Prédire ne suffit pas
En santé, la performance ne peut pas être le seul critère. Une prédiction clinique doit être interprétable, replacée dans son contexte et accompagnée de ses incertitudes et de ses limites.
Une IA utile en santé doit comprendre le temps, expliquer ses résultats et laisser la décision aux professionnels.
Mes travaux partent d’une idée simple : une prédiction clinique n’a de valeur que si elle s’inscrit dans la trajectoire du patient, rend ses raisons compréhensibles et peut être discutée par celles et ceux qui soignent.
Prédire un événement n’est pas la finalité.
L’enjeu est de comprendre ce qui change, pourquoi cela compte et comment cette information peut soutenir une décision clinique.
Trois principes
Ces principes guident ma recherche, mes choix techniques et la manière dont j’aborde les projets de R&D appliquée.
En santé, la performance ne peut pas être le seul critère. Une prédiction clinique doit être interprétable, replacée dans son contexte et accompagnée de ses incertitudes et de ses limites.
Les soins se déploient dans le temps. Symptômes, traitements, réponses et décisions forment une trajectoire que les modèles doivent représenter au-delà d’une photographie isolée.
Un système d’aide à la décision doit informer, non imposer. Il doit rendre visibles les éléments qui fondent sa réponse, ses limites et laisser au professionnel la possibilité de la discuter ou de l’écarter.
Ces convictions ne viennent pas uniquement de la recherche académique.
Près de 20 ans dans les technologies numériques m’ont appris qu’un système n’est utile que s’il répond à un besoin réel et peut être compris par celles et ceux qui l’utilisent. L’enseignement a renforcé cette exigence d’explication ; la recherche doctorale et le DU Soins en Réanimation l’ont confrontée aux réalités cliniques.
Cette culture scientifique, technique et clinique guide ma manière d’aborder les problèmes complexes : comprendre avant de prédire, expliquer avant d’automatiser et concevoir avec les personnes qui utiliseront réellement le système.
Je ne cherche pas seulement à savoir si un modèle prédit correctement.
Je cherche à comprendre ce qu’il a appris de la trajectoire du patient, pourquoi il anticipe une évolution et comment rendre cette information utile sans se substituer au jugement clinique.
Ces convictions guident mes recherches et mes missions de R&D appliquée sur les trajectoires patients, les modèles temporels et l’intelligence artificielle explicable.