Représentation temporelle
Structurer les événements cliniques, leurs durées, leurs séquences et leurs relations afin de rendre les trajectoires interrogeables.
Recherche doctorale · CNAM · CEDRIC / équipe ISID
Je développe des méthodes pour représenter les événements médicaux dans le temps, relier données et connaissances, et rendre les résultats interrogeables.
01 / La question de recherche
Dans les soins critiques, une valeur isolée prend son sens par rapport à ce qui la précède : tendance d’un biomarqueur, apparition d’un symptôme, traitement administré, réponse observée ou changement d’état.
Le défi consiste à représenter cette histoire de manière exploitable par des systèmes d’intelligence artificielle, sans perdre les relations temporelles ni la possibilité de comprendre le raisonnement produit.
02 / Axes de recherche
Structurer les événements cliniques, leurs durées, leurs séquences et leurs relations afin de rendre les trajectoires interrogeables.
Relier les données à des concepts médicaux, des ontologies et des règles afin de conserver un niveau de sens au-delà des seules corrélations statistiques.
Explorer la combinaison de l’apprentissage automatique et du raisonnement symbolique pour produire des modèles plus interprétables et contrôlables.
Évaluer non seulement la performance, mais aussi la lisibilité des résultats, leurs limites et leur capacité à soutenir une décision humaine.
03 / Démarche
Définir les événements, les relations temporelles et les informations nécessaires à partir d’une question clinique précise.
Transformer les données longitudinales en une structure temporelle explicite, interrogeable et reliée aux concepts du domaine.
Étudier comment modèles d’apprentissage, graphes de connaissances et règles peuvent coopérer sans masquer leurs hypothèses.
Mesurer la performance, la robustesse, la reproductibilité et la compréhension des résultats dans le contexte d’usage visé.
04 / Publication doctorale
Ce premier travail propose un modèle conceptuel pour transformer des données de réanimation en graphe de connaissances temporel conforme à OWL-Time. Il montre, sur des données MIMIC-IV et un cas d’usage lié aux infections sanguines, comment rendre interrogeables des relations temporelles qui ne sont pas explicitement présentes dans les données sources.
05 / Questions ouvertes
Comment représenter fidèlement des événements cliniques irréguliers et leur contexte temporel ?
Comment intégrer des connaissances médicales sans figer le modèle ni masquer l’incertitude ?
Comment relier une prédiction à la trajectoire du patient et aux éléments qui l’ont influencée ?
Comment évaluer l’utilité d’une explication pour un professionnel de santé, au-delà de sa plausibilité technique ?
06 / Rigueur et limites
Les travaux présentés relèvent de la recherche et du prototypage. Ils ne constituent ni un dispositif médical validé, ni un outil de diagnostic, ni un substitut au jugement clinique.
PROJET DE RECHERCHE APPLIQUÉE · 001
Agentic AI & Temporal Neuro-Symbolic Reasoning for Clinical Trials
Que savait un agent IA au moment où il a pris sa décision ?
Un projet expérimental sur la propagation des erreurs entre agents IA, les règles temporelles et la traçabilité des décisions, dans un essai clinique entièrement simulé.
Découvrir TENSYMRecherche appliquée
Cette recherche nourrit mes interventions sur le cadrage de données longitudinales, les graphes de connaissances, les prototypes temporels et l’explicabilité de systèmes d’IA pour la santé.