Votre projet d'implémentation, analysé en quelques minutes.
Déposez votre protocole ou décrivez votre projet. MOUDAR® rédige un rapport structuré (CFIR 2.0, RE-AIM, EPIS, stratégies ERIC) et prépare vos décisions. Vous relisez, vous corrigez, vous exportez en Word.
Je débute · parcours en 3 étapes
- — précisez le contexte et les personnes concernées.
- — obtenez des pistes à vérifier avec l'équipe.
- — consignez M0, puis les mesures M3/M6/M12.
un document ou 5 réponses courtes
freins, leviers, stratégies, indicateurs
vous validez, ajustez et exportez
📁 Mon projet
Comment souhaitez-vous décrire votre projet ?
🔄 Theory of Change IS
🏆 Rapport d'Impact IS
🔬 Analyseur de Maturité des Protocoles
Évaluation selon les standards IS — CFIR 2.0 · RE-AIM · EPIS
⚖️ Comparaison de 2 protocoles
Analysez et comparez deux protocoles côte à côte selon le score RIRS
📚 Revue de Littérature IS
Synthèse automatisée ancrée dans CFIR 2.0 · RE-AIM · EPIS
📋 Générateur de Questionnaires IS
Génération structurée d'instruments IS ancrés dans CFIR 2.0 · RE-AIM · EPIS · Proctor, à revue experte
💰 Rédacteur de Grant IS
Demandes de financement ancrées dans CFIR 2.0 · RE-AIM · EPIS · Proctor
📊 Tableau de bord Suivi IS
Suivi RE-AIM hebdomadaire · KPIs · Alertes IS · Recommandations adaptatives
👥 Espace de Travail IS — Collaboration par fichiers
Partagez vos analyses via fichiers .moudar · Annotez en équipe · Synthèse IA collective
ℹ️ Mode actuel : collaboration asynchrone par échange de fichiers .moudar — pas de synchronisation cloud temps réel. Chaque membre travaille sur son appareil et partage ses fichiers manuellement.
🆕 Créer un espace collaboratif
🔑 Rejoindre un espace
.moudar et envoyez-le à vos collaborateurs par email ou messagerie.
📥 Importer une analyse
📂 Mes espaces récents
🎯 Sélecteur ERIC IS
73 stratégies officielles · Matching automatique · Justification académique
📈 Registre longitudinal · pilote prédictif expérimental
Documentez les caractéristiques à M0 et les résultats observés à M3, M6 et M12. Ce module ne calcule aucune probabilité. Les données restent dans ce navigateur, sauf export volontaire. Le mode session empêche leur persistance.
Ne saisissez aucune donnée patient nominative ou sensible sans autorisation institutionnelle. Un score proposé par un LLM doit être revu et documenté par un expert.
Suivi observé
M0 est verrouillé après le premier suivi afin d'éviter une modification rétrospective des variables du futur modèle.
Adoption = nombre d'acteurs éligibles ayant effectivement utilisé l'intervention pendant les 30 jours précédant la mesure, divisé par le nombre éligible à cette échéance. Cette définition est proposée pour le pilote et doit être figée dans le protocole.
Extraction LLM à M0 · revue obligatoire
Format strict : {"leadership":{"value":3,"evidence":"source p. 2"},"resources":null,"workflow":null,"readiness":null}. Une valeur absente est null, jamais 0 ou 3 par défaut. Les quatre clés sont obligatoires.
Registre
| Projet | M0 | Cas | Suivis | Adoption M6 | Action |
|---|
Le CSV contient une ligne par projet : variables M0, suivis M3/M6/M12 et indicateur d'éligibilité à une future validation. Les cas simulés et les M0 non vérifiés sont exclus de cet indicateur. Aucun modèle n'est entraîné ici.
📐 DGPE — Indice descriptif
DGPE · 36 dimensions opérationnelles inspirées du CFIR 2.0 · scoring heuristique exploratoire (validation externe requise)
Évaluez chaque dimension de 1 (très faible) à 5 (excellent). Les 36 dimensions sont regroupées par domaine ; aucune pondération prédictive n'est appliquée.
