Protection des renseignements de santé au Québec : droit comparé France–Canada et contexte historique
Bibliographic record
Abstract
Résumé Le Québec a entrepris une modernisation majeure de son cadre de protection des renseignements de santé avec l’adoption de la Loi 5 (2023) et de la Loi 25 (2021), établissant des protections parmi les plus rigoureuses au monde. Ces réformes s’inspirent du Règlement général sur la protection des données européen tout en reflétant la tradition civiliste québécoise et ses valeurs éthiques distinctives. Cette transformation survient dans un contexte de numérisation accélérée avec le déploiement d’un Dossier de santé numérique. L’article examine le contexte historique d’élaboration de ces lois, analyse le cadre français et européen, compare les approches québécoise, française et interprovinciale canadienne, et identifie la spécificité éthique québécoise plaçant dignité et autonomie comme pierres angulaires. La comparaison révèle que le Québec offre théoriquement une protection plus forte avec des droits individuels plus étendus, des exigences de consentement et de respect du principe de minimisation des données plus strictes, mais fait face à des défis d’application pratique. Le cadre français bénéficie d’une application mature et d’une certitude réglementaire. L’analyse met en lumière la tension fondamentale entre fluidité des données de santé et protection robuste de la vie privée, et les défis d’équilibrer protection et praticabilité à l’ère numérique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.010 | 0.007 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".