Universités et écoles
Masters, écoles d’ingénieurs, diplômes universitaires, formations doctorales et enseignements spécialisés.
Prochaine masterclass
Comprendre et modéliser les trajectoires patients
Formation · Enseignement supérieur · Équipes R&D
Une offre avancée et modulaire consacrée aux données médicales temporelles, à l’IA clinique, à l’explicabilité et aux approches neuro-symboliques.
Pour qui ?
Le contenu, le niveau mathématique et les cas pratiques sont ajustés au public, aux objectifs pédagogiques et au temps disponible.
Masters, écoles d’ingénieurs, diplômes universitaires, formations doctorales et enseignements spécialisés.
Équipes data, IA, innovation, produit ou recherche souhaitant maîtriser les spécificités de l’IA en santé.
Équipes innovation, recherche clinique et professionnels qui doivent dialoguer avec les concepteurs de systèmes d’IA.
Interventions ponctuelles, conception de modules ou intégration du programme dans une offre existante.
Compétences développées
L’objectif n’est pas d’empiler des outils. Il est de donner des repères solides pour concevoir, évaluer et discuter des systèmes d’IA appliqués à la santé.
Construire vos objectifs pédagogiquesIdentifier les spécificités des données médicales longitudinales et temporelles.
Choisir une famille de modèles adaptée au problème clinique et au niveau de maturité du projet.
Comprendre les modèles statistiques, neuronaux et hybrides avant de les utiliser.
Évaluer les performances, l’incertitude, les biais et les limites d’un système prédictif.
Concevoir une démarche d’explicabilité compatible avec les usages cliniques.
Mieux faire dialoguer équipes techniques, chercheurs et professionnels de santé.
Formats
Les durées sont indicatives. Chaque proposition est construite selon votre public, vos contraintes et les résultats attendus.
1 h 30 — 3 h
Sensibiliser une promotion, une équipe ou un comité de direction à un enjeu précis de l’IA pour la santé.
1 — 2 jours
Alterner concepts, démonstrations et mise en pratique autour d’un cas d’usage ou d’une problématique métier.
8 — 16 h
Approfondir un thème : données temporelles, IA clinique, explicabilité, réanimation ou neuro-symbolique.
20 — 60 h
Construire une progression adaptée à un cursus, une équipe R&D ou un programme de montée en compétences.
100 h
Déployer le cursus de référence en dix modules, de la modélisation temporelle aux systèmes cliniques avancés.
Décrivez le public, les objectifs et la durée envisagée : je vous proposerai un format cohérent.
Programme de référence
Le programme complet représente 100 heures. Il sert de bibliothèque pédagogique : les modules peuvent être sélectionnés, raccourcis, combinés ou approfondis selon le niveau des participants.
Ce module introduit les fondements mathématiques requis pour la modélisation temporelle moderne. Les participants développent une compréhension rigoureuse des processus stochastiques, des filtrations, du flux d'informations temporelles et des systèmes dynamiques. L'objectif est de construire une intuition mathématique solide pour les systèmes d'IA temporels avancés utilisés en santé.
Espaces de probabilité • Processus aléatoires • Processus stochastiques • Filtrations • Processus adaptés • Flux d'informations • Observabilité temporelle • Intuition des martingales • Bases des systèmes dynamiques • Opérateurs temporels
Ce module couvre les principales approches statistiques utilisées dans l'analyse des séries temporelles. Les participants apprennent à modéliser les dépendances temporelles, les tendances, l'incertitude et les états temporels latents. Ce module constitue le pilier statistique indispensable avant d'aborder les approches de deep learning.
Stationnarité • Modèles AR • Modèles MA • ARIMA / SARIMA • Modèles d'espace d'états • Filtrage de Kalman • Modèles de Markov cachés (HMM) • Processus gaussiens • Théorie de la prévision • Estimation de l'incertitude
Introduction aux données temporelles de santé réelles et aux écosystèmes des unités de soins intensifs (réanimation). Les participants découvrent la structure et la complexité des pipelines de données hospitalières, des signaux physiologiques et des flux d'événements cliniques. Une attention particulière est portée à l'irrégularité, aux données manquantes et aux contraintes opérationnelles cliniques.
