Tutoriel Python - Usage de la Base sur la Qualité et la Sécurité des Soins (BQSS)#

Ce notebook vise à montrer un usage type dont peut être l’objet BQSS, de façon programmatique grâce au langage Python.

Import des librairies et des données#

Les URLS des données sont récupérable sur la page de la Base sur la Qualité et la Sécurité des Soins sur la plateforme Data Gouv accessible via ce lien. La section Fichiers contient les données disponibles, et pour chaque fichier, une description est présente incluant notamment un URL stable qu’il est recommandé d’utiliser.

La base BQSS adoptant un format clé-valeurs, il est nécessaire de récupérer la table des valeurs d’intérêts (concernant la qualité et la sécurité des soins) ainsi que les métadonnées associées spécifiant ces valeurs et les données caractérisant les établissements de santé via les numéro FINESS.

import numpy as np
import pandas as pd  # version >= 1.4.2

# chargement du fichier valeurs.csv dans un dataframe pandas
valeurs_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/da295ccc-2011-4995-b810-ad1f1a82a83f",
    low_memory=False,
)

# chargement du fichier metadata.csv dans un dataframe pandas
metadata_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/e56fb5a5-5a74-4507-ba77-e0411d4aa234",
    low_memory=False,
)

# chargement du fichier finess.csv dans un dataframe pandas
finess_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/48dadbce-56a8-4dc4-ac51-befcdfd82521",
    low_memory=False,
)

Observation des données#

Il est désormais possible de consulter les informations caractérisant ces données et en observer un échantillon.

Caractérisation des données valeurs_df#

valeurs_df.info()
valeurs_df.sample(n=5, random_state=187)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3798334 entries, 0 to 3798333
Data columns (total 10 columns):
 #   Column         Dtype  
---  ------         -----  
 0   annee          int64  
 1   finess         object 
 2   finess_type    object 
 3   key            object 
 4   value_boolean  object 
 5   value_string   object 
 6   value_integer  float64
 7   value_float    float64
 8   missing_value  object 
 9   value_date     object 
dtypes: float64(2), int64(1), object(7)
memory usage: 289.8+ MB

	annee	finess	finess_type	key	value_boolean	value_string	value_integer	value_float	missing_value	value_date
297965	2020	380000067	geo	filtre_chimio	True	NaN	NaN	NaN	NaN	NaN
1978381	2021	970404018	geo	mco_dpa_pcd_2018-pcd_moyenne_regionale	NaN	NaN	NaN	NaN	Non concerné	NaN
3615213	2024	530005768	geo	certification_ref_2021_score_objectif_3.7	NaN	NaN	NaN	93.1	NaN	NaN
1556881	2019	950300244	geo	mco_isoortho_isoortho_2019-iso_ortho_alerte_sup	NaN	NaN	0.0	NaN	NaN	NaN
3194212	2024	140026709	geo	score_accueil_ssr_ajust	NaN	NaN	NaN	NaN	Données insuffisantes	NaN

Un grand nombre de variables de nature différente sont regroupées dans cette table (d’où la table metadata venant spécifier la nature de chaque variables). Le nom des variables est stocké dans la colonne key.

Afin de pouvoir distinguer les différents types de valeurs (booléen, entier, décimal, chaîne de caractères, valeurs manquantes, dates), des colonnes dédiées leur sont attachées.

Ainsi, pour une variable donnée, un seul type est possible… :

sur l’ensemble de la classe (hormis la colonne missing_value)
pour chaque valeur (justifiant la nature lacunaire de ces colonnes, toutes les colonnes autre que celle prenant la valeur étant à NaN)

Caractérisation des données metadata_df#

metadata_df.info()
metadata_df.sample(n=5, random_state=123)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 959 entries, 0 to 958
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               959 non-null    object 
 1   title              959 non-null    object 
 2   description        293 non-null    object 
 3   type               959 non-null    object 
 4   source             959 non-null    object 
 5   indicateur         770 non-null    object 
 6   secteur            770 non-null    object 
 7   theme              770 non-null    object 
 8   acronyme           703 non-null    object 
 9   version            711 non-null    float64
 10  variable           711 non-null    object 
 11  annee              711 non-null    float64
 12  ancienne_variable  711 non-null    object 
 13  url_rapport        582 non-null    object 
 14  type_metier        889 non-null    object 
 15  finess_type        959 non-null    object 
dtypes: float64(2), object(14)
memory usage: 120.0+ KB