📋 Statut scientifique du score
Ce score est un indicateur exploratoire d'aide au raisonnement. Il ne constitue pas une prédiction validée du succès d'implémentation. Toute interprétation doit être discutée par une équipe experte et contextualisée.
Ajustez vos scores dans l'onglet Saisie puis cliquez sur « Calculer ».
🔬 Méthodologie DGPE
Double scoring complémentaire :
1️⃣ Profil descriptif — moyenne non pondérée des 36 dimensions opérationnelles inspirées du CFIR 2.0 (les pondérations antérieures, dérivées du jeu de données invalidé, ont été retirées). Support de discussion, sans verdict.
2️⃣ Module statistique (suspendu) — un moteur de classification côté serveur a été développé puis suspendu le 16/07/2026 à la suite d'un audit de filiation des données (DT-DGPE-006) : le jeu d'entraînement, extrait de la littérature, présentait des erreurs de représentation (colonnes, valeurs manquantes, étiquettes générées automatiquement, circularité des sources). Aucune performance n'est revendiquée. La réactivation est conditionnée à la constitution d'un jeu de données valide (adjudication experte des issues selon Proctor, en cours).
📋 Audit de filiation (DT-DGPE-006, 16/07/2026) : l'audit remontant aux cellules du fichier source a invalidé l'ensemble des chiffres précédemment communiqués (0,956, puis 0,71-0,77) : identité des colonnes erronée, valeurs manquantes converties en zéros, étiquette de succès générée automatiquement sans validation, circularité des sources. Toute revendication de performance a été retirée. Un article méthodologique documentant cet audit est en préparation.
Équipe : I. El Ouazzani (BDSI/USMBA Fès) · Pr M. Khalis (CM6RI) · Pr Y. Moudar (Swiss Medical Academy) · 2026. Outil d'orientation — ne remplace pas le jugement clinique ; validation externe prospective en cours.
À la suite d'un audit de filiation des données (note DT-DGPE-006, 16/07/2026), l'ensemble des chiffres de performance précédemment affichés (dont ROC-AUC 0,956 puis 0,71-0,77) ont été retirés : le jeu de données d'entraînement présentait des erreurs de représentation (identité des colonnes, valeurs manquantes converties en zéros, étiquette de succès générée automatiquement sans validation, circularité des sources). Aucune AUC n'est donc scientifiquement défendable à ce jour.
Le module de probabilité est suspendu jusqu'à la constitution d'un jeu de données valide (adjudication experte des issues selon Proctor, en cours). L'indice descriptif de maturité (0-100) — une règle experte, non une probabilité — reste disponible comme aide à la réflexion structurée.
Un article méthodologique documentant intégralement cet audit est en préparation. Cette transparence est volontaire : la traçabilité prime sur le chiffre.
🧪 Validation scientifique — état des lieux (transparence TRIPOD+AI)
Cette page distingue ce qui est démontré, ce qui est en cours, et ce qui reste à établir. Elle complète l'onglet Méthodologie sans s'y substituer.
| Étape | Statut | Détail |
|---|---|---|
| Validation interne rétrospective | ✅ Réalisée (11/07/2026) | Invalidée par l'audit de filiation des données (DT-DGPE-006, 16/07/2026). L'audit ligne à ligne du fichier source a établi une chaîne d'erreurs de représentation (identité des colonnes, valeurs manquantes, étiquettes générées automatiquement, circularité des sources) : les chiffres antérieurs (0,956 puis 0,71-0,77) sont retirés et aucune performance n'est revendiquée. Prochaine étape : constitution d'un jeu de données valide (adjudication experte des issues, validation croisée par étude). |
| Validation prospective (pilote) | 🕐 En cours | Protocole v1.0 (juillet 2026) : cohorte de 12–15 projets, prédictions gelées à T0 (moteur V0.2, journal horodaté), critère de succès Proctor à 12 mois adjudiqué en aveugle. |
| Cohorte de confirmation | ⏳ À venir | n ≥ 60 projets, calcul de puissance formel, après résultats du pilote. |
| Validation externe indépendante | ⏳ À venir | Réplication par une équipe indépendante sur données distinctes. |
Référentiel de transparence : Collins et al. (2024) TRIPOD+AI · Damschroder et al. (2022) CFIR 2.0 · Proctor et al. (2011).
