BI et tableaux de bord hospitaliers : le guide complet
10/03/2026
La Business Intelligence hospitalière est devenue un enjeu stratégique. 80% des GHT utilisent des solutions BI à tous les niveaux de pilotage. Mais entre les plateformes éditeur qui proposent 800 indicateurs pré-calculés et les besoins cliniques qui demandent du prédictif en temps réel, l'écart se creuse.
Ce guide couvre l'ensemble du sujet : les plateformes disponibles, les cas d'usage par métier, les défis techniques, l'arrivée du machine learning, et quand il faut passer au développement sur mesure.
Les plateformes BI hospitalières en France
Le marché est structuré en trois catégories : les plateformes spécialisées santé, les outils BI génériques adaptés au contexte hospitalier, et les solutions open source.
Plateformes spécialisées santé
| Solution | Éditeur | Points forts |
|---|---|---|
| Hospivision (Ospi Vision) | Ospi (ex-PSIH) | 2 000+ indicateurs normalisés, 5 modules (BI Pilot, PMSI Pilot, Finance Pilot, BI Expert, BI Advisor). Utilisé par 80% des GHT. Bibliothèque Open BI de tableaux de bord communautaires. |
| M-Data Analytics | Maincare | SaaS, multi-domaines (PMSI MCO/SSR/psy/HAD, achats, finance, RH). Présent sur 1 000+ sites. Hébergement certifié HDS. |
| Magellan + Sillage Data | Numih France (ex-SIB) | Entrepôt ouvert, modulaire. Sillage Data calcule les indicateurs réglementaires (Hop'EN, CAQES, IQSS) depuis le DPI. 100+ établissements. |
| Suite Pilotage | Elap | Tableaux de bord pré-configurés, comptabilité analytique (Compta-Ana), analyse des parcours cliniques (FIPS). 40+ ans d'expertise. |
Outils BI génériques en contexte hospitalier
| Plateforme | Particularités |
|---|---|
| DigDash | Éditeur français. Premier BI français avec cloud certifié HDS. Utilisé par les ARS et le Ministère de la Santé (dashboards COVID). |
| Power BI (Microsoft) | Adoption croissante. Azure certifié HDS. Puissant mais nécessite une configuration santé. |
| Qlik Sense | Utilisé par Softway Medical pour les datamarts. Bonne capacité d'exploration de données. |
Open source
Talend, Pentaho, JasperSoft, SpagoBI — techniquement capables mais nécessitent une expertise IT réelle et un budget maintenance. Pas "gratuits" en pratique.
Tendance de fond : la BI intégrée dans les DPI est en déclin. Les modules BI embarqués dans les progiciels SIH sont remplacés par des plateformes BI spécialisées, soit éditeur santé, soit génériques adaptées. La BI est devenue un sous-système à part entière du SIH.
Les cas d'usage, métier par métier
PMSI et pilotage d'activité (DIM)
Le PMSI est le cas d'usage historique de la BI hospitalière. Les DIM (Départements d'Information Médicale) utilisent des tableaux de bord pour :
- Analyse du case-mix : répartition des GHM (Groupes Homogènes de Malades), identification des activités en croissance ou en déclin
- Qualité du codage : détection des erreurs de codage CIM-10/CCAM. Le taux d'erreur modifiant le GHM est estimé à 15-20% dans certains CHU — un impact direct sur les recettes T2A
- Simulation tarifaire : estimation de l'impact des changements de tarifs T2A sur les recettes
- Reporting réglementaire : transmission ATIH, indicateurs Hop'EN
Ospi PMSI Pilot propose 800+ indicateurs normalisés sur ce périmètre. C'est le socle minimum que toute solution doit couvrir.
Bloc opératoire et activité chirurgicale
Le bloc opératoire est l'unité de production la plus coûteuse de l'hôpital. Les indicateurs de pilotage standard :
| Indicateur | Définition | Cible |
|---|---|---|
| TVO (Temps de Vacation Offert) | Temps programmé d'ouverture de salle | — |
| TROS (Temps Réel d'Occupation des Salles) | Durée réelle d'occupation | Objectif : 85% du TVO (chirurgie programmée) |
| Taux de rotation | Nombre d'interventions par salle par jour | Maximiser |
| Taux de vacations vides | Créneaux programmés non utilisés | Minimiser |
| Taux de débordement | Dépassements horaires au-delà du planning | Minimiser |
| Taux de complications | Complications post-opératoires par type | Monitorer et prédire |
| Conversion ambulatoire | Part de chirurgie ambulatoire | Objectif national en hausse |
Les plateformes standard suivent le TVO et le TROS. Mais pour aller plus loin — prédire les complications, comparer les résultats observés aux résultats attendus, croiser les données de plusieurs services — il faut du sur mesure.