	name	title	description	type	source	indicateur	secteur	theme	acronyme	version	variable	annee	ancienne_variable	url_rapport	type_metier	finess_type
246	mco_ca_epssv2_2023-ca_epss_v2_moy_nat	Moyenne nationale de l'indicateur (Évaluation ...	NaN	float-string	IQSS dossier patient	MCO_CA_EPSSV2_2023	MCO	CA	CA	2023.0	moy_nat_ca_ca_epss_v2_mco	2023.0	moy_nat_ca_ca_epss_v2_mco	NaN	moyenne_nationale	mixte
188	mco_avc_epr1_2014-epr1_c1_ichaut_etbt	Intervalle de confiance haut de l'évaluation p...	NaN	int	IQSS dossier patient	MCO_AVC_EPR1_2014	MCO	AVC	EPR1	2014.0	epr1_c1_ichaut_etbt	2014.0	epr1_c1_ichaut_etbt	https://www.has-sante.fr/upload/docs/applicati...	intervalle_haut	mixte
392	mco_dpa_dtn1_2015-dtn1_c1_den_etbt	Dénominateur dépistage de troubles nutrionnels...	NaN	float	IQSS dossier patient	MCO_DPA_DTN1_2015	MCO	DPA	DTN1	2015.0	dtn1_c1_den_etbt	2015.0	dtn1_c1_den_etbt	https://www.has-sante.fr/upload/docs/applicati...	denominateur	mixte
518	mco_isoortho_ptg_2020-iso_ptg_alerte_sup	Position de l'établissement par rapport à la b...	NaN	int-string	IQSS PMSI	MCO_ISOORTHO_PTG_2020	MCO	ISOORTHO	PTG	2020.0	iso_ptg_alerte_sup	2020.0	iso_ptg_alerte_sup	https://www.has-sante.fr/upload/docs/applicati...	status	mixte
662	ssr_avc_snutv2_2022-snut_v2_ic_haut	Borne haute de l'IC associé au résultat de l'i...	NaN	float-string	IQSS dossier patient	SSR_AVC_SNUTV2_2022	SSR	AVC	SNUTV2	2022.0	ic_haut_avc_snut_v2_ssr	2022.0	ic_haut_avc_snut_v2_smr	NaN	intervalle_haut	mixte

La colonne name de cette table permet de faire la jointure avec la table valeurs_df via la colonne key associée.

Les métadonnées permettent de compléter les informations associées aux variables, en particulier leur type (encodé implicitement dans valeur.csv, voir ci-dessus), leur source (provenant d’origines variées), leur secteur, leur theme et leur acronyme.

Pour une recherche rapide, vous pouvez aussi utiliser directement le fichier metadata.xlsx qui permet de faire des filtres rapides sur les différentes colonnes.

Caractérisation des données finess_df#

finess_df.info()
finess_df.sample(n=5, random_state=123)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2158643 entries, 0 to 2158642
Data columns (total 56 columns):
 #   Column                        Dtype  
---  ------                        -----  
 date_export                   object 
 num_finess_et                 object 
 num_finess_ej                 object 
 raison_sociale_et             object 
 raison_sociale_longue_et      object 
 complement_raison_sociale     object 
 complement_distribution       object 
 num_voie                      object 
 type_voie                     object 
 libelle_voie                  object 
complement_voie               object 
lieu_dit_bp                   object 
commune                       float64
departement                   object 
libelle_departement           object 
ligne_acheminement            object 
telephone                     object 
telecopie                     object 
categorie_et                  int64  
libelle_categorie_et          object 
categorie_agregat_et          int64  
libelle_categorie_agregat_et  object 
siret                         float64
code_ape                      object 
code_mft                      float64
libelle_mft                   object 
code_sph                      float64
libelle_sph                   object 
date_ouverture                object 
date_autorisation             object 
date_maj                      object 
num_uai                       object 
coord_x_et                    float64
coord_y_et                    float64
source_coord_et               object 
date_geocodage                object 
region                        float64
libelle_region                object 
code_officiel_geo             object 
code_postal                   int64  
libelle_routage               object 
libelle_code_ape              object 
ferme_cette_annee             bool   
latitude                      float64
longitude                     float64
libelle_commune               object 
adresse_postale_ligne_1       object 
adresse_postale_ligne_2       object 
raison_sociale_ej             object 
raison_sociale_longue_ej      object 
statut_juridique_ej           float64
libelle_statut_juridique_ej   object 
statut_juridique              object 
type_etablissement            object 
actif_qualiscope              bool   
dernier_enregistrement        bool   
dtypes: bool(3), float64(10), int64(3), object(40)
memory usage: 879.0+ MB

