Description du sujet de thèse

L’objectif de cette thèse est de développer des modèles dynamiques d'IA prédictifs du risque d’arrêt cardiaque (AC), en exploitant les trajectoires médicales individuelles issues de données temporelles structurées (SNDS et CEMS). Les algorithmes développés devra intégrer la dimension longitudinales des parcours de soins.
En mobilisant des méthodes avancées d’apprentissage automatique adaptées aux données longitudinales (EHR), le projet analysera les séquences de diagnostics, d’actes médicaux et de prescriptions afin de modéliser finement l’évolution du risque dans le temps. Des représentations vectorielles (embeddings) seront explorées pour capturer les interactions complexes entre événements cliniques, notamment au moyen de techniques comme Time2Vec (pour encoder les dimensions temporelles continues) ou FAN (Fourier Analysis Networks) pour capter les motifs fréquentiels.
Pour faire face à l’important volume des données (séquences longues, nombreux patients), des architectures Transformer seront explorées. En particulier, le modèle Performer (FAVOR+), qui repose sur une approximation de l’attention par noyaux (kernelized attention), permettra de traiter efficacement de longues séquences cliniques grâce à une complexité linéaire, tout en conservant les capacités de modélisation des relations de dépendance lointaines.

Outre les approches de type Transformer ou plus classiques de boosting, plusieurs pistes complémentaires pourront être explorées afin d’enrichir la modélisation du risque : Méthodes bayésiennes hiérarchiques , Modèles de processus stochastiques temporels , Processus de Hawkes

Contexte de travail

Cette thèse sera dirigée par E.Bacry (CEREMADE, Université de Paris-Dauphine, Institut PR[AI]RIE) et co-encadrée par le Prof. Xavier Jouven (APHP, INSERM, Institut PR[AI]RIE.
L'essentiel du travail se fera en intégration dans l'équipe INSERM (unité U970) 56 rue Leblanc 75005 Paris.