C'est ce que Bob le développeur a développé avec CareSentinel pour l'AP-HP : un tableau de bord BI chirurgical couvrant 4 services (digestive, thoracique, orthopédique, urologique) avec des modèles de machine learning qui comparent métriques observées et prédites. Ce type de dashboard dépasse ce que les plateformes standard proposent.
Urgences
Le suivi des flux aux urgences est un cas d'usage en temps réel :
- Monitoring RPU (Résumés de Passages aux Urgences) : volume, temps d'attente, durée de passage
- Indicateurs de tension : dashboards "météo" avec code couleur pour les SAMU
- Temps d'attente moyen : 3h47 au niveau national en 2024
- Taux de transfert vers les services d'hospitalisation
- Prédiction des pics : saisonnalité, événements, épidémies
Les plateformes régionales (SESAN en Île-de-France, ORU Occitanie) agrègent les données des urgences à l'échelle territoriale.
Gestion des lits
Le bed management est un cas d'usage en plein développement :
- Taux d'occupation : 78% en moyenne nationale, 5,2 jours de durée moyenne de séjour
- Suivi temps réel : écrans par service montrant l'état des lits, mis à jour 2 fois par jour par les bed managers
- Prédictif : anticipation des besoins en lits à J+1, J+3, J+7
Le CHU de Poitiers est le premier hôpital français à avoir déployé un modèle centralisé de gestion des lits (inspiré du "bed management" anglo-saxon). Des solutions comme HPlanner proposent du prédictif en temps réel.
Qualité et certification
Les indicateurs réglementaires nécessitent un suivi dédié :
- IQSS (Indicateurs de Qualité et de Sécurité des Soins) : développés par la HAS, utilisés pour la certification et le financement IFAQ
- CAQES (Contrat d'Amélioration de la Qualité et de l'Efficience des Soins) : 15 indicateurs (8 nationaux, 7 régionaux), suivis sur la plateforme e-CARS
- Préparation certification HAS : documentation des indicateurs, suivi des plans d'actions
Sillage Data (Numih) et Elap calculent automatiquement ces indicateurs depuis les données du DPI.
Pilotage financier
- Suivi des recettes T2A et simulation tarifaire
- Comptabilité analytique (coût par séjour, par pôle, par activité)
- Modélisation EPRD (État Prévisionnel des Recettes et Dépenses)
- Certification des comptes (M21)
Ospi Finance Pilot propose 200+ indicateurs financiers. Elap Compta-Ana est spécialisé sur l'analytique.
Pharmacie
Le médicament est le deuxième poste de dépense de l'hôpital. Les dashboards pharmacie suivent :
- Consommation par service, effets prix/volume
- Conformité du circuit du médicament (prescription, dispensation, administration)
- Indicateurs CAQES "produits de santé"
- Suivi des marchés et des achats
Les défis techniques de la BI hospitalière
La qualité des données : le problème fondamental
La BI hospitalière repose sur des données dont la qualité est souvent insuffisante :
- Erreurs de codage PMSI : 15-20% de taux d'erreur modifiant le GHM dans certains établissements. Ces erreurs ont un impact direct sur les recettes T2A.
- Données incomplètes : saisie partielle dans le DPI, données manquantes pour certains séjours
- Hétérogénéité : chaque service code différemment, les pratiques varient entre établissements d'un même GHT
Solution documentée : le CHU de Toulouse a mis en place un modèle avec engagement contractuel entre les services cliniques et le DIM, des TIM (Techniciens d'Information Médicale) embarqués dans les équipes, et des contrôles prospectifs en temps réel.