Chaque évaluation est enregistrée localement sur cet appareil (date, scores, résultats, version du moteur). Exportez en CSV pour vos analyses R / Python / Stata.
Aucune évaluation enregistrée pour l'instant.
Lancez un calcul dans l'onglet Saisie : il apparaîtra ici automatiquement.
| Date | Projet | Score heuristique | Moteur (retiré) | Verdict | Version |
|---|
🛡️ Évaluation de Préparation PAIF — IPRT
Implementation Preparedness Reflection Tool · Younes MOUDAR (2026) · Swiss Medical Academy · CERSS UM5
🤖 Analyse narrative MOUDAR\u00ae (PAIF)
🧬 NASSS — Complexité d'adoption technologique
Nonadoption, Abandonment, Scale-up, Spread, Sustainability · Greenhalgh et al. (2017) · pour projets impliquant un outil numérique
Pour chaque domaine, évaluez le niveau de complexité (1 = simple et prévisible, 5 = très complexe et évolutif). Plus la complexité s'accumule sur plusieurs domaines, plus le risque de non-adoption ou d'abandon augmente (Greenhalgh et al., 2017).
📋 MAIP — Matrice Anticipatoire de Préparation à la Mise en œuvre
Matrix for Anticipatory Implementation Preparedness · Younes MOUDAR (2026) · Swiss Medical Academy · CERSS UM5
| # | Déterminant | Risque | Stratégie (ERIC) | Mécanisme | Outcome (Proctor) | Indicateur | Seuil | Horizon | Équité | Incertitude | Règle adaptative | Responsable | Niveau de preuve | Statut |
|---|
🧭 Wizard PAIF — Cycle d'implémentation guidé
6 étapes · Auto-injection · Swiss Medical Academy · CERSS UM5 · Younes MOUDAR (2026)
📊 Dashboard IS — Gouvernance PAIF
Vue synthétique de tous vos modules IS · Alertes de seuils · Monitoring adaptatif
Consignez un point de suivi à intervalle régulier : ce que vous avez décidé, qui en est responsable, et où ça en est. Contrairement au tableau de bord ci-dessus (photo instantanée), ce journal garde l'historique complet de votre pilotage — utile pour un audit ou une publication.
| Date | Responsable | Constat / seuil | Décision | Lien FRAME/MAIP | Statut | |
|---|---|---|---|---|---|---|
| Aucun point de pilotage enregistré. Ajoutez le premier ci-dessus. | ||||||
📄 Rapport PAIF — Rapport structuré exportable
Synthèse complète : IPRT + DGPE + MAIP + Analyse narrative IA · Younes MOUDAR (2026)
Générez un document pré-rempli avec vos données de projet, structuré selon les checklists internationales StaRI (rapport d'implémentation) et TIDieR (description d'intervention). Les champs manquants sont clairement signalés pour être complétés avant soumission.
📅 Plan d'action IS — 90 jours
Généré automatiquement à partir de vos scores IPRT, DGPE et décisions MAIP
| Période | Action IS | Responsable | KPI | Seuil | Statut |
|---|---|---|---|---|---|
| Complétez IPRT et DGPE, puis cliquez sur "Générer le Plan 90 jours". | |||||
📜 Statut, limites & gouvernance
Déclaration formelle à transmettre à tout reviewer, comité ou partenaire. À reproduire telle quelle pour éviter toute survente.
Statut
MOUDAR® est un proof-of-concept avancé de plateforme décisionnelle en science de l'implémentation. Il n'est pas une plateforme validée : aucune validation externe indépendante n'a été conduite à ce jour. Toute sortie de l'outil (score, recommandation, prédiction) doit être lue comme une aide structurée à la décision, jamais comme une conclusion établie.
Ce que l'outil fait
- Structure le raisonnement d'implémentation autour de CFIR 2.0, RE-AIM, EPIS, ERIC, Proctor, FRAME, PAIF et MAIP.
- Trace la chaîne déterminant → stratégie → mécanisme → outcome → seuil → règle adaptative.
