Aller au contenu principal
Aurélien Vannieuwenhuyze

Applied AI Research Engineer · IA explicable & neuro-symbolique · Santé & R&D industrielle

Modéliser les trajectoires patients. Expliquer les prédictions.

Je conçois et j’évalue des approches d’intelligence artificielle pour analyser l’évolution des patients, anticiper des événements cliniques et produire des résultats compréhensibles par les professionnels de santé.

Basé à Lille · Disponible pour des missions R&D ciblées, des collaborations scientifiques et des opportunités internationales compatibles avec la poursuite du doctorat.

Positionnement

Une expertise à l’intersection de l’IA, du temps et de la médecine

Mon travail relie recherche appliquée, ingénierie et compréhension des environnements cliniques critiques. J’interviens sur des problématiques où la dynamique temporelle, l’explicabilité et les connaissances expertes sont essentielles.

Expertise et interventions

Transformer une question clinique complexe en démarche R&D structurée

Cadrage et R&D appliquée

Analyse de faisabilité, cadrage scientifique et technique, exploration de données, prototypage et évaluation de modèles pour des projets d’intelligence artificielle en santé.

Évoquer un projet →

IA temporelle clinique

Modélisation de séries temporelles médicales, d’événements longitudinaux et de trajectoires patients afin d’identifier des dynamiques, des signaux précoces et des évolutions cliniques.

Découvrir les travaux →

IA explicable et neuro-symbolique

Combinaison de l’apprentissage automatique, des graphes de connaissances, du raisonnement temporel et de l’expertise métier pour produire des résultats interprétables, explicables et discutables.

Explorer l’approche →

Repères professionnels et scientifiques

Expérience

Près de 20 ans dans les technologies, la data et la transformation numérique

Recherche doctorale

Doctorant en intelligence artificielle au CNAM, laboratoire CEDRIC — équipe ISID

Culture clinique

DU Soins en Réanimation, Université de Lille — obtenu en 2026

Publication

International Conference on Conceptual Modeling, ER 2025 — Springer

Problématiques

Des systèmes utiles parce qu’ils comprennent le temps et restent explicables

Les données cliniques ne sont pas une simple collection de mesures. Elles décrivent des évolutions, des interventions, des ruptures et des incertitudes qu’un modèle doit pouvoir représenter sans perdre leur sens médical.

  • Représenter des trajectoires patients hétérogènes et irrégulièrement échantillonnées.
  • Identifier des signaux temporels précoces dans des données cliniques complexes.
  • Intégrer les connaissances médicales et les contraintes expertes dans l’apprentissage.
  • Produire des prévisions compréhensibles, discutables et utiles à la décision clinique.

Collaborer

Vous avez une problématique clinique, des données ou un projet d’IA à structurer ?

Je suis ouvert aux missions de recherche appliquée, à l’accompagnement de projets R&D, aux collaborations avec des équipes médicales ou industrielles et aux opportunités internationales en AI Research Engineering.