STAGE Modélisation et prédiction des parcours patients

Ce stage est proposé par l'organisation « Recherche » dont la mission est de développer et d'évaluer l'applicabilité de nouvelles technologies innovantes, notamment sur des prototypes, pour maintenir un haut niveau de compétences dans tous les domaines techniques stratégiques. Les acteurs de la santé ont aujourd'hui de nombreux défis à relever relatifs à des besoins nouveaux liés, entre autres, à l'évolution des technologies d'information et de communication, vieillissement de la population, chronicité des maladies, exigences croissantes du patient, etc.. Ces besoins et leurs coûts obligent à repenser les processus de prise en charge du patient et à rationaliser leurs parcours de soins afin de les rendre plus efficients. Cela passe nécessairement par une anticipation précise des étapes du parcours, de ses déviations et des possibles complications, afin de pouvoir intervenir au plus tôt et ainsi augmenter les chances de rémission pour le patient et éviter les retards et coûts inutiles pour l'hôpital. Avec l'explosion des données liées à la santé observée ces dernières années, de grands volumes de données relatives aux parcours de soins sont disponibles et peuvent être exploités pour analyser précisément les processus de prise en charge et les parcours de soin. Le Process Mining est une discipline au croisement du Data Mining et de la gestion des processus, qui consiste à découvrir, analyser, et optimiser des processus de façon automatique, à partir de données issues de systèmes d'information. Son application à la prise en charge des patients est récente et de nombreux défis doivent être relevés. En effet, les systèmes d'information hospitaliers génèrent quantités d'informations exploitables par les méthodes de Process Mining. Dans le même temps, la qualité de ces données et la spécificité des parcours de soin-notamment leur variabilité-nécessitent un traitement adapté, pensé pour cette application spécifique. Vos missions Ce stage consistera à concevoir et à implémenter des méthodes pour prédire la suite d'un parcours en cours d'exécution, et

à propos
er des outils d'anticipation. 1 Une première étape consistera à comprendre les spécificités du domaine et des données, afin de modéliser formellement le problème à résoudre. Une des difficultés est de bien définir les cibles de prédiction, notamment ce qui constituera une déviation ou un comportement autorisé par rapport au protocole de soins dont découle le parcours. Les données d'entrée, choisies parmi une large base de données, devront être analysées finement afin de proposer des modèles prédictifs adéquats. 2 Ensuite, il s'agira d'implémenter les modèles de prédiction et d'éprouver leurs capacités et leurs limitations. Un des enjeux est que les modèles devront être « process aware », car capables de prédire des déviations par rapport à un protocole préétabli. Or la littérature propose majoritairement des modèles « process agnostic ». Les modèles proposés seront donc inédits, et une attention particulière devra être portée à l'intégration de la connaissance du processus sous-jacent. 3 Enfin, il s'agira de proposer des outils d'aide à la décision, basés sur les prédictions du modèle, pour anticiper l'état futur de l'hôpital ou du patient (attribuer des ressources hospitalières, éviter les complications, etc.). Il pourra s'agir par exemple d'outils de visualisation synthétiques et pertinents. Une activité de démonstration de résultats sous forme de vidéo est aussi à prévoir. La dissémination de résultats innovants sous forme d'un brevet et/ou d'un article scientifique pourra être envisagée en fonction de l'avancement du stage et de la qualité des résultats.\n\nVos qualifications Actuellement en Master 2 / Bac+5 en Ecole d'ingénieur ou Université, vous vous spécialisez en mathématiques appliquées ou informatique et recherchez un stage entre 5 et 6 mois. Vous souhaitez approfondir vos connaissances en algorithmique, analyse de données, machine learning et développement informatique. Vous avez à cœur de comprendre en profondeur les outils que vous utilisez : les modèles mathématiques et algorithmes sous-jacents, les limitations, etc.. Compétences techniques souhaitées :
* Connaissances solides en mathématiques discrètes (notamment graphes)
* Bonne capacité à formaliser des problèmes mathématiquement et à les résoudre algorithmiquement
* Bonnes connaissances en machine learning (notamment classification supervisée ou non)
* Vous avez déjà réalisé de nombreux projets informatiques et vous êtes autonome en développement.
* Vous maîtrisez python
* Vous avez déjà une première expérience avec des librairies de Machine Learning telles que pytorch ou tensorflow. De nature curieuse, méticuleuse, persévérante et auton