L'intégration multi-sources
Un hôpital moyen utilise 30 à 50 applications. La BI doit consolider des données provenant de : DPI, GAP, pharmacie, laboratoire, imagerie, bloc opératoire, RH, PMSI. Chaque système a son propre format, ses propres identifiants, ses propres temporalités.
Les processus ETL (Extraction-Transformation-Chargement) alimentent un entrepôt de données centralisé. Les plateformes spécialisées (Ospi, Maincare) fournissent des connecteurs pré-construits. Pour les sources non standard, des connecteurs sur mesure sont nécessaires.
Temps réel vs batch
| Mode | Cas d'usage | Infrastructure |
|---|---|---|
| Batch (quotidien/hebdo/mensuel) | PMSI, finance, qualité, RH | ETL classique, data warehouse |
| Temps réel (streaming) | Urgences, bloc opératoire, gestion des lits | Feeds automatisés, événements, écrans dédiés |
Les dashboards financiers et PMSI fonctionnent en batch. Les dashboards opérationnels (urgences, bloc, lits) nécessitent du temps réel — ce qui impose une architecture technique différente.
Conformité HDS et RGPD
Toute plateforme BI qui traite des données de santé à caractère personnel doit être hébergée sur une infrastructure certifiée HDS. Les données doivent respecter le RGPD santé : pseudonymisation, contrôle d'accès, traçabilité. DigDash est le premier éditeur BI français à proposer un cloud certifié HDS. Maincare M-Data est hébergé en HDS.
Le machine learning dans la BI hospitalière
La BI hospitalière traditionnelle est descriptive : elle montre ce qui s'est passé. Le machine learning la rend prédictive : elle anticipe ce qui va se passer.
Les cas d'usage ML documentés en France
| Cas d'usage | Établissement | Description |
|---|---|---|
| Détection automatique de comorbidités | AP-HP (EDS) | 18 algorithmes analysant les comptes-rendus médicaux pour détecter automatiquement les comorbidités |
| Prédiction des complications chirurgicales | AP-HP (CareSentinel) | Modèles comparant résultats observés et prédits sur 4 services chirurgicaux |
| Prédiction de la qualité des soins | HCL (Lyon) | Recherche sur la prédiction de réadmission, durée de séjour, mortalité hospitalière |
| NLP sur texte médical | CHU Toulouse | Deep learning pour analyser le texte médical et reconstituer les parcours de soins |
| Prédiction en chirurgie rachidienne | Recherche | ML prédisant les cibles de cyphose/lordose selon l'incidence pelvienne |
L'Entrepôt de Données de Santé de l'AP-HP
L'AP-HP a construit le plus grand entrepôt de données de santé en France : 19 millions de patients, 190 millions de comptes-rendus médicaux, 1,37 milliard de résultats de biologie. Première autorisation CNIL en 2017. Environ 300 initiatives IA identifiées. C'est l'indicateur de la direction que prend la BI hospitalière : des données massives, du ML, du prédictif.
Les freins
- Coût : les plateformes intelligentes nécessitent des investissements significatifs, incompatibles avec les budgets des hôpitaux périphériques
- Compétences : seulement 6% du personnel hospitalier est formé à l'IA (novembre 2025)
- Données : les volumes nécessaires sont importants et dispersés entre des systèmes différents
- Réglementation : conformité RGPD, hébergement HDS, comités d'éthique
C'est pourquoi le ML hospitalier est aujourd'hui porté par les CHU et les grands établissements (AP-HP, HCL, CHU Toulouse), ou par des projets sur mesure développés avec des partenaires spécialisés.
Quand le développement sur mesure est nécessaire
Les plateformes BI packagées couvrent 80% des besoins standard. Le développement sur mesure intervient pour les 20% restants :
Cas 1 : Analytics prédictif avec ML
Les plateformes standard ne font pas de machine learning. Si vous avez besoin de prédire des complications, d'anticiper des réadmissions, ou de comparer des résultats à des modèles prédictifs, il faut un développement spécifique.
Cas 2 : Dashboard temps réel avec workflow intégré
Un dashboard opérationnel qui ne fait pas que montrer des données mais qui s'intègre dans le workflow clinique (alertes, actions, validation) dépasse le cadre d'un outil BI standard.
