H/F Thèse en IA: Modèles prédictifs dynamiques exploitant les séquences médicales individuelles[...]

CNRS; Paris; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une institution de recherche de premier plan propose une thèse en IA dédiée à la modélisation prédictive du risque d'arrêt cardiaque. Le candidat développera des modèles dynamiques en exploitant des données médicales longitudinales avec des méthodes avancées d'apprentissage automatique. Le cadre de travail se situe à Paris dans un environnement collaboratif et innovant.

Qualifications

• Expérience en IA et en modélisation prédictive souhaitée.
• Compétences en analyse de données médicales recommandées.
• Connaissance des algorithmes de type Transformer est un plus.

Responsabilités

• Développer des modèles prédictifs d'IA pour le risque d’arrêt cardiaque.
• Analyser des données temporelles structurées issues de parcours de soins.
• Explorer des techniques comme Time2Vec et FAN pour modéliser les séquences cliniques.

Connaissances

Méthodes avancées d’apprentissage automatique

Modèles dynamiques

Analyse des données longitudinales

Formation

Doctorat

Description du poste

H/F Thèse en IA: Modèles prédictifs dynamiques exploitant les séquences médicales individuelles pour prévenir l’arrêt cardiaque, Paris

Informations générales

Intitulé de l'offre : H/F Thèse en IA : Modèles prédictifs dynamiques exploitant les séquences médicales individuelles pour prévenir l’arrêt cardiaque
Référence : UMR7534-EMMBAC-008
Nombre de Postes : 1
Lieu de travail : PARIS
Date de publication : mercredi 18 juin 2025
Type de contrat : CDD Doctorant
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2025
Quotité de travail : Complet
Rémunération : La rémunération est d'un minimum de 2200,00 € mensuel
Section(s) CN : 41 - Mathématiques et interactions des mathématiques

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 (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.