	date_export	num_finess_et	num_finess_ej	raison_sociale_et	raison_sociale_longue_et	complement_raison_sociale	complement_distribution	num_voie	type_voie	libelle_voie	...	adresse_postale_ligne_1	adresse_postale_ligne_2	raison_sociale_ej	raison_sociale_longue_ej	statut_juridique_ej	libelle_statut_juridique_ej	statut_juridique	type_etablissement	actif_qualiscope	dernier_enregistrement
350826	2017-12-31	440002988	440001782	EHPAD SAINT-PIERRE	EHPAD MAISON DE RETRAITE SAINT PIERRE	NaN	NaN	98	Rue	DES MARRONNIERS	...	98 Rue Des Marronniers	44850 LIGNE	ASSOCIATION ST PIERRE	ASSOCIATION DE LA MAISON DE RETRAITE SAINT PIERRE	60.0	Ass.L.1901 non R.U.P	Privé à but non lucratif	Privé à but non lucratif	False	False
2109134	2024-12-31	590049623	590807517	SAVS LA CHRYSALIDE	LA CHRYSALIDE SERVICE D'ACCOMPAGNEMENT À LA V...	NaN	NaN	40	Rue	VERLYCK	...	40 Rue Verlyck	59190 HAZEBROUCK	ASSO LES PAPILLONS BLANCS D'HAZEBROUCK	ASSOCIATION DES PAPILLONS BLANCS D'HAZEBROUCK	61.0	Ass.L.1901 R.U.P.	Privé à but non lucratif	Privé à but non lucratif	False	False
291976	2009-12-31	610004459	610790701	CCAA (ANTENNE) - MORTAGNE AU PERCHE	CENTRE DE CURE AMBULATOIRE EN ALCOOLOGIE	CENTRE INTERCOM. ACTION SOCIALE	NaN	4	Rue	DE LA COMÉDIE	...	4 Rue De La Comédie	61400 MORTAGNE AU PERCHE	ANPAA 61	ASSOC NATIONALE DE PREVENTION EN ALCOOLOGIE ET...	60.0	Ass.L.1901 non R.U.P	Privé à but non lucratif	Privé à but non lucratif	False	False
983070	2012-12-31	310006465	310006457	CRECHE LA BALEINE BLEUE	NaN	NaN	NaN	17	Rue	DE L'ASPIN	...	17 Rue De L'Aspin	31100 TOULOUSE	ASSOCIATION LA BALEINE BLEUE	NaN	60.0	Ass.L.1901 non R.U.P	Privé à but non lucratif	Privé à but non lucratif	False	False
480216	2004-12-31	970200085	970202206	CENTRE HOSPITALIER DU CARBET	NaN	NaN	QUARTIER LAJUS	NaN	NaN	NaN	...	NaN	97221 LE CARBET	CENTRE HOSPITALIER DU CARBET	NaN	11.0	Etb.Pub.Départ.Hosp.	Public	CH	False	False

5 rows × 56 columns

Cette table contient l’ensemble des données Finess historisées. Il y a une ligne par export et par Finess présent à la date de l’export. Pour un même Finess il ya donc très souvent plusieurs lignes.

Les colonnes qui s’avèrent souvent utiles sont:

num_finess_et: numéro finess géographique
num_finess_ej: numéro finess juridique
latitude et longitude: les coordonnées géographiques de l’établissement dans le référentiel WGS84
raison_sociale_et: le nom de l’établissement
dernier_enregistrement: indique si cette ligne est la dernière connue pour le finess en question

Préparation des données#

Récupération des clés associées à des catégories de valeurs#

Les cas d’usages pour lesquels la base est utilisé ne concernent souvant qu’un sous-ensemble des domaines présents dans la base. On peut par exemple vouloir récupérer l’historique complet des IQSS issus du questionnaire patient (ESATIS).

