Recherche

Thématiques

Mes activités de recherche menées jusqu’a présent sont interdisciplinaires, bien que les principales contributions et publications soient en informatique, et ont eu jusqu’à présent pour fil rouge l’étude, la production d’outils, de méthodes et d’algorithmes en informatiques pour la médecine prédictive et l’amélioration des soins en santé.

Mes premiers travaux réalisés se sont concentrés sur la comparaison de différentes méthodes informatiques pour la détection d’interactions génétiques complexes pouvant être responsables de différentes pathologies (gènes en relation d’épistasie), et de la scalabilité de ces méthodes sur des jeux de taille réelle et cohérente avec les pratiques médicales.

Les seconds travaux, menés pendant la thèse, se sont concentrés sur la génération automatisée de modèles de processus pour servir de structure de base à des scénarios de formation pour l’amélioration des pratiques médicales à travers la formation par la simulation. Ces travaux ont utilisé des données de santé, sous la forme de profils anesthésiques réels issus du soin, et ont conduit à la construction d’une expertise spécifique sur l’exploitation des données de santé.

Mes travaux les plus récents portent sur deux aspects. Premièrement, la modélisation de processus à partir de l’expertise ou de techniques de process-mining et l’analyse comparative de ses modèles, dans un contexte du situation critiques ou low ressources. Secondement, la prédiction multimodale nottament d’événements et de séries temporelles multivariées dans des contextes hautement contraints, avec comme cible applicative la création de jumeaux numériques au bloc opératoire.

Tous ces travaux sont interdisciplinaires, à l’interface de l’informatique et de la santé, et assument totalement de chercher à la fois à produire une contribution scientifique en informatique et à produire aussi une contribution en recherche appliquée avec des outils, des solutions techniques, ou des logiciels.

Mes travaux, bien qu’ils soient axés dans une finalité appliquée, apportent des contributions qui dépassent le cadre de la simulation et de la prédiction en milieu médical. Ils ouvrent des possibilités directes en modélisation des systèmes complexes et processus produisant des données, nottament des séries temporelles, ainsi que dans le développement de jumeaux numériques supportés par des données en petites ou grandes dimensions combinées à des séries temporelles.

Si la santé a été le principal contexte de recherche des travaux réalisés jusqu’à présent, ceux-ci mobilisent une expertise polyvalente en sciences de données, apprentissage automatique, apprentissage profond et intelligence artificielle.

2019 Méthodes informatiques pour la détection d’interaction génétiques complexes

Université de Nantes - Laboratoire des sciences du numériques de Nantes (LS2N) UMR 6004

Travaux réalisés dans le cadre du master mention bio-informatique, obtenu en 2018, sous la direction scientifique du Dr Christine Sinoquet

Contexte : Les recherches bibliographiques réalisées lors de travaux précédents au sein du laboratoire sur la détection informatique de gènes en relation d’épistasie dans des jeux de données génétiques ont mis en avant les limites de l’évaluation de ces méthodes. Celle-ci n’ont jamais été comparées dans un contexte médical réel avec des jeux de données génétiques de taille réaliste.

Contributions : Ces travaux ont consisté en la mise en place d’une infrastructure de test pour 5 méthodes les plus récentes pour la détection informatique de gènes en relation d’épistasie dans des jeux de données génétiques. Ces méthodes ont été comparées sur 9 jeux de données réels et de taille réaliste à la pratique médicale.

Cette étude comparative à nécessité des calculs intensifs et distribués pendant plusieurs semaines. Les résultats obtenus ont montré l’incapacité de certaines méthodes, et implémentation de ces méthodes, de produire des résultats médicalement signifiants en temps humain acceptable.

Ces travaux ont conduit à la publication d’un article en conférence (BIOINFORMATIC 2019) et à un article étendu sous la forme d’un chapitre de la série CCIS éditée par Springer.

