STAGE - Ingénieur.e Recherche - inférence causale et jumeaux numériques (F/H)

Dassault Systèmes; Valbonne; Sur place; EUR 10 000 - 15 000; Temps partiel

Résumé du poste

Dassault Systèmes, stationné à Valbonne (Sophia-Antipolis), propose un stage au sein du département Corporate Strategy & Research dans l’équipe « Clinical Decision ». Le stage vise à coupler inférence causale et jumeaux numériques pour estimer l’effet d’un traitement et simuler des trajectoires patients sur des cas cliniques.

Vous renforcerez l’analyse statistique, préparerez la base de données, et implémenterez des méthodes en Python, avec une synthèse des résultats et une comparaison à la

Qualifications

• Maîtrise des méthodes d’inférence causale et de jumeaux numériques.
• Connaissances en traitement de données longitudinales et survie.
• Bonne capacité d’analyse statistique et critique des résultats.

Responsabilités

• Réaliser un état de l’art des méthodes d’inférence causale et de jumeaux numériques appliquées à l’estimation d’effets de traitement.
• Préparer et nettoyer une base de données patient.
• Implémenter en Python des méthodes d’inférence causale et des approches de jumeaux numériques.
• Coupler les deux approches et évaluer les résultats sur cas cliniques.
• Rédiger une synthèse des résultats et les comparer aux méthodes de la littérature.

Connaissances

Biostatistiques

Statistiques

Mathématiques appliquées

Machine learning

Python

Données longitudinales

Survie

Anglais courant

Formation

Master 2 / Bac+5 en ingénierie ou université

Outils

Python

Autres outils ML

Description du poste

Lieu du stage : Valbonne (Sophia-Antipolis, 06)

Au sein du département Corporate Strategy & Research, vous intégrerez l’équipe « Clinical Decision », au sein d’un département riche de compétences en médecine, biologie, mathématique et informatique, et qui conduit plusieurs projets en oncologie, neurologie et cardiologie.

Dans le cadre de la diversification de nos activités en santé, ce stage s’inscrit dans le prolongement direct de travaux déjà engagés sur l’inférence causale : il s’agira désormais de coupler ces méthodes à la construction de jumeaux numériques (digital twins) de patients, afin d’enrichir l’estimation et la simulation de l’effet d’un traitement. Vous serez responsable de la mise en place de méthodes statistiques et de Machine Learning permettant :

• de mesurer l’effet causal d’un traitement ou d’une intervention sur un outcome prédéfini,
• de simuler les trajectoires individuelles de patients sous différents scénarios contrefactuels de traitement à l’aide de jumeaux numériques,
• de quantifier mathématiquement cet effet à l’échelle individuelle et de sous-populations,
• et d’interpréter et de conclure statistiquement sur le résultat de cette analyse.

Le but de ce stage sera d’articuler deux familles de méthodes complémentaires – l’inférence causale et les jumeaux numériques – afin de constituer une boucle de rétroaction entre la stratification des patients et la simulation de leurs trajectoires sous traitement, comme le décrit la littérature récente [Ruhrberg Estévez, Peck, McKinney et al. (2026)].

Vos missions

Dans un premier temps, vous prolongerez le travail déjà réalisé sur l’inférence causale en vous appuyant notamment sur les approches d’estimation d’effets de traitement hétérogènes (CATE), telles que l’équilibrage de la représentation (representation balancing) [Johansson, Shalit et Sontag (2016)], les approches antagonistes (adversarial) [Yoon, Jordon et Van Der Schaar (2018)], ou encore les forêts causales [Athey et Wager (2019)].

Dans un second temps, vous étudierez et implémenterez des méthodes de jumeaux numériques permettant d’estimer les résultats contrefactuels à partir de données longitudinales, par exemple l’approche SyncTwin [Qian, Zhang, Bica, Wood et van der Schaar (2021)], et vous explorerez leur usage pour la construction de bras de contrôle synthétiques ou hybrides, ainsi que pour la poursuite de la simulation de la trajectoire des patients sortis d’étude.

