Présentation

Présentation de l’équipe

L’objectif de l’équipe PreMeDICaL (Precision Medicine by Data Integration and Causal Learning) est de développer la prochaine génération de méthodes/algorithmes pour extraire des connaissances à partir des données de santé et améliorer la prise en charge des patients. Plus précisément, l’objectif est de développer des méthodes d’apprentissage pour la prédiction personnalisée des effets de traitements et pour la prédiction de résultats, tout en intégrant différentes sources de données, afin de guider les décisions prises par les cliniciens et les autorités. L’objectif est de transférer les innovations méthodologiques aux parties prenantes (patients, cliniciens, régulateurs, etc.).

Premedical est une équipe conjointe entre Inria et Inserm (Institut Desbrest d’Épidémiologie et de Santé Publique, Idesp, UA11, Unité Mixte de Recherche INSERM – Université de Montpellier) située à Montpellier et regroupe différents profils : statisticiens, biostatisticiens, machine learners et cliniciens. Elle offre une opportunité unique de recherche et de collaboration transdisciplinaire. L’équipe PreMeDICaL contribue à combler le fossé entre la recherche fondamentale et son utilisation pratique et transfère son travail par le développement de logiciels.

Thèmes de recherche

PreMeDICaL a deux principaux axes de recherche :

1. Médecine personnalisée par prescription optimale de traitement.

Nous développons des techniques d’inférence causale pour l’apprentissage (dynamique) de politiques (allocation du meilleur traitement pour chaque personne au bon moment), qui gèrent les valeurs manquantes et exploitent à la fois les données d’essais cliniques randomisés et les données observationnelles. L’utilisation des deux sources de données permet de mieux concevoir les futurs essais randomisés et de repenser les preuves nécessaires pour mettre (plus rapidement) des traitements sur le marché.

2. Médecine personnalisée par intégration de sources de données hétérogènes.

Nous construisons des modèles prédictifs pour des données hétérogènes : par exemple, avec des données de surveillance en temps continu, des images et des données cliniques, quel est le risque qu’un événement se produise ? Est-il utile de disposer de toutes ces sources ou fournissent-elles les mêmes informations ? Nous développons en outre des solutions pour traiter les valeurs manquantes dans un contexte d’apprentissage supervisé et pour améliorer la confiance des résultats des modèles prédictifs.

 

Relations internationales et industrielles

Collaboration industrielles:  Adène, AdviceMedica, ALK,Capgemini Invent, Drago, Sanofi

 

Les commentaires sont clos.