- Documente les adaptations (FRAME) et la provenance des recommandations (Evidence Graph).
- Produit un dossier d'audit (Reviewer Mode + Evidence Pack) avec hash de traçabilité.
Ce que l'outil n'est pas
- Pas un moteur causal ou probabiliste validé. Le
decisionCoreest généré par assistance IA (Claude / Anthropic) à partir du dossier soumis. - Pas un substitut au jugement d'expert. Les seuils et règles adaptatives sont des aides, à confronter au contexte local.
- Pas un outil de prédiction clinique. Le DGPE (Damschroder 2022) est utilisé en mode exploratoire, sur 36 dimensions opérationnelles inspirées du CFIR 2.0 (qui en compte 48 au total) ; indice descriptif, aucune performance revendiquée.
- Pas une base de preuves indépendante. L'Evidence Graph est une extraction structurée du raisonnement IA ; il ne remplace pas une recherche bibliographique systématique.
Limites méthodologiques connues
- Génération assistée par grand modèle de langage : risque d'hallucination résiduel, atténué par l'ancrage cadre (CFIR/ERIC/Proctor) et l'étiquetage de provenance.
- Échantillon limité pour les composants ML internes : pas de validation externe, pas d'évaluation de calibration ni de transportabilité.
- Couverture incomplète des 48 construits CFIR 2.0 (sélection opérationnelle de 36).
- Évaluation des incertitudes qualitative (faible/moyenne/élevée), non probabiliste.
Validation externe prévue
- Soumission scientifique en cours (Implementation Science Communications — PAIF).
- Pilotes prévus avec partenaires académiques (CM6RI Rabat · HES-SO Valais) — résultats à publier.
- Étude de cas terrain documentée via le journal FRAME (méthodologie de reporting).
Données & confidentialité
- Le stockage principal est local (navigateur, localStorage) ; MOUDAR ne dispose d'aucune base de données centrale. Toutefois, lorsqu'une analyse IA est lancée, les contenus nécessaires sont transmis à un service externe sécurisé (proxy AWS → API Anthropic) le temps de générer la réponse. Aucune donnée patient nominative ou donnée sensible ne doit être importée sans autorisation institutionnelle.
- Les appels IA passent par un proxy Lambda sécurisé vers l'API Anthropic ; aucune persistance côté MOUDAR.
- Mode session disponible : désactive toute persistance locale.
- L'utilisateur conserve la maîtrise complète (effacement, export, mode session).
Gouvernance humaine
- Toute décision d'implémentation reste sous la responsabilité de l'expert humain.
- L'Evidence Graph trace explicitement ce qui est « validé humain » vs « à valider ».
- Le Reviewer Mode liste les éléments nécessitant validation externe.
- Le mode académique impose un langage prudent ; le mode terrain explicite la portée opérationnelle.
Risques d'usage à connaître
- Sur-confiance dans une sortie IA : une recommandation MOUDAR n'est pas une preuve. Toujours confronter au contexte.
- Décontextualisation : une chaîne MAIP générée pour un dossier n'est pas transposable telle quelle à un autre projet.
- Mise à jour des cadres : CFIR/RE-AIM/EPIS/ERIC évoluent ; vérifier la version du framework utilisée.
- Reformulation IA : entre deux analyses, l'IA peut reformuler une même idée — l'Evidence Graph utilise désormais un identifiant stable (hash origine+claim normalisé) pour préserver la validation humaine, mais la robustesse reste imparfaite.
Cette déclaration est versionnée avec l'outil. Version actuelle : MOUDAR® v139. Citez ce statut tel quel en présentation académique ou institutionnelle.
🔬 Méthodes — Description formelle de MOUDAR®
Rédigée pour être citée ou jointe à une soumission scientifique, une présentation à un comité, ou un dossier partenaire. Complète la page « Validation scientifique » sans la répéter.
MOUDAR® est un outil d'aide au raisonnement structuré et traçable en sciences de l'implémentation (Implementation Science). Il accompagne une équipe depuis l'évaluation de sa préparation (IPRT), le diagnostic des déterminants (DGPE), la structuration des décisions (MAIP), jusqu'au choix de stratégies (ERIC) et au suivi adaptatif (Dashboard, FRAME). Il ne remplace pas le jugement d'expert : il l'outille.