Vous serez en charge d’appliquer et de combiner ces approches sur un cas clinique et d’apporter une analyse statistique et critique de ces différentes méthodes. Un exemple d’application clinique à mettre en place lors du stage sera lié à l’analyse causale de l’effet d’un traitement sur le risque d’évènement clinique en oncologie, en s’appuyant sur les sous-groupes identifiés par inférence causale pour guider la simulation par jumeaux numériques.

Votre contribution consistera à :

• Effectuer un état de l’art des méthodes d’inférence causale et de jumeaux numériques (digital twins) appliquées à l’estimation d’effets de traitement ;
• Prendre en main la base de données de patients qui sera utilisée lors du stage, la nettoyer et réaliser des études descriptives des données ;
• Implémenter (en langage Python) une ou plusieurs méthodes d'inférence causale existantes pour répondre au problème posé ;
• Implémenter une ou plusieurs approches de jumeaux numériques permettant de simuler les trajectoires individuelles et les scénarios contrefactuels des patients ;
• Coupler les deux approches en une boucle de rétroaction : utiliser les sous-groupes issus de l'inférence causale pour cibler les trajectoires à simuler, puis réinjecter les sorties de simulation pour affiner l'estimation de l'effet du traitement ;
• Appliquer et comparer les méthodes sur ces données, et apporter une analyse critique de leurs hypothèses, de leur robustesse et de leurs limites (confusion résiduelle, recouvrement, mauvaise spécification, décalage de distribution) ;
• À la suite de ces résultats, mettre en place une nouvelle méthodologie combinant inférence causale et jumeaux numériques (i.e. définition et implémentation) spécifique au cas clinique étudié, et la comparer aux méthodes existantes de la littérature ;
• Rédiger une synthèse des résultats obtenus.

Références

[Ruhrberg Estévez, Peck, McKinney et al. (2026)] Silas Ruhrberg Estévez, Richard Peck, Eoin McKinney et al. « Causal inference and digital twins: a roadmap for the future of clinical trials ». In: npj Digital Medicine (2026).

[Johansson, Shalit et Sontag (2016)] Fredrik Johansson, Uri Shalit, and David Sontag. « Learning representations for counterfactual inference ». In: International conference on machine learning. PMLR. 2016, pp. 3020-3029.

[Yoon, Jordon et Van Der Schaar (2018)] Jinsung Yoon, James Jordon, and Mihaela Van Der Schaar. « GANITE: Estimation of individualized treatment effects using generative adversarial nets ». In: International conference on learning representations. 2018.

[Qian, Zhang, Bica, Wood et van der Schaar (2021)] Zhaozhi Qian, Yao Zhang, Ioana Bica, Angela Wood, and Mihaela van der Schaar. « SyncTwin: Treatment Effect Estimation with Longitudinal Outcomes ». In: Advances in Neural Information Processing Systems, vol. 34, pp. 3178-3190, 2021.

[Athey et Wager (2019)] Susan Athey and Stefan Wager. « Estimating Treatment Effects with Causal Forests: An Application ». In: Observational Studies 5, pp. 37-51, 2019.

Vos Qualifications

Actuellement en Master 2 / Bac+5 en Ecole d’ingénieur ou Université, vous recherchez un stage entre 5 et 6 mois.

Compétences techniques souhaitées :

• Biostatistiques / Statistiques / Mathématiques appliquées ;
• Machine learning / Deep learning ;
• Modélisation de données longitudinales et/ou de survie (un plus) ;
• Langage Python ;
• Anglais courant ;
• Une connaissance en biologie et/ou en médecine est un plus.

Compétences professionnelles souhaitées :

• Autonomie
• Motivation
• Esprit critique et d’initiative
• Bon sens de la communication

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au cœur de l’innovation technologique, portée par une forte croissance depuis plus de 40 ans.

Principaux avantages et bénéfices :

• Environnement collaboratif et innovant
• Collaboration internationale
• Diversité des technologies, produits et solutions
• Engagement en faveur de la diversité et de l’inclusion

Inclusion statement

As a game-changer in sustainable technology and innovation, Dassault Systèmes is striving to build more inclusive and diverse teams across the globe. We believe that our people are our number one asset and we want all employees to feel empowered to bring their whole selves to work every day. It is our goal that our people feel a sense of pride and a passion for belonging. As a company leading change, it’s our responsibility to foster opportunities for all people to participate in a harmonized Workforce of the Future.