La mécanique pour sélectionner le sous ensemble de données d’interêt est la suivante:

Dans le fichier metadata.csv utiliser la colonne source pour identifier le domaine d’intérêt
Dans le fichier metadata.csv recupérer le nom des variables de la source donnée qui sont stockées dans la colonne name
Parmis ces variables, utiliser les colonne type_metier (pour les IQSS) et/ou description pour sélectionner les variables d’intérêt
Dans le fichier valeurs.csv sélection toutes les lignes dont la colonne key contient une variable du domaine d’intérêt

Ci-dessous un exemple de cette mécanique:

# Affichage des sources de données existantes
metadata_df["source"].value_counts()

source
IQSS dossier patient                648
SAE                                 119
IQSS questionnaire patient           59
IQSS PMSI                            42
Certification v2014                  37
Certification v2021                  22
IQSS questionnaire établissement     21
Activités ET                         11
Name: count, dtype: int64

# Récupération des noms des variables de certification v2014
certif_14_keys = metadata_df[metadata_df["source"] == "Certification v2014"][
    "name"
]

# Récupération des nom des variables esatis
esatis_keys = metadata_df[
    metadata_df["source"] == "IQSS questionnaire patient"
]["name"]

# Affichage des types métiers certification
# Les variables de certification n'ont pas de type métier
metadata_df.loc[
    metadata_df["name"].isin(certif_14_keys),
    ["name", "description", "type_metier"],
].head(5)

	name	description	type_metier
0	certif_V2014_id_niveau	Code du niveau de certification validé par le ...	NaN
1	certif_date	Date de délibération du collège de la HAS qui ...	NaN
2	certif_V2014_id_demarche	Code interne à la HAS. Il s'agit d'un code per...	NaN
3	certif_V2014_decision_thematique_1	Décision finale pour la thématique : Managemen...	NaN
4	certif_V2014_decision_thematique_2	Décision finale pour la thématique : Qualité d...	NaN

# Affichage des types métiers esatis
metadata_df.loc[
    metadata_df["name"].isin(esatis_keys),
    ["name", "description", "type_metier"],
].head(5)

	name	description	type_metier
770	nb_rep_score_all_rea_ajust	Nombre de réponses concernant la satisfaction ...	effectif_observe
771	score_all_rea_ajust	Note ajustée de satisfaction globale classemen...	score
772	score_all_rea_ajust_dp	Note ajustée de satisfaction globale classemen...	score_arrondi
773	score_ajust_esatis_region_48h	Note ajustée de satisfaction globale des patie...	moyenne_regionale
774	score_ajust_esatis_type_48h	Note ajustée de satisfaction globale des patie...	moyenne_nationale

# Affichage des variables de type score pour esatis
metadata_df.loc[
    metadata_df["name"].isin(esatis_keys)
    & (metadata_df["type_metier"] == "score"),
    ["name", "description", "type_metier"],
]

	name	description	type_metier
771	score_all_rea_ajust	Note ajustée de satisfaction globale classemen...	score
778	score_accueil_rea_ajust	Note ajustée concernant la satisfaction de l'a...	score
780	score_pecinf_rea_ajust	Note ajustée de satisfaction de la prise en ch...	score
782	score_pecmed_rea_ajust	Note ajustée de satisfaction de la prise en ch...	score
784	score_chambre_rea_ajust	Note ajustée de satisfaction de la chambre	score
786	score_repas_rea_ajust	Note ajustée de satisfaction des repas	score
788	score_sortie_rea_ajust	Note ajustée de satisfaction de la sortie	score
789	taux_reco_brut_48h	Pourcentage de patients recommandant certainem...	score
792	score_all_ajust_ca	Score de satisfaction globale ajusté	score
798	score_avh_ajust	Note ajustée de la satisfaction avant l'hospit...	score
800	score_acc_ajust	Note ajustée concernant la satisfaction accuei...	score
802	score_pec_ajust	Note ajustée de la satisfaction de la prise en...	score
804	score_cer_ajust	Note ajustée de la satisfaction chambre et rep...	score
806	score_ovs_ajust	Note ajustée de la satisfaction sortie et reto...	score
808	taux_reco_brut_ca	Pourcentage de patients recommandant certainem...	score
811	score_all_ssr_ajust	Score de satisfaction globale ajusté	score
817	score_accueil_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
819	score_pec_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
821	score_lieu_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
823	score_repas_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
825	score_sortie_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
827	taux_reco_brut_ssr	Pourcentage de patients recommandant certainem...	score

