Extraction de la CIM10 en SPARQL
Dans ce billet, nous allons voir comment extraire des codes CIM-10 à partir d’un fichier RDF télécharger depuis le serveur multi-terminologique, en utilisant le langage SPARQL dans un script Python.
C’est quoi un fichier RDF ?
Un fichier RDF (Resource Description Framework) est un modèle de données conçu pour représenter et relier des concepts issus d’une terminologie de manière hiérarchique et standardisée. Par exemple, la terminologie CIM-10 attribue à chaque maladie un code unique, utilisé notamment pour la codification des actes médicaux dans le cadre du PMSI (Programme de médicalisation des systèmes d’information).
De manière simplifiée, un fichier RDF est constitué d’une liste de triplets (sujet, prédicat, objet), qui peuvent être illustrés de la façon suivante :
Le triplet suivant, par exemple, associe le code I33.0 à son libellé : “Endocardite infectieuse”.
Il existe différentes terminologies dans le domaine médical, que vous pouvez télécharger au format RDF depuis le serveur multi-terminologique de l’Agence de la santé. Une fois le fichier RDF téléchargé, vous pouvez l’explorer à l’aide d’un logiciel comme Protégé, ou de manière programmatique en Python à l’aide de la bibliothèque rdflib.
Requêter en SPARQL
Pour explorer une terminologie, vous pouvez utiliser le langage SPARQL. Le principe est simple : il suffit d’écrire des triplets en remplaçant l’élément recherché par une ?variable.
Par exemple, la requête suivante permet de retrouver le libellé associé au code CIM-10 I33.0 :
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX skos: <http://www.w3.org/2004/02/skos/core#>
SELECT ?concept ?label
WHERE {
?concept skos:notation 'I33.0'.
?concept rdfs:label ?label.
}
Vous pouvez tester directement cette requête en ligne sur le serveur terminologique à l’adresse suivante: https://smt.esante.gouv.fr/sparql/
Générer un dataframe
Si, comme moi, vous préférez manipuler un DataFrame en Python, je vous propose ce code qui permet d’extraire depuis le fichier RDF de la CIM-10: le code, le libellé, le chemin hiérarchique, les synonymes et les notes.
import rdflib
import polars
# Chargement de la terminologie
g = rdflib.Graph()
g.parse("cim10.rdf")
# Requete SPARQL pour récupérer les variables d'interets
query = """
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX skos: <http://www.w3.org/2004/02/skos/core#>
PREFIX skos: <http://www.w3.org/2004/02/skos/core#>
PREFIX xkos: <http://rdf-vocabulary.ddialliance.org/xkos#>
PREFIX dc: <http://purl.org/dc/elements/1.1/>
PREFIX atih: <http://data.esante.gouv.fr/atih/>
SELECT ?concept ?code ?label ?path ?type ?synonymes ?inclusion_note ?exclusion_note
WHERE {
?concept rdfs:subClassOf* atih:cim10 .
?concept rdfs:label ?label.
?concept skos:notation ?code.
?concept rdfs:subClassOf+ ?superClass.
?superClass skos:notation ?path.
?concept dc:type ?type.
OPTIONAL { ?concept skos:altLabel ?synonymes. }
OPTIONAL { ?concept atih:inclusionNote ?inclusion_note . }
OPTIONAL { ?concept atih:exclusionNote ?exclusion_note . }
}
"""
# Execution de la requete SPARQL
records = g.query(sparql)
# Génération d'un dataframe pola.rs
columns = [str(i) for i in records.vars]
recs = []
for rec in records:
if isinstance(rec, tuple):
recs.append(rec)
else:
raise TypeError("Records must contains iterable ")
df = pl.DataFrame([{str.upper(columns[i]): str(v) for i, v in enumerate(rec)} for rec in recs])
df = df.group_by("CONCEPT").agg(
pl.col("CODE").first(),
pl.col("CODE").first().str.replace("\.", "").alias("CODE_2"),
pl.col("LABEL").first(),
pl.col("PATH").reverse(),
pl.col("SYNONYMES").drop_nulls(),
pl.col("TYPE").first(),
pl.col("INCLUSION_NOTE").first(),
pl.col("EXCLUSION_NOTE").first(),
)
df.write_parquet("cim10.parquet")
En conclusion
Ces fichiers RDF sont particulièrement utiles et ont de nombreuses applications, en particulier grâce à la structuration hiérarchique des concepts.
Pour ceux que ça interesse, j’ai mis à disposition plusieurs requêtes SPARQL pour d’autres ontologies :
