Analyser des bases de données médicaments en open data avec l'IA, sans une ligne de code
Rhumatologue à l'hôpital, Milka avait trois cas d'usage précis : automatiser sa veille réglementaire quotidienne, produire du contenu LinkedIn sur la convention médicale, et exploiter les bases open data de médicaments — des fichiers trop volumineux pour Excel. En 16 heures de coaching, elle a construit les trois workflows, et préparait une formation pour 8 médecins de l'URPS Île-de-France à la clôture de la sienne.
ClaudeProjets ClaudeNotebookLMTLDVFal.aiOpenMedic (data)Coaching : Gaëlle Briantais
Avant / après
Ce qui coinçait, et ce qui tourne depuis. Les deux colonnes décrivent la même production, à quelques semaines d'écart.
- Lecture manuelle du Journal Officiel et des newsletters Légifrance chaque jour
- Fichiers OpenMedic trop volumineux pour Excel — traitement impossible à la main
- Posts LinkedIn produits au cas par cas, sans process
- Copilot jugé trop synthétique sur les textes techniques de la convention médicale
- Assistant Claude dédié : veille convention médicale, posts LinkedIn, fiches synthèse
- Workflow d'extraction Légifrance → Excel structuré (nom, synthèse, cible) automatisé
- Trois bases OpenMedic fusionnées par Claude, visualisation HTML interactive avec filtres
- Usage quotidien de Claude déclaré en clôture des 16 heures de formation
Comment ça s'est passé
Rhumatologue à temps partiel à l'hôpital et consultante en santé (convention médicale, écosystème réglementaire), Milka lisait le Journal Officiel chaque jour à la main pour sa veille. Ses fichiers open data de médicaments (OpenMedic) étaient trop volumineux pour Excel. Elle avait testé Copilot dans un environnement Office 365 sécurisé — trop synthétique sur les textes techniques — et Gemini pour des usages personnels. Elle savait ce qu'elle voulait faire avec l'IA, mais pas comment choisir les bons outils ni les paramétrer sur ses cas réels.
Huit séances de 2 heures avec Gaëlle Briantais, construites autour des trois cas d'usage réels de Milka. Séances 1–2 : comparaison live Claude / Gemini / Copilot sur la convention médicale, méthode PARC de prompting, assistant Claude personnalisé, test NotebookLM pour générer des podcasts depuis ses propres articles. Séance 3 : intégration TLDV dans son flux de réunions + Claude pour retravailler les synthèses. Séances 4–5 : prompt engineering avancé, relecture d'articles scientifiques assistée, deep dive OpenMedic — liaison de tables, classification ATC, cartographies géographiques. Séance 6 : workflow d'extraction Légifrance → Excel structuré. Séance 8 : liaison de trois bases hétérogènes (CIS → CIP → OpenMedic), visualisation HTML interactive avec filtres dynamiques, protocole pickle pour la persistance entre sessions.
Un assistant Claude dédié à la convention médicale (veille, posts LinkedIn, fiches synthèse). Un workflow d'extraction automatisée depuis Légifrance vers un fichier Excel structuré. Et une visualisation HTML interactive des médicaments remboursés — trois bases hétérogènes fusionnées et filtrées par Claude, sans une ligne de code, sans R, sans SQL. En fin de parcours, Milka préparait une formation IA pour huit médecins de l'URPS Île-de-France aux profils très hétérogènes.
Étape par étape
Le coaching part de ce que la personne produit déjà. Voici les jalons réels du parcours, blocages compris.
- Séances 1–2
Comparer, choisir, créer
Comparaison live Claude / Gemini / Copilot sur un cas réel de convention médicale. Méthode PARC de prompting. Création d'un assistant Claude personnalisé. Test NotebookLM pour générer des podcasts depuis ses propres articles.
- Séances 3–4
Outiller les réunions et les articles
Intégration de TLDV pour enregistrer et synthétiser les réunions, retravaillées par Claude. Relecture d'articles scientifiques assistée, rédaction en anglais. Posture hybride validée : l'IA produit le brut, Milka relit et contextualise.
- Séance 5
OpenMedic : premier contact avec les données
Deep dive sur les bases de données médicaments : classification ATC, itération de prompts, liaison de tables, premières cartographies géographiques des prescriptions.
