Stage M2-Stage Ingénieur

Contexte

Situé au cœur de la ville d'Angers et du Campus santé, le CHU d'Angers met en œuvre et exploite un entrepôt de données de santé. En charge de l'exploitation de cet entrepôt, le Centre de Données Cliniques (CDC) a pour objectifs de contribuer à l'amélioration des soins par l'analyse et la réutilisation des données médicales et leur mise à disposition des chercheurs cliniciens dans un cadre sécurisé et dans le respect de la réglementation. Le CDC intervient sur des projets de recherche régionaux et nationaux.

Le CDC propose deux stages pour des étudiants de M2 ou de 5ème année d'école d'ingénieur pour des filières orientées data science en santé

Sujet 1 – Détection du diabète, de l'hypertension et de la dyslipidémie dans un entrepôt de données de santé

Les entrepôts de données de santé sont des outils puissants pour la recherche dans le domaine de la santé. En effet, ils collectent et regroupent en continu des données de différent type issu de l'activité hospitalière :

• Données de codages des maladies et des actes médicaux (PMSI)
• Données de biologie
• Données d'administration de médicament
• Données textuelles de comptes rendus médicaux

Certaines étude nécessitent d'identifier les principales maladies à l'origine de pathologies cardiovasculaires : diabète, hypertension et dyslipidémie. Cependant, il est parfois complexe d'identifier les patients qui sont atteints de ces pathologies car ils ne sont pas forcément pris en charge spécifiquement pour celles-ci.

L'objectif du stage
est de développer un algorithme permettant de détecter la présence ou non de ces pathologies en croisant les données disponibles dans l'entrepôt :

• Développement d'un modèle prédictif du statut diabétique, hypertendu et dyslipidémique
• Création d'un indice de confiance de la détection de ces pathologies selon les sorties de l'algorithme
• Mise à disposition de l'algorithme aux centres du réseau de CHU grand ouest pour tester la validité externe de l'algorithme

Méthodologie proposée

Préparation des données

• Identification des données d'intérêts
• Définition d'un gold standard à partir de dossiers consolidés
• Traitement des documents par NLP pour identifier des concepts clés

Modélisation

• Modèles statistiques usuels et modèles par machine learning supervisés

Performance et confiance des modèles

• Calcul des performances des modèles (AUC, Se, Sp, VPP, VPN)
• Comparaison des modèles selon les performances et signification clinique

Intégration et validation

• Application du modèle dans un jeu de donnée de recherche
• Validation croisée sur les jeux de données d'autres entrepôts de données de santé du grand ouest.

Livrables attendus

• Jeux de données d'évaluation construits et archivés.
• Modèle prédictif validé du statut diabétique, hypertendu et dyslipidémique

Compétences mobilisées / à acquérir

• Traitement de données massives (ETL, SQL, Python).
• NLP et Machine Learning supervisé (transformers, embeddings, XGBoost, calibration).
• Méthodes d'explicabilité et détection d'incertitude.
• Gestion de la qualité des données (données manquantes, erreurs de métadonnées).

Bonnes pratiques de reproductibilité (Docker, Git, …).

Sujet 2 – Classification et correction des documents dans l'entrepôt de données de santé eHOP

L'entrepôt de données de santé eHOP collecte en continu des documents cliniques issus du Système Informatique Hospitalisé (SIH). Le flux fil de l'eau actuel permet de verser les documents en les associant à leurs codes LOINC (identifiant standardisé) lorsqu'ils sont disponibles.  Cependant, une grande partie de l'historique déjà versé dans eHOP n'a pas été classée par code LOINC, ce qui limite les analyses secondaires et la réutilisation des données. Par ailleurs, certains documents comportent des métadonnées erronées (par ex. : Unité Fonctionnelle manquante ou incorrecte), ce qui complique l'exploitation.

Le stage vise à développer une approche permettant :

1. De reclasser automatiquement les documents historiques à partir des connaissances acquises via le flux fil de l'eau.
2. De corriger les métadonnées manquantes ou incohérentes (ex. UF), en combinant apprentissage supervisé et règles métier.

Objectifs du stage

• Classification automatique des documents historiques par code LOINC :
• Construire un modèle supervisé entraîné sur les documents du flux (annotés LOINC).
• Reclasser l'historique en tenant compte des incertitudes (acceptation automatique vs validation humaine).
• Garantir l'explicabilité et la traçabilité des décisions.
• Correction des métadonnées incohérentes (UF manquantes ou erronées) :
• Développer des modèles de prédiction des UF probables en se basant sur les informations disponibles (service d'origine, type de document, texte libre, signatures, etc.).
• Proposer un système semi-automatisé de correction, avec niveaux de confiance.
• Industrialisation : intégrer le pipeline dans l'écosystème eHOP pour permettre une mise à jour continue (backfill + flux).

Méthodologie proposée

Préparation des données

• Constitution d'un corpus d'entraînement à partir du flux étiqueté (codes LOINC connus).
• Identification des documents problématiques (UF manquantes/incohérentes, absence de code).
• Définition d'un jeu d'évaluation (gold standard) avec annotation ciblée.

Modélisation

• Approche supervisée : embeddings de texte (BERT clinique/FR, fastText) + métadonnées (type doc, service émetteur).
• Classification multi-étiquette pour prédire le code LOINC.
• Modèle secondaire pour la prédiction/correction d'UF, en combinant apprentissage automatique et règles métier.

Gestion de l'incertitude et explicabilité

• Calibration des probabilités (Platt scaling, temperature scaling).
• Mise en place d'un système de seuils de confiance pour valider/rejeter automatiquement une prédiction.
• Explication des prédictions (mots saillants, SHAP/LIME, similarités avec documents du flux).

Intégration et validation

• Application du modèle sur l'historique pour backfill LOINC + correction UF.
• Tableau de bord pour suivre les taux de succès, rejets et corrections.
• Mise en production progressive (tests sur un périmètre restreint puis extension).

Livrables attendus

• Pipeline complet (classification LOINC + correction UF) packagé et documenté.
• Jeux de données d'évaluation construits et archivés.
• Rapport de résultats : performances quantitatives (précision, rappel, F1, calibration, taux d'erreurs critiques……nouvelles métriques sur mesure).
• Prototype de tableau de bord (rejets/incertitudes, corrections proposées).
• Documentation technique et fonctionnelle (transfert vers l'équipe).

Compétences mobilisées / à acquérir

• Traitement de données massives (ETL, SQL, Python).
• NLP & Machine Learning supervisé (transformers, embeddings, XGBoost, calibration).
• Méthodes d'explicabilité et détection d'incertitude.
• Gestion de la qualité des données (données manquantes, erreurs de métadonnées).
• Bonnes pratiques de reproductibilité (Docker, Git, …).

Vous intégrerez une équipe jeune et dynamique
actuellement composée de 4 ingénieurs (2 ingénieurs data, 2 data scientist).

La Coordination Scientifique est assurée par un Professeur des Université en Biostatistique (PU-PH).

Un Médecin, Maitre de Conférence des Universités assure la coordination Médicale (MCU-PH)

L'équipe d'ingénieurs est encadrée par un ingénieur DRI/DSN chevronné et par le coordonnateur chargé des opérations.

L'équipe du CDC fait partie du réseau RiCDC des 5 CDC
du grand Ouest (Angers, Brest, Nantes, Rennes et Tours). Au sein de ce réseau des partages d'expériences et de connaissances techniques, scientifiques, et méthodologiques sont régulièrement organisés

Procédure de candidature

Les candidatures sont à envoyer uniquement par mail à
-