Cas 3 : Consolidation multi-sources non standard
Quand les données proviennent de sources que les plateformes BI n'intègrent pas nativement (bases de recherche, équipements biomédicaux, données de capteurs), un développement sur mesure des pipelines de données est nécessaire.
Cas 4 : Besoins analytiques de niche
Chaque spécialité chirurgicale, chaque service, a des KPIs spécifiques que les 800 indicateurs d'Ospi ne couvrent pas. Un tableau de bord de suivi de cohorte en oncologie ou un dashboard de pharmacovigilance spécialisé nécessite un développement adapté.
L'exemple CareSentinel : BI chirurgicale avec ML pour l'AP-HP
CareSentinel est un tableau de bord de Business Intelligence chirurgical développé par Bob le développeur pour l'AP-HP.
Le besoin : les équipes chirurgicales avaient besoin d'un outil de suivi de l'activité chirurgicale en temps réel, avec des indicateurs prédictifs pour anticiper les complications et optimiser les résultats.
La solution :
- Dashboard couvrant 4 services chirurgicaux : digestive, thoracique, orthopédique, urologique
- Machine learning : modèles comparant métriques observées et prédites (taux de complications, mortalité, revenus)
- Authentification Keycloak avec contrôle d'accès RBAC (chaque praticien ne voit que les données de son service)
- Stack : Next.js, TypeScript, Tailwind CSS, Recharts, Docker
Pourquoi du sur mesure : aucune plateforme BI standard ne propose du ML chirurgical prédictif avec comparaison observé/attendu sur des services spécifiques. Le besoin était trop spécialisé pour un produit packagé.
Comment choisir entre plateforme BI et sur mesure
| Besoin | Plateforme packagée | Sur mesure |
|---|---|---|
| PMSI / case-mix / T2A | Oui | Non nécessaire |
| Indicateurs réglementaires (IQSS, CAQES) | Oui | Non nécessaire |
| Pilotage financier standard | Oui | Non nécessaire |
| Consolidation GHT multi-sites | Oui (si même éditeur) | Si éditeurs différents |
| Dashboard bloc opératoire (TVO, TROS) | Oui | Si ML/prédictif requis |
| Prédiction complications chirurgicales | Non | Oui |
| Portail de données temps réel + workflow | Partiel | Oui |
| Analytics sur données non standard | Non | Oui |
| Dashboard de niche (cohorte, pharmaco) | Non | Oui |
La bonne approche est souvent hybride : une plateforme packagée pour le socle réglementaire et financier, et du développement sur mesure pour les besoins cliniques avancés et le prédictif.
Comment Bob le développeur peut vous accompagner
Bob le développeur développe des tableaux de bord BI sur mesure pour les établissements de santé publics. L'agence a conçu CareSentinel pour l'AP-HP et collabore avec l'ATIH sur des projets de données hospitalières.
L'expertise couvre :
- Dashboards BI avec intégration de données multi-sources (DPI, PMSI, laboratoire, bloc)
- Machine learning appliqué aux données hospitalières (prédiction, classification, NLP)
- Visualisation temps réel avec Recharts, D3.js
- Hébergement HDS et conformité RGPD santé
- Interopérabilité FHIR/HL7 pour l'intégration avec le SIH
Budget estimatif pour un projet BI hospitalier sur mesure : 80 000 à 300 000 EUR selon la complexité.
Prenez rendez-vous pour discuter de votre projet BI.
Conclusion
La BI hospitalière est en transition. Les plateformes packagées couvrent le pilotage PMSI, financier et réglementaire — c'est le socle que 80% des GHT utilisent déjà. Mais les besoins cliniques avancés (prédictif, temps réel, ML) dépassent ce que ces plateformes proposent.
L'enjeu pour un DSI est de combiner les deux : une plateforme standard pour le reporting réglementaire, et des développements sur mesure pour les besoins cliniques spécifiques qui créent de la valeur médicale. C'est cette couche de BI avancée qui transforme les données en décisions cliniques.
Pour approfondir : développement sur mesure vs éditeur SIH, coût d'un projet e-santé hospitalier, Ségur Vague 2, développement pour les institutions de santé.
Sources : mySIH — Plateformes BI en santé, Ospi — Hospivision, AP-HP — Entrepôt de Données de Santé, Open BI, HAS — IQSS. Dernière mise à jour : mars 2026.