Écosystèmes de données en réanimation • Dossiers de santé électroniques • Flux d'événements cliniques • Formes d'ondes physiologiques • Échantillonnage irrégulier • Valeurs manquantes • Censure • Alignement temporel • Systèmes de codage clinique • Pipelines de données de santé
Ce module introduit les méthodes de traitement du signal appliquées aux données physiologiques et biomédicales telles que l'ECG et l'EEG. Les participants apprennent à prétraiter, analyser et extraire des informations temporelles significatives à partir de signaux cliniques bruités.
Analyse de Fourier • Représentations spectrales • Techniques de filtrage • Débruitage de signal • Ondelettes • Extraction de caractéristiques temporelles • Prétraitement ECG • Prétraitement EEG • Analyse temporelle multiscale
Introduction avancée aux architectures de deep learning conçues pour les données temporelles et séquentielles. Les participants apprennent comment les architectures de réseaux de neurones modernes capturent les trajectoires complexes des patients et les dynamiques temporelles à long terme.
Réseaux de neurones récurrents (RNN) • LSTM • GRU • Architectures Seq2Seq • CNN temporels • Mécanismes d'attention • Transformers • Embeddings temporels • Apprentissage de représentations temporelles
Application des systèmes d'IA temporelle à des tâches réelles de prédiction clinique, notamment la prédiction de la mortalité, la détection de la détérioration et la prévision des trajectoires des patients. Les participants explorent des flux de travail de prédiction réalistes en réanimation.
Systèmes d'alerte précoce • Prédiction de la mortalité • Prédiction du sepsis • Détection de la détérioration clinique • Prévision de la trajectoire du patient • Systèmes de score de risque • Modélisation longitudinal du patient • Prédiction des résultats en réanimation
Ce module se concentre sur l'interprétabilité, la transparence et la confiance dans les systèmes d'IA clinique. Les participants découvrent les méthodes utilisées pour expliquer les modèles temporels et garantir un déploiement responsable dans les environnements de soins.
IA explicable (XAI) • Saillance temporelle • Interprétabilité de l'attention • SHAP pour les séries temporelles • Explications contre-factuelles • Interprétabilité clinique • Équité et biais • Systèmes d'IA de confiance
Introduction à l'inférence causale et au raisonnement temporel dans les systèmes cliniques. Le module explore la différence entre corrélation et causalité dans les trajectoires des patients et les interventions médicales.
Causalité temporelle • Raisonnement contre-factuel • Estimation de l'effet du traitement • Graphes causaux • Facteurs de confusion dépendants du temps • Modélisation des décisions séquentielles • Interventions cliniques • Analyse dynamique des traitements
Module avancé dédié à la logique temporelle, au raisonnement symbolique et aux systèmes d'IA neuro-symbolique. Les participants apprennent comment les contraintes temporelles symboliques peuvent être combinées avec les systèmes d'apprentissage neuronal pour produire une IA clinique explicable.
Logique temporelle • Calcul d'événements • Raisonnement temporel symbolique • IA neuro-symbolique • Systèmes cliniques hybrides • Apprentissage guidé par les connaissances • Inférence temporelle basée sur des règles • Contraintes symboliques explicables
Exploration des orientations de recherche modernes en IA temporelle pour la santé, y compris les modèles fondamentaux, l'apprentissage auto-supervisé et les systèmes cliniques multimodaux.
Modèles fondamentaux pour la santé • Apprentissage auto-supervisé • Apprentissage temporel contrastif • IA clinique multimodale • Grands modèles cliniques • Apprentissage de représentations • Orientations de recherche modernes • Problèmes de recherche ouverts
Parcours spécialisés
Ces parcours constituent des bases de discussion. Ils peuvent être adaptés au niveau, au secteur et aux objectifs de votre organisation.
Public : Data Scientists, Ingénieurs IA, Étudiants Master
Public : Ingénieurs Machine Learning, Chercheurs IA, Professionnels MedTech
Public : Chercheurs en réanimation, Ingénieurs IA santé, Équipes innovation hospitalière
Public : Chercheurs IA, Gouvernance IA, IA responsable
Public : Doctorants, Chercheurs, Profils avancés
Approche pédagogique
Pourquoi cette formation ?
Informations pratiques
Parlons de votre projet de formation
Indiquez simplement le contexte, le nombre de participants, le niveau attendu