Aller au contenu principal
Aurélien Vannieuwenhuyze

Convictions

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.

Rigueur scientifique Utilité clinique Responsabilité humaine

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

Pour une intelligence artificielle clinique responsable

Ces principes guident ma recherche, mes choix techniques et la manière dont j’aborde les projets de R&D appliquée.

01

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.

02

Le temps est une information clinique

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.

03

L’IA doit pouvoir être interrogée

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.

D’où viennent ces convictions ?

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.

Concevoir une IA qui accompagne le raisonnement clinique

Une décision clinique repose sur une histoire : symptômes, tendances, traitements, réponses et incertitudes. Un modèle qui isole une mesure perd une partie essentielle du problème.

L’intelligence artificielle peut relier les observations dans le temps, détecter des changements significatifs et estimer des évolutions possibles. Elle ne devient réellement utile que si ses résultats peuvent être rapportés à la trajectoire du patient, aux connaissances médicales et au niveau d’incertitude du modèle.

C’est le sens de mes travaux : associer modélisation temporelle, explicabilité, intégration des connaissances et aide à la décision. L’objectif n’est pas d’automatiser la médecine, mais de concevoir des outils qui aident les professionnels à comprendre, anticiper et décider.

Du principe à la pratique

Ces convictions guident mes recherches et mes missions de R&D appliquée sur les trajectoires patients, les modèles temporels et l’intelligence artificielle explicable.