Aller au contenu principal
Aurélien Vannieuwenhuyze

Recherche doctorale · CNAM · CEDRIC / équipe ISID

Trajectoires cliniques

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

Une trajectoire clinique ne se résume pas à une photographie

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

Quatre dimensions complémentaires

01

Représentation temporelle

Structurer les événements cliniques, leurs durées, leurs séquences et leurs relations afin de rendre les trajectoires interrogeables.

02

Connaissances explicites

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.

03

IA neuro-symbolique

Explorer la combinaison de l’apprentissage automatique et du raisonnement symbolique pour produire des modèles plus interprétables et contrôlables.

04

Utilité clinique

Évaluer non seulement la performance, mais aussi la lisibilité des résultats, leurs limites et leur capacité à soutenir une décision humaine.

03 / Démarche

De la question clinique à un résultat vérifiable

  1. 01

    Formuler la question

    Définir les événements, les relations temporelles et les informations nécessaires à partir d’une question clinique précise.

  2. 02

    Construire la représentation

    Transformer les données longitudinales en une structure temporelle explicite, interrogeable et reliée aux concepts du domaine.

  3. 03

    Apprendre et raisonner

    Étudier comment modèles d’apprentissage, graphes de connaissances et règles peuvent coopérer sans masquer leurs hypothèses.

  4. 04

    Évaluer et expliquer

    Mesurer la performance, la robustesse, la reproductibilité et la compréhension des résultats dans le contexte d’usage visé.

04 / Publication doctorale

A Conceptual Model for Discovering Implicit Temporal Knowledge in Clinical Data

Aurélien Vannieuwenhuyze · Nada Mimouni · Cédric Du Mouza

ER 2025 · volume publié en 2026 · Lecture Notes in Computer Science, vol. 16190 · Springer · pp. 81–100

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.

Temporal knowledge graph OWL-Time MIMIC-IV Intensive care

05 / Questions ouvertes

Le programme doctoral

  1. 01

    Comment représenter fidèlement des événements cliniques irréguliers et leur contexte temporel ?

  2. 02

    Comment intégrer des connaissances médicales sans figer le modèle ni masquer l’incertitude ?

  3. 03

    Comment relier une prédiction à la trajectoire du patient et aux éléments qui l’ont influencée ?

  4. 04

    Comment évaluer l’utilité d’une explication pour un professionnel de santé, au-delà de sa plausibilité technique ?

06 / Rigueur et limites

Une recherche conçue pour rester vérifiable

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.

  • Hypothèses, transformations et critères d’évaluation explicités.
  • Reproductibilité privilégiée lorsque les données et licences le permettent.
  • Aucune donnée de santé directement identifiante publiée sur ce site.
  • Validation clinique et externe nécessaire avant tout usage opérationnel.

PROJET DE RECHERCHE APPLIQUÉE · 001

TENSYM.

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 TENSYM

Recherche appliquée

Transférer les méthodes vers des problèmes R&D concrets

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.