudier les processus de changements dans les organisations de santé et services sociaux, d'introduction des innovations pour améliorer la qualité des pratiques et l'efficacité des interventions.

Le cours initiera les étudiants à l'évaluation et à la gestion des technologies en santé. Le cours explorera la pertinence de l'ETS, les concepts, méthodes et outils de ce domaine intégrateur d'application des sciences de la santé.

Présentation d'un cadre conceptuel pour décrire, analyser et comprendre le fonctionnement dynamique des systèmes de santé et des systèmes de soins; le cours s’appuie sur la vision d’un système public de santé et l’amélioration de la santé pour tous.

Concepts et méthodologies en gestion de projets et changement organisationnel. Analyse de planification d'un projet, d'un changement ou transformation dans une organisation et des enjeux de leadership.

Notions fondamentales de la démarche scientifique. Approches et devis de recherche. Stratégies d'utilisation des données probantes dans la prise de décision. Modèles et méthodes d'évaluation des organisations et interventions de santé.

Analyse et optimisation des processus sur les plans organisationnel, opérationnel et clinique. Gestion intégrée des risques et de la qualité. Méthodes et outils de gestion des processus et d'amélioration de la qualité. Lean management.

Acquérir les outils conceptuels et appliqués permettant d'analyser les relations entre les connaissances et pratiques et de discerner les enjeux associés à la conception des innovations technologiques et sociales en santé afin de les faire connaitre à différents publics.

Programmation en Python, librairies, images et cartes, traitement et manipulation de texte, structures et bases de données, traitement séquentiel et parallèle, affichage.

Analyse et interprétation des résultats obtenus en médecine computationnelle, à partir des données statistiques et de l’intelligence artificielle, en vue d’établir un diagnostic et un suivi des patients.

Statistiques descriptives. Distributions. Échantillonnage. Estimations ponctuelle et par intervalle. Test de t et analyse de variance. Régression et corrélation. Analyse de données catégorielles. Approche opérationnelle à l'aide de problèmes.

Méthodes d'estimation, ratio de cotes, multicolinéarité, variables indépendantes qualitatives, interactions, modélisation. ANOVA: 1 et 2 facteurs, mesures répétées, analyse de covariance, comparaisons multiples.

Présentation des principales méthodes d'analyses statistiques pour les études longitudinales et multiniveaux. L'accent est mis sur les aspects pratiques de la modélisation, sur l'interprétation et sur la présentation des résultats.

Mégadonnées et santé publique : aspects scientifiques et techniques. Modélisation et exploration de données. Bases de données. Apprentissage automatique. Intro. à l’intelligence artificielle. Approche pratique, expérientielle et par cas.

Initier l'étudiant à la théorie et la méthodologie de l'inférence causale. Fournir à l'étudiant la capacité de critiquer et de faire des analyses causales avec R ou un logiciel statistique de leur choix.

Implications sociales, éthiques, juridiques des mégadonnées en santé publique et de l’intelligence artificielle. Approche interdisciplinaire et pratique. Regard critique et stratégies d’actions face aux défis émergeants en santé publique.

Implications sociales, éthiques, juridiques des mégadonnées biomédicales et de l’intelligence artificielle. Approche interdisciplinaire et pratique. Regard critique et stratégies d’actions face aux défis émergeants des mégadonnées biomédicales.

Ce cours vise à aider les étudiants de divers domaines à mieux penser en termes d’interdisciplinarité et agir face aux défis éthiques de l’utilisation des données massives et de l’IA pour la santé, la santé publique et la société.