Recherche

Axe 1 : L’extraction de connaissance depuis les données de santé.

Le but de cet axe est de développé des méthodes et des outils utilisant la grande variété et la complexité des données de patients. Cela comprend l’extraction et la transformation de données brutes en représentations de bonne qualité, qui permettront ou faciliteront le développement d’aides aux décisions cliniques et des approches d’extraction de connaissances, telles que celles développées dans les axes 2 et 3.

Axe 2 : Les approches stochastiques et supervisées pour l’aide à la décision

The objective of this axis is to propose original machine learning methods, including both statistical learning and deep learning approaches to account for low-sample-size high-dimension setting. In particular, we will consider modeling complex patient care trajectories for prognosis prediction and decision making, as well as, approaches using synthetic patient generation.

Axe 3 : Les essais cliniques du futur et leur design

The objective of this axis is twofold and can be summarized as follows: how clinical trials can help machine learning? And inversely, how can machine learning help clinical trials? Accordingly, the first objective is to propose clinical trial methods adapted to continuous learning tools, as SaMD (Software as a Medical Device). The second objective, is to develop machine learning models and algorithms learning to enable innovative clinical trial designs using diseases and translational models, EHRs, clinical trial data and synthetic patients, for patient-related knowledge acquisition in biomedicine.

Les commentaires sont clos.