M / F PhD Thesis in AI : Dynamic predictive models exploiting individual medical sequences to p[...]

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

Résumé du poste

Le CNRS recherche un candidat pour une thèse en IA visant à développer des modèles prédictifs dynamiques basés sur des séquences médicales. Ce projet de 36 mois se concentre sur l'analyse de données longitudinales pour prévenir l’arrêt cardiaque, avec des méthodes avancées d'apprentissage automatique et l'intégration dans une équipe de recherche dynamique à Paris.

Qualifications

• Compétences requises en modélisation IA et analyse de données.
• Formation en mathématiques, statistiques ou informatiques.
• Connaissances spécifiques en méthodes d'apprentissage automatique.

Responsabilités

• Développer des modèles dynamiques prédictifs du risque d’arrêt cardiaque.
• Analyser les séquences de diagnostics et d’actes médicaux.
• Explorer des architectures avancées comme Transformer.

Connaissances

Modélisation prédictive

Apprentissage automatique

Analyse de données longitudinales

Formation

Doctorat en IA ou domaine connexe

Description du poste

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

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.

Créer une alerte emploi pour cette recherche