L’objectif de cet axe est de proposer des méthodes originales d’apprentissage automatique et statistique, y compris des approches de deep learning pour tenir compte de la taille réduite de l’échantillon et de la dimension élevée. En particulier, nous considérons la modélisation de trajectoires complexes de soins aux patients pour la prédiction du pronostic et la prise de décision, ainsi que des approches utilisant la génération de patients synthétiques.
Nous nous concentrons sur les tâches de classification et de prédiction supervisées (d’un point de vue informatique) et leurs applications dans (i) la pratique clinique en guidant les diagnostics (c’est-à-dire l’identification des patients dont l’état n’a pas été diagnostiqué), (ii) les pronostics (c’est-à-dire la prédiction des résultats des patients souffrant d’un état particulier), et (iii) en fournissant des informations à la biomédecine (par exemple, l’identification de la façon dont le patient devrait être traité par la sélection des caractéristiques).
Mots-clés : Médecine guidée par les données, médecine basée sur un modèle, système de santé apprenant, données à haute dimension et à petits échantillons, dossiers médicaux électroniques, apprentissage automatique, inférence bayésienne.
Principales publications :
Gaussian Graphical Model exploration and selection in high dimension low sample size setting T. Lartigue, S. Bottani, S. Baron, O. Colliot, S. Durrleman and S. Allassonnière. IEEE Transactions on Pattern Analysis and Machine Intelligence. DOI: 10.1109/TPAMI.2020.2980542 link
Bayesian variable selection based on clinical relevance weights in small sample studies—Application to colon cancer Boulet S, Ursino M, Thall P, Jannot A‐S, Zohar S. (2019). Statistics in Medicine, 38: 2228– 2247. DOI: 10.1002/sim.8107 link
How to analyze and interpret recurrent events data in the presence of a terminal event: An application on readmission after colorectal cancer surgery. Charles-Nelson A, Katsahian S, Schramm C. (2019) Statistics in Medicine, Aug 15;38(18):3476-3502. DOI: 10.1002/sim.8168 link
Predicting the need for a reduced drug dose, at first prescription. Coulet A., Shah N.H., Wack M., Chawki M.B., Jay N., Dumontier M. (2018). Scientific reports, 8(1), 1-11. DOI: 10.1038/s41598-018-33980-0 link