- Séance 6
Légifrance → Excel : la veille automatisée
Extraction de données de la newsletter Légifrance vers un fichier Excel structuré (nom de l'arrêté, synthèse, cible). La lecture quotidienne manuelle du Journal Officiel devient un flux automatisé.
- Séance 8
Multi-bases et visualisation interactive
Liaison de trois bases hétérogènes (CIS → CIP → OpenMedic) : sélection des médicaments remboursés à 15 %, calcul du pourcentage de remboursement, visualisation HTML interactive avec filtres dynamiques. Protocole pickle pour la persistance entre sessions. Clôture des 16 heures — et préparation d'une formation pour 8 médecins de l'URPS Île-de-France.
Ah oui, il n'y a pas photo. Là, j'accompagne mes collègues. Je me dis, mais pourquoi tu ne m'as pas dit plus tôt?
Ce qui a été construit
Pas des exercices : des outils qui tournent après la formation.
- Assistant Claude dédié à la convention médicale (veille, posts LinkedIn, fiches synthèse)
- Workflow Légifrance → Excel structuré : extraction automatisée de la newsletter réglementaire
- Visualisation HTML interactive de données médicaments remboursés (3 bases hétérogènes fusionnées, zéro code)
- Synthèses de réunions automatisées via TLDV + Claude
- Formation IA préparée pour 8 médecins de l'URPS Île-de-France en fin de parcours
Ce qui a été dit
« Oui, mais si tu savais les fichiers, ou si je les avais ouverts dans Excel, je ne suis même pas sûre que j'aurais pu les ouvrir. […] Il y a des trucs, moi, je n'aurais jamais pu le faire en manuel. C'est-à-dire que les trucs auraient été dépassés. Je ne sais même pas si j'ai accès sur mon ordinateur pour pouvoir le faire, soit de merger plusieurs tables. Quand je vois les possibilités de Claude, je suis bossé. »
« Moi, j'ai besoin de gagner un petit peu, de gagner du temps, quoi, et tout en travaillant un peu dans un truc qui est un peu sécurisé. »
Ce qu'on nous demande sur ce sujet
Les questions réellement posées autour de ce cas, répondues à partir de ce qui s'est passé pendant la formation.
Comment analyser des données de santé en open data sans savoir coder ?
En décrivant précisément les bases de données à Claude : structure des tables, types de variables, critères de sélection. Dans ce cas, trois bases hétérogènes (CIS, CIP et OpenMedic) ont été fusionnées et filtrées par Claude via des prompts itératifs — sans SQL ni R — pour produire une visualisation HTML interactive des médicaments remboursés à 15 %.
Peut-on automatiser la veille réglementaire médicale avec l'IA ?
Oui. La veille quotidienne du Journal Officiel et des newsletters Légifrance — faite à la main — a été remplacée par un workflow Claude qui extrait automatiquement les arrêtés et les structure en fichier Excel (nom, synthèse, cible) en quelques secondes.
Comment un médecin peut-il utiliser Claude au quotidien sans données patients ?
Sur des données textuelles réglementaires et en open data : convention médicale, arrêtés Légifrance, bases médicaments (OpenMedic). La garde RGPD est claire — les données de patients ne passent pas dans Claude — mais l'essentiel du travail documentaire et analytique d'un médecin de santé publique ou de conseil s'y prête parfaitement.
Peut-on fusionner plusieurs bases de données médicaments sans SQL ni R ?
Dans ce cas, trois bases officielles (CIS, CIP, OpenMedic) ont été liées par Claude en décrivant précisément les relations entre tables dans le prompt. Claude a généré le code Python pour joindre les données, calculer les critères de sélection et exporter le résultat — sans que l'apprenante écrive une seule instruction SQL ou R.
Votre projet mérite le même traitement
Le programme est le même pour tout le monde. Le coaching, lui, part de vos outils, de vos fichiers et de ce que vous voulez construire.
Découvrir la Formation IA SantéD'autres entreprises l'ont fait
Médico-socialLe médico-social passe à l'IA, sans jargon, sur ses propres dossiers
Santé / InstitutionnelUn syndicat de médecins forme ses praticiens à l'IA, secret médical verrouillé
Industrie / Équipementier automobile