2019-2023 Méthodes pour la production de scénarios d’apprentissage réalistes et réactifs pour le gain d’expertise en anesthésie

Nantes Université - Laboratoire des sciences du numériques de Nantes (LS2N) UMR 6004

Travaux réalisés dans le cadre de la thése de doctorat en informatique obtenue en 2022, sous la direction scientifique du Dr Christine Sinoquet, puis dans le cadre du poste d’ATER (2023-2024), en collaboration avec le CHU de Nantes

Contexte : Depuis 2010 la pratique de la simulation se développe en France pour l’amélioration des pratiques de soin. Ces travaux ont exploré les contributions potentielles de la science des données à la formation médicale par la simulation en s’appuyant sur les données de santé en anesthésie.

Contributions : Ces travaux ont conduit à la création d’un générateur de données réalistes s’appuyant sur une modélisation informatique d’une anesthésie par une grammaire formelle. La détermination d’une mesure de dissimilarité entre profils anesthésiques, impliquant des expérimentations intensives dédiées à la comparaison de neuf mesures de dissimilarité, a permis la conception et le développement d’une nouvelle méthode de simulation, inspirée du raisonnement à base de cas. Ces différents éléments ont rendu possible la création d’un simulateur réaliste et réactif de scénario d’apprentissage s’appuyant sur une structure de données innovante pour les données complexes : une représentation synthétique ou Enriched Process Models (EPM).

Ces travaux ont, de manière inédite, étendu le raisonnement à base de cas à la situation où, non seulement les cas sont décrits au moyen de données temporelles mixtes, mais où la prédiction attendue est également une donnée temporelle.

La proposition d’une représentation de données novatrice, associant entre-elles des séquences d’événements observées comportant des annotations, au moyen de séries temporelles multivariées consensus. Ces représentations, construites à partir des dossiers médicaux de cohortes de patients, sont de bonnes structure de données support pour la simulation de scénario d’apprentissage. Toutefois, cette représentation de données n’est pas spécifique au contexte médical de ces travaux.

L’approche proposée et développée dans ces travaux concerne potentiellement tout système pouvant être décrit au moyen de données qualitatives, combinées à une série temporelle éventuellement multivariée et à une séquenced’événements

Cette représentation synthétique, à de plus comme caractéristique de naturellement d’anonymiser par agrégations les données utilisées pour sa construction. Ce qui ouvre des opportunités dans le domaine de l’anonymisation de données personnelles, principal frein à leur exploitation.

Les profils anesthésiques utilisés dans le cadre de ces travaux sont issus du soin. L’exploitation scientifique de ses données n’avait jamais été envisagée et leur structuration n’était pas adaptée. L’outil de récolte, réalisé par des soignants avec des technologies largement obsolètes lors de la mise en production (2004-2022), à subit de très nombreuses évolutions toutes non documentées. Les données brutes d’extraction ont été mises à disposition par l’entrepôt de données du CHU de Nantes mais n’ont pas être retravaillées. Ces travaux ont ainsi nécessité d’utiliser une large de gamme de méthodes de l’intelligence artificielle et d’apprentissage automatique pour pouvoir traiter les textes médicaux, multiples variables catégorielles et continues, et séries temporelles de ces données. Si ce travail n’a pas conduit à de nouvelles contributions en informatique, il a néanmoins permis de construire une expertise spécifique sur l’exploitation des données de santé.

Les perturbations importantes des travaux par la pandémie de COVID-19 et les différents confinements, en coupant les accès aux centres de soins et aux soignants, ont eu un large impact sur les travaux dont une part importante des contributions n’est pas encore publiée dans des revues.

Ces travaux ont conduit à la publication d’un article en conférence (HEALTHINF 2022) et à la publication d’un article étendu sous la forme d’un chapitre de la série CCIS éditée par Springer.

Ces travaux ont de plus contribué à la production de plusieurs logiciel : un générateur de données réalistes, et un simulateur preuve de concept ; ainsi que plusieurs jeux de données de profils anesthésiques.

