Job offer

European Commission; France; Sur place; EUR 30 000 - 40 000; Plein temps

Résumé du poste

Un poste de chercheur R1 est disponible pour le développement de modèles prédictifs en IA, axé sur l'évaluation des risques d'arrêt cardiaque. Le candidat travaillera avec des données de santé longitudinales pour explorer des méthodes avancées de machine learning, sous la supervision d'experts reconnus. Des compétences en intelligence artificielle et en analyse de données sont requises.

Qualifications

• Aptitudes avancées en IA et machine learning requises.
• Connaissance des modèles de processus stochastiques et des modèles bayésiens valorisée.
• Capacité à travailler avec des données médicales complexes essentielle.

Responsabilités

• Développer des modèles pour prédire les risques d'arrêt cardiaque à l'aide de données médicales.
• Analyser des séquences de diagnostics et procédures médicales pour modéliser l'évolution des risques.
• Explorer des architectures Transformer pour traiter des séquences cliniques longues.

Connaissances

Intelligence Artificielle

Machine Learning

Analyse de données longitudinales

Formation

Doctorat en mathématiques ou domaine connexe

Description du poste

Organisation/Company: CNRS

Department: Centre de recherche en mathématiques de la décision

Research Field: Mathematics, History of Science

Researcher Profile: First Stage Researcher (R1)

Country: France

Application Deadline: 9 Jul 2025 - 23:59 (UTC)

Type of Contract: Temporary

Job Status: Full-time

Hours Per Week: 35

Offer Starting Date: 1 Oct 2025

Funding: Not funded by a EU programme

Related to Research Infrastructure: No

Offer Description

This thesis will be supervised by E. Bacry (CEREMADE, Université de Paris-Dauphine, Institut PR[AI]RIE) and co-supervised by Prof. Xavier Jouven (APHP, INSERM, Institut PR[AI]RIE). Most of the work will be done within the INSERM team (unit U970) at 56 rue Leblanc, 75005 Paris.

The objective of this thesis is to develop dynamic AI models predicting cardiac arrest (CA) risk by exploiting individual medical trajectories from structured temporal data (SNDS and CEMS). The algorithms developed will integrate the longitudinal dimension of care pathways.

Using advanced machine learning methods adapted to longitudinal data (EHR), the project will analyze sequences of diagnoses, medical procedures, and prescriptions to accurately model the evolution of risk over time. Vector representations (embeddings) will be explored to capture the complex interactions between clinical events, particularly using techniques such as Time2Vec (to encode continuous temporal dimensions) or FAN (Fourier Analysis Networks) to capture frequency patterns.

To cope with the large volume of data (long sequences, numerous patients), Transformer architectures will be explored. In particular, the Performer (FAVOR+) model, which is based on a kernelized attention approximation, will efficiently process long clinical sequences thanks to linear complexity, while retaining the ability to model distant dependency relationships.

In addition to Transformer-type or more traditional boosting approaches, several complementary avenues could be explored to enrich risk modeling: Hierarchical Bayesian methods, Temporal stochastic process models, Hawkes processes.