Doctorant (F/H) Cifre - Apprentissage Faiblement

**Type de contrat **:CDD **Niveau de diplôme exigé **:Bac + 5 ou équivalent **Fonction **:Doctorant **Contexte et atouts du poste**: Cette thèse CIFRE s'inscrit dans le cadre d'une collaboration interdisciplinaire entre la société ECHO et les équipes Multispeech et Sémagramme du Centre Inria de l'Université de Lorraine. La mission d'ECHO est d'améliorer la prise en charge des appels au SAMU et à SOS Médecins en aidant le personnel de régulation à estimer le niveau d'urgence rapidement et précisément. Pour cela, ECHO dispose d'une base de données unique en Europe contenant les enregistrements de plusieurs centaines de milliers d'appels à SOS Médecins, annotés avec les rapports rédigés par les assistants de régulation médicale, la modalité de prise en charge (visite d'un médecin à domicile, envoi d'une ambulance, renvoi vers le SAMU, etc.) et, dans le cas de la visite d'un médecin à domicile, le rapport diagnostic du médecin et/ou les résultats de tests biologiques. Le/la doctorant.e sera co-encadré.e par le Pr. Laurent Rigal, Chief Medical Officer d'ECHO et directeur du département de médecine générale de l'Université Paris-Saclay, et par Vincent P. Martin et Emmanuel Vincent, chercheurs Inria. Il/elle alternera des périodes en laboratoire de recherche en informatique à Nancy, dans un incubateur de start-up, et un environnement médical (SOS Médecins, Hôpital Bicêtre) à Paris, selon des modalités à définir conjointement. Le télétravail est aussi possible selon des modalités à définir conjointement. **Mission confiée**: La parole mobilise plusieurs processus moteurs, linguistiques et cognitifs, qui en font un signal sensible à de nombreux symptômes et maladies. La thèse se concentre sur deux cas où l'analyse de la parole peut significativement améliorer le diagnostic différentiel et la prise en charge des patients: i) distinguer les pathologies respiratoires basses et hautes, qui représentent des niveau d'urgence et de gravité différentes, requérant des prises en charges différentes et ii) identifier les patients redirigés vers les services d'urgence pour suspicion d'accidents vasculaires cérébraux (AVC), maladie qui présente peu de symptômes spécifiques et peut correspondre à des motifs d'appel très différents. L'analyse de la parole a précédemment été employée pour détecter la grippe [1], la Covid-19 [2] ou les AVC [3], avec des performances de l'ordre de 90%. Ces études présentent cependant trois limitations fortes qui empêchent leur mise en œuvre pour la régulation des appels à SOS Médecins: - le petit nombre de patients et la qualité des annotations, parfois basées sur une auto-évaluation [2], qui limitent la généralisation et décrédibilisent les résultats aux yeux des professionnels de santé ; - le fossé entre les jeux de données utilisés (lecture de texte ou description d'image à voix haute) et les appels à SOS Médecins (dialogue spontané, qualité sonore réduite), qui fait chuter la performance pour les AVC à seulement 35% en pratique [4] ; - le focus sur la tâche de détection binaire d'une maladie (malade / non malade), qui diffère de la tâche effectuée par les assistants de régulation qui font face à des appelants ayant des tableaux cliniques tous symptomatologiques et souvent similaires et doivent évaluer la gravité et le niveau d'urgence de la maladie sous-jacente sans nécessairement l'expliciter. L'objectif de la thèse est de résoudre ces trois limitations à l'aide de la grande base de données d'appels à disposition d'ECHO. [1] M. Albes, Z. Ren, B.W. Schuller, and N. Cummins, "Squeeze for sneeze: Compact neural networks for cold and flu recognition", in _Interspeech_, pp. 4546-4550, 2020. [2] V. Despotovic, M. Ismael, M. Cornil, R.M. Call, and G. Fagherazzi, "Detection of COVID-19 from voice, cough and breathing patterns: Dataset and preliminary results", _Computers in Biology and Medicine_, vol. 138, art. no. 104944, 2021. [3] A. Bandini, J. Green, B. Richburg, and Y. Yunusova, "Automatic detection of orofacial impairment in stroke", in _Interspeech_, pp. 1711-1715, 2018. [4] J. Wenstrup, J. Drachmann Havtorn, L. Borgholt, S.N. Blomberg, L. Maaloe, M.R. Sayre, H. Christensen, C. Kruuse, and H. Collatz Christensen, "A retrospective study on machine learning-assisted stroke recognition for medical helpline calls", _NPJ Digital Medicine_, vol. 6, art. no. 235, 2023. **Principales activités**: Ces données sont intrinsèquement incomplètes. En effet, si tous les appelants sont pris en charge par un assistant de régulation, la complexité et la gravité du cas peut enchaîner différents interlocuteurs, chacun générant des informations cliniques de nature et de précision différentes : médecin régulateur (au téléphone, générant un premier bilan clinique) ; médecin de SOS Médecins se rendant au domicile ou faisant une téléconsultation (générant un bilan clin