Isolation des domaines de données#

Afin de pouvoir préparer et analyser un domaine de données, il est nécessaire de l’isoler en vue de traitements décrits plus bas. Pour des raisons de volumétrie, le présent tutoriel se restreint aux données esatis. Mais il est naturellement possible d’effectuer ces analyses sur un ensemble de domaines de données, voire sur tous les domaines (les mêmes opérations décrites ici peuvent leur être appliquées).

# Isolation du domaine de données esatis
esatis_df = valeurs_df[valeurs_df["key"].isin(esatis_keys)]

# Isolation du domaine de données certification v2014, pour illustration
certif_df = valeurs_df[valeurs_df["key"].isin(certif_14_keys)]

Pivot de la table esatis#

Actuellement, le format clé-valeur de la base induit que chaque valeur de chaque variable pour chacun des établissements est associée à une ligne. Nous souhaitons pourvoir avoir un regroupement des valeurs pour chaque établissement.

Pour cela, nous devons effectuer les opérations suivantes (cf. cellule de code ci-dessous) :

Effectuer un pivot à la table pour avoir une colonne par variable (par type), chaque ligne représentant un établissement pour une année donnée (puisque certaines valeurs sont collectées annuellement)
Chaque classe de valeur n’ayant qu’un type de valeur acceptable (hormis le type missing_value), toutes les colonnes des autres types seront remplis de NaN => il s’agit donc également de supprimer ces colonnes inutiles
Les colonnes des valeurs manquantes pour une clé sont fusionnées avec la colonne de valeurs de la clé correspondante pour ne pas perdre l’information correspondante

# Les colonnes de valeurs sont pivotées selon le colonne key, pour chaque triplet (annee, finess, finess_type)
esatis_df = esatis_df.pivot(
    index=["annee", "finess", "finess_type"], columns="key"
)

# Toutes les colonnes de valeurs liées à un type incorrect vis-à-vis du type attendu sont remplies par des NaN.
# Il s'agit ici de supprimer ces colonnes qui ne portent aucune information exploitable
esatis_df = esatis_df.dropna(axis=1, how="all")

# Les colonnes associées au type missing_value sont fusionnées avec leur colonne de valeur respective
# Cette étape est optionnelle si les valeurs manquantes sont sans intérêts pour l'étude
if "missing_value" in esatis_df:
    esatis_df = esatis_df.combine_first(esatis_df["missing_value"]).drop(
        columns="missing_value"
    )

# Les colonnes qui résultent de ces opérations ont plusieurs niveaux qui sont ici applatis pour n'en avoir plus qu'un
esatis_df = esatis_df.droplevel(0, axis=1)
# Les données d'années, de finess et de finess_type utilisées jusqu'ici comme index sont basculées en colonnes dans la table.
esatis_df = esatis_df.reset_index()

Un échantillon de la table résultante peut être observée ci-dessous, en notant qu’il manque des données pour de nombreux établissements sur certaines années car certains indicateurs n’étaient pas calculés à ce moment là.

esatis_df.sample(n=5, random_state=123)

key	annee	finess	finess_type	classement_48h	classement_ca	classement_ssr	evolution_48h	evolution_ca	evolution_ssr	nb_reco_brut_48h	...	score_pec_ssr_ajust	score_pecinf_rea_ajust	score_pecmed_rea_ajust	score_repas_rea_ajust	score_repas_ssr_ajust	score_sortie_rea_ajust	score_sortie_ssr_ajust	taux_reco_brut_48h	taux_reco_brut_ca	taux_reco_brut_ssr
9880	2023	520000043	geo	D	NaN	Données insuffisantes	Non calculable	NaN	NaN	38.0	...	Données insuffisantes	77.72	75.89	64.49	Données insuffisantes	56.18	Données insuffisantes	50.0	NaN	Données insuffisantes
3859	2019	370007569	geo	B	B	NaN	0.0	0.0	NaN	910.0	...	NaN	82.33	82.79	61.73	NaN	67.55	NaN	66.3	66.5	NaN
5701	2020	910018423	geo	Données insuffisantes	NaN	NaN	NaN	NaN	NaN	Données insuffisantes	...	NaN	Données insuffisantes	Données insuffisantes	Données insuffisantes	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN
4453	2019	830000287	geo	Non validé	Non validé	NaN	NaN	NaN	NaN	Non validé	...	NaN	Non validé	Non validé	Non validé	NaN	Non validé	NaN	Non validé	Non validé	NaN
10199	2023	650000417	geo	C	A	NaN	0.0	0.0	NaN	363.0	...	NaN	83.03	82.3	55.32	NaN	65.11	NaN	44.6	75.6	NaN

