---
{
  "title": "Configuration et ajustement d'un modèle de correspondance de patients : un guide pratique",
  "description": "Comment configurer et affiner un modèle de correspondance de patients dans MDMbox — de la définition des critères de correspondance et de la structure du modèle au blocage, à l'entraînement et à l'ajustement manuel.",
  "date": "2026-05-14",
  "author": "Elena Zavalishina",
  "reading-time": "2 min read",
  "tags": ["Integrations", "System Design", "Aidbox"],
  "utm-campaign": "feature",
  "utm-content": "patient-matching"
}
---

Dans **[MDMbox](https://www.health-samurai.io/mdmbox)**, les modèles de correspondance sont entièrement **transparents et configurables**, et non des boîtes noires. Vous avez un contrôle total sur le fonctionnement de la correspondance : de la structure du modèle et de la notation jusqu'aux seuils et à la logique de décision.

Pour appuyer cette approche, nous avons préparé un **guide complet et pratique** pour vous aider à configurer et à ajuster vous-même les modèles de correspondance. (Et si vous préférez ne pas le faire, nous pouvons vous accompagner dans le cadre d'un service professionnel.)

Faisant suite à notre article précédent, *[Master Patient Index (MPI) : fonctionnement et exemples](/articles/master-patient-index-and-record-linkage)*, ce guide explore plus en profondeur l'aspect pratique de la correspondance.

Bien qu'il utilise la **correspondance de patients** comme exemple principal, les mêmes principes s'appliquent à **n'importe quelle ressource FHIR** — Patients, Practitioners, Organizations, Locations, et bien d'autres.

Nous nous concentrons sur les patients parce qu'il s'agit de l'un des **problèmes de résolution d'identité les plus complexes et les plus nuancés** dans le domaine de la santé. C'est la meilleure façon de démontrer ce qui compte vraiment en pratique.

## Contenu du guide

Nous décomposons l'ensemble du processus étape par étape :

- **Définir ce qu'une « bonne correspondance » signifie** : comment formaliser les critères de correspondance en fonction du domaine du client, de sa tolérance au risque, des caractéristiques des données et des contraintes opérationnelles.
- **Concevoir la structure du modèle** : choix des champs, des stratégies de comparaison et de la logique de pondération.
- **Mettre en œuvre un blocage efficace** : réduire le volume de calcul sans perdre les véritables correspondances.
- **Entraîner le modèle** : utiliser des données réelles pour estimer les paramètres et calibrer le comportement.
- **Ajustement manuel pour des résultats optimaux** : modifier les poids, les seuils et les règles pour atteindre une qualité adaptée à la production.

## Cas concrets et pièges à éviter

Au-delà de la théorie, nous partageons des **leçons pratiques tirées de mises en œuvre réelles** :

- Les sources courantes de faux positifs et de faux négatifs.
- Les problèmes de qualité des données (p. ex., adresses partagées, valeurs de substitution, formats incohérents).
- Les cas limites rencontrés lors du travail avec les jeux de données de clients.
- La façon dont nous avons abordé et résolu des scénarios de correspondance complexes.

## Lire le guide complet

Le guide complet est disponible [ici](https://www.health-samurai.io/downloads/fine-tuning-patient-matching-model).

Pour un exemple concret de ces techniques en action, découvrez comment nous avons trouvé [des milliers de dossiers en double dans le registre NPI](/articles/thousands-of-duplicate-records-in-npi-registry).

Explorez-le, utilisez-le dans votre travail et faites-nous part de vos réflexions. N'hésitez pas à partager vos commentaires dans la section de commentaires sous cet article.