MOUDAR® suit un parcours en 4 étapes : IPRT (préparation) → DGPE (diagnostic des barrières/facilitateurs) → MAIP (transformation en décisions tracées : déterminant → stratégie → mécanisme → outcome → seuil → règle adaptative) → ERIC (sélection de stratégies). Le suivi terrain est documenté dans le Dashboard (journal de pilotage) et FRAME (adaptations).
Un modèle de langage (Claude, Anthropic) génère des analyses narratives, des suggestions de stratégies et des synthèses, ancrées dans les cadres ci-dessus. Le module de classification interne a été retiré (audit de filiation DT-DGPE-006) ; le DGPE fournit un profil descriptif, sans prédiction (voir page Validation scientifique). L'IA ne prend aucune décision : elle structure et propose.
L'utilisateur reste seul décisionnaire. Il évalue, valide, modifie ou rejette chaque suggestion (statut « Proposé / Validé / Rejeté / Modifié » dans MAIP). Le Reviewer Mode et l'Evidence Graph distinguent explicitement ce qui est validé humainement de ce qui reste à valider.
Description textuelle du projet et de son contexte, évaluations sur échelles de 1 à 5 pour les construits CFIR 2.0, et — en option — un document de protocole. Aucune donnée patient identifiable ne doit être importée (voir les rappels de confidentialité affichés avant chaque import).
Détaillées intégralement dans la page « Validation scientifique » (statut, limites méthodologiques, validation externe prévue, gouvernance humaine, risques d'usage). Cette page-ci ne les répète pas pour éviter toute incohérence entre deux versions du même texte.
- Ne jamais présenter une sortie MOUDAR® comme une conclusion validée sans revue experte.
- Ne jamais importer de donnée patient identifiable.
- Toujours mentionner le statut de proof-of-concept lors d'une présentation externe.
- Toujours consulter la page Validation scientifique avant une soumission ou un usage institutionnel.
🧪 Reviewer Mode & Evidence Pack
Rapport d'audit pour comités scientifiques et reviewers : données d'entrée, frameworks, chaînes MAIP, Evidence Graph, FRAME, limites, incertitudes, statut. Le bundle « Evidence Pack » ajoute les annexes (decisionCore JSON brut, bibliographie complète).
Cliquez sur « Régénérer » pour assembler le rapport d'audit à partir des données actuelles (Analyse IS, decisionCore, Evidence Graph, FRAME).
Le rapport reviewer agrège les artefacts existants ; il n'établit pas la validité scientifique du projet — il en organise la traçabilité. Hash de l'instantané (djb2) : —.
🔎 Evidence Graph — Provenance & validation
Chaque recommandation devient un nœud traçable : origine (framework / source), niveau de confiance, et validation humaine. Construit à partir du decisionCore de la dernière Analyse IS.
| Recommandation / Affirmation | Origine (framework / source) | Confiance | Validé humain |
|---|---|---|---|
| Lancez d'abord une Analyse IS — le moteur en extrait les preuves. | |||
Provenance issue du decisionCore (généré par assistance IA, structuré par MOUDAR — non un moteur de preuve validé). La colonne « Validé humain » trace ce qu'un expert a confirmé : élément clé pour un usage académique ou d'audit.
🧩 FRAME — Journal des adaptations & fidélité
Documentez chaque modification réelle de l'intervention pendant le déploiement (Stirman et al., 2019). Journal persistant, par projet, exportable.
| Date | Adaptation | Cause | Décideur | Type | Fidélité | Équité | Lien MAIP | Risque | Mesure corrective | |
|---|---|---|---|---|---|---|---|---|---|---|
| Aucune adaptation enregistrée. Documentez la première ci-dessus. | ||||||||||
Cadre FRAME — Stirman, Baumann & Miller (2019). Outil de documentation des adaptations : il aide à tracer la fidélité, il ne l'établit pas. Données stockées localement (respecte le mode confidentialité de session).
🚀 Démonstration guidée MOUDAR®
Choisissez un cas préchargé · 3 minutes · Aucune saisie requise