5 rows × 62 columns

Exploitation des données#

Dans cette section, une analyse simple sur le domaine esatis est effectuée à des fins d’illustration quant à la valorisation de ces données.

Le cas d’usage de cette analyse est l’observation de l’évolution du positionnement national d’un établissement identifié (il s’agit ici de l’établissement associé au finess n°060000478) vis-à-vis des établissements de même catégorie (il s’agit ici de la catégorie Centres Hospitaliers, associée au code 1102) sur l’indicateur score_all_ajust_ca (correspondant au “score de satisfaction globale ajusté” en chirurgie ambulatoire).

Pour ce faire, il faut :

associer aux données esatis les données finess nécessaires à la jointure et à la catégorisation des établissements
calculer le classement de l’établissement (son rang absolu et le pourcentage associé) pour chaque année
représenter la distribution des établissements pour chaque année en positionnant l’établissement étudié

Ces étapes sont réalisées dans les deux sections ci-dessous.

Finalisation de la préparation des données#

# On ne prend que les informations des finess les plus récentes pour éviter les doublons à la jointure
finess_df = finess_df.loc[finess_df["dernier_enregistrement"]]

# Jointure entre les données esatis et les données Finess restreintes aux agrégats de catégories d'établissement
df = finess_df[
    [
        "num_finess_et",
        "categorie_agregat_et",
        "raison_sociale_et",
        "departement",
    ]
].merge(esatis_df, left_on="num_finess_et", right_on="finess", how="inner")
df.sample(5, random_state=123)

	num_finess_et	categorie_agregat_et	raison_sociale_et	departement	annee	finess	finess_type	classement_48h	classement_ca	classement_ssr	...	score_pec_ssr_ajust	score_pecinf_rea_ajust	score_pecmed_rea_ajust	score_repas_rea_ajust	score_repas_ssr_ajust	score_sortie_rea_ajust	score_sortie_ssr_ajust	taux_reco_brut_48h	taux_reco_brut_ca	taux_reco_brut_ssr
11800	930300595	1110	HOPITAL PRIVE DU VERT GALANT	93	2022	930300595	geo	D	C	NaN	...	NaN	76.54	78.79	43.71	NaN	61.24	NaN	34.3	58.7	NaN
7011	620000240	1102	CH HENIN BEAUMONT	62	2018	620000240	geo	Données insuffisantes	NaN	NaN	...	NaN	Données insuffisantes	Données insuffisantes	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	NaN	NaN
4785	440001113	1104	ICO - SITE GAUDUCHEAU	44	2024	440001113	geo	A	A	NaN	...	NaN	88.63	87.7	63.44	NaN	72.98	NaN	77.5	88.0	NaN
11207	910150085	1110	GH LES CHEMINOTS SOINS DE SUITE	91	2023	910150085	geo	NaN	NaN	Données insuffisantes	...	Données insuffisantes	NaN	NaN	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	Données insuffisantes
1976	210987657	1102	HOSPICES CIVILS DE BEAUNE	21	2018	210987657	geo	Données insuffisantes	B	NaN	...	NaN	Données insuffisantes	Données insuffisantes	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	NaN	NaN

5 rows × 66 columns

# Seuls les centres hospitaliers sont conservés
df = df[df["categorie_agregat_et"] == 1102]

# Pour cette étude, seules les colonnes suivantes sont nécessaires pour la suite : annee, taux_reco_brut_ca, finess
# Par ailleurs, cet indicateur n'est collecté qu'a partir de 2019.
df = df.loc[
    df["annee"] >= 2019,
    [
        "annee",
        "finess",
        "raison_sociale_et",
        "departement",
        "score_all_ajust_ca",
    ],
]