2024- Méthodes pour la prédiction en anesthésie pour la constitution de jumeaux numériques au bloc opératoire

Nantes Université - Laboratoire des sciences du numériques de Nantes (LS2N) UMR 6004 Université de Toulouse - Institut de Recherche en Informatique de Toulouse (IRIT) UMR 5505

Travaux réalisés dans le cadre des postes d’ATER (2023-2024 et 2024-2025) puis du poste de maître de conférence des universités.

Contexte : Fort de l’expertise acquise sur la simulation en anesthésie et sur l’utilisation des données de santé, les approches proposées dans les travaux précédent pour la simulation d’un patient virtuel ont ouvert des opportunités pour la réalisation de jumeaux numériques au bloc opératoire

Contributions : Ces travaux se sont penché sur une exploration de plus larges approches de simulations et de prédiction synchrone d’événements et de séries temporelles qui ont permis d’augmenter la qualité de ces prédictions. Les représentations synthétiques ont été étendues comme modèle de représentation d’une cohorte de patient, pour produire des prédictions d’événement cohérence au déroulement classique d’une opération au bloc opératoire. Ainsi, il a été possible de transformer l’infrastructure de simulation d’un patient virtuel déjà construite dans les travaux précédents, dépendante d’un apprenant et d’un contexte pédagogique, en un prototype de jumeau numérique anesthésique au bloc opératoire.

En particulier, l’apprentissage par des méthodes d’apprentissage automatique de l’impact des événements anesthésiques sur les séries temporelles représentants les paramètres physiologiques des patients ont conduit à la création d’une large bibliothèque de modèles plus spécifiques tenant compte des particularités des patients.

En collaboration avec d’autres membres de l’équipe DUKE, la prédiction de série temporelles et d’événements par des approches d’apprentissage profond a été explorée.

Cette dernière collaboration a conduit à deux publications en conférence (ESANN2025, IDA2025).

2024- Méthodes pour la découverte et la comparaison de modèles de processus en anesthésie

Nantes Université - Laboratoire des sciences du numériques de Nantes (LS2N) UMR 6004
Université de Toulouse - Institut de Recherche en Informatique de Toulouse (IRIT) UMR 5505

Travaux réalisés dans le cadre des postes d’ATER (2023-2024 et 2024-2025) puis du poste de maître de conférence des universités.

**Contexte : Dans le cadre des travaux de thèse, l’accès à une très grande quantité de données de santé à ouvert de nombreuses opportunités dans l’exploration et la découverte des processus qui ont généré ces données. De plus, les données de santé sont connues comme des données difficiles à exploiter avec des approches de minage de processus de par leur nature multivariée et leur structure complexe. Une telle exploration en grande dimension est inédite et ce type de données offre la possibilité de produire des approches nouvelles de minage de processus.

Contributions : Il n’y a pas dans la littérature d’étude de cas de minage de processus en anesthésie. Les premiers travaux réalisés ont donc été de faire une étude comparative des méthodes classiques de la littérature. L’obtention des premiers modèles de qualité acceptable a conduit à se questionner sur leur signification, vis-à-vis des modèles de processus basés sur l’expertise. Les travaux ont mis en avant, qu’en comparaison à un modèle basé sur l’expertise, un modèle basé sur les données diffère par son niveau d’abstraction. Sur la base de ses résultats, une approche de minage de processus en capacité de produire des modèles de différents niveaux d’abstraction est en cours de validation.

Les approches existantes de minage de processus utilisent principalement les événements (activités) dans les données produites par les processus étudiés. Dans le cadre des données de santé, les éléments du dossier médical, ainsi que les séries temporelles multivariées ne sont que peu utilisées. Une approche de minage de processus qui mobilise des séries temporelles multivariées est en cours d’expérimentation.

Les premiers résultats de ces travaux ont conduit à la publication d’un article en conférence (HEALTHINF 2025).