Déceler les médicaments à l'origine des effets indésirables

Cas clinique : dysfonction érectile et iatrogénie

Infection génitale et patient diabétique

Une infection génitale chez un patient diabétique : quelle origine ?

"Pour mieux répondre aux questions sur les médicaments"

On parle de nous... dans le Quotidien du pharmacien

De la mycose buccale à l’hypokaliémie

Sciatalgie ou accident des anticoagulants ? 

Une douleur abdominale chez un patient diabétique

Chez Posos, nous avons pour mission d’aider les professionnels de santé à mieux soigner en leur apportant des réponses médicales concrètes et adaptées pour chaque patient.

Découvrez dans chaque article de cette série comment Posos vous aide à résoudre des cas concrets.

Posos ou comment cibler rapidement le médicament à l’origine d’un effet secondaire

The time caregivers can spend with their patients reportedly declines whereas the amount of available information increases, making their work harder each day (notwithstanding the pandemic). At Posos, we want to enable doctors to support their therapeutic decisions with the latest medical data in order to provide the best possible care for each patient. This is what motivates us to build a search engine enhanced by medical-specific NLP tools built on authoritative data.

Building a medical search engine — Step 3: Using NLP tools to improve search results

De fantastiques progrès ont métamorphosé la médecine en quelques dizaines d’années. De nouvelles capacités de diagnostic ont vu le jour avec les IRM et la génétique. La robotique a envahi les blocs opératoires et de nouveaux médicaments révolutionnaires tels que les anticorps monoclonaux ont enrichi l’arsenal thérapeutique.

Comment Posos compte transformer l’aide à la prescription des médecins

In this article, you will learn about one of the most important applications of medical word embeddings: a machine learning model that identifies medical entities (as drug names or diseases) in text.

Building a medical search engine — Step 2: Identifying medical entities in text.

When treating a patient, physicians have to choose the most suitable treatment among 3,600 different molecules. This requires going through long product descriptions to identify, for instance, the right drug for a given diagnosis that is compatible with the patient’s profile.

Building a medical search engine — Step 1: medical word embeddings

À l’heure d’Internet et de l’immédiateté de l’information, on ne soupçonne pas que la recherche d’informations sur les médicaments puisse encore parfois prendre des heures, voire des jours, pour les professionnels de santé, qu’ils soient médecins ou pharmaciens...

Comment POSOS utilise l’IA pour aider les professionnels de santé dans leur prise de décision

In the age of Internet and rapid information access, it is not suspected that information retrieval on medicines could require sometimes hours, or even days, for healthcare professionals, such as doctors or pharmacists.

How POSOS is using AI to improve the use of medicines by healthcare professionals and patients

Blog

Cas clinique : dysfonction érectile et iatrogénie

Cas clinique : Colchicine versus AINS

La femme enceinte, l'enfant et la gale

Une infection génitale chez un patient diabétique : quelle origine ?

On parle de nous... dans le Quotidien du pharmacien

De la mycose buccale à l’hypokaliémie

S'inscrire gratuitement