# Les établissements sans valeurs pour l'indicateur sont retirés
df = df.dropna()

Un extrait de la table correspondante peut être observée :

df.sample(5, random_state=123)

	annee	finess	raison_sociale_et	departement	score_all_ajust_ca
10355	2021	830000345	CHITS CH SAINTE MUSSE	83	79.29
9600	2019	770000131	CH DE COULOMMIERS	77	Non validé
6278	2019	590000469	CH FOURMIES	59	Données insuffisantes
127	2023	020000394	CH LAON	02	78.65
5961	2023	570000059	CH MARIE-MADELEINE DE FORBACH	57	82.21

Visualisation des résultats#

es_finess = "060000478"
axes = df.plot.hist(by="annee", bins=20, figsize=(10, 15), legend=False)
for i, annee in enumerate(np.sort(df["annee"].unique())):
    axes[i].set_xlim(0, 100)
    axes[i].set_ylim(0, 37)
    axes[i].set_ylabel("Fréquences", fontsize=12)
    df_tmp = (
        df[df["annee"] == annee]
        .sort_values("score_all_ajust_ca", ascending=False)
        .reset_index()
    )
    value = df_tmp.loc[
        df_tmp["finess"] == es_finess, "score_all_ajust_ca"
    ].values[0]
    axes[i].axvline(value, color="red")
    axes[i].text(value - 3.2, -4.5, str(value), color="red", fontsize=12)
    axes[i].text(
        value + 1, 38, "finess n°" + str(es_finess), color="red", fontsize=12
    )
    rank = df_tmp[df_tmp["finess"] == es_finess].index.item() + 1
    card_finess = df_tmp.shape[0]
    rank_ratio = 100 * rank / card_finess
    axes[i].text(
        5,
        30,
        f"classement : {rank} / {card_finess}\nposition (%) : {rank_ratio:,.1f}",
        backgroundcolor="lightgrey",
        color="red",
        fontsize=12,
        fontweight="roman",
    )
axes[2].set_xlabel(
    "score de satisfaction globale ajusté",
    fontsize=12,
    labelpad=15,
)

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[16], line 2
      1 es_finess = "060000478"
----> 2 axes = df.plot.hist(by="annee", bins=20, figsize=(10, 15), legend=False)
      3 for i, annee in enumerate(np.sort(df["annee"].unique())):
      4     axes[i].set_xlim(0, 100)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_core.py:1412, in PlotAccessor.hist(self, by, bins, **kwargs)
   1350 def hist(
   1351     self, by: IndexLabel | None = None, bins: int = 10, **kwargs
   1352 ) -> PlotAccessor:
   1353     """
   1354     Draw one histogram of the DataFrame's columns.
   1355 
   (...)
   1410         >>> ax = df.plot.hist(column=["age"], by="gender", figsize=(10, 8))
   1411     """
-> 1412     return self(kind="hist", by=by, bins=bins, **kwargs)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_core.py:1031, in PlotAccessor.__call__(self, *args, **kwargs)
   1028             label_name = label_kw or data.columns
   1029             data.columns = label_name
-> 1031 return plot_backend.plot(data, kind=kind, **kwargs)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/__init__.py:71, in plot(data, kind, **kwargs)
     69         kwargs["ax"] = getattr(ax, "left_ax", ax)
     70 plot_obj = PLOT_CLASSES[kind](data, **kwargs)
---> 71 plot_obj.generate()
     72 plot_obj.draw()
     73 return plot_obj.result

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/core.py:451, in MPLPlot.generate(self)
    449 def generate(self) -> None:
    450     self._args_adjust()
--> 451     self._compute_plot_data()
    452     self._setup_subplots()
    453     self._make_plot()

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/core.py:636, in MPLPlot._compute_plot_data(self)
    634 # no non-numeric frames or series allowed
    635 if is_empty:
--> 636     raise TypeError("no numeric data to plot")
    638 self.data = numeric_data.apply(self._convert_to_ndarray)

TypeError: no numeric data to plot

⚠️ Attention : L’analyse et l’interprétation des résultats des IQSS nécessite de bien prendre connaissance de leur définition.

Nous pouvons constater que l’établissement considéré dans cette étude a:

Amélioré son score (de 77.73 à 80.78)
Amélioré sa place dans la distribution de 54.6ème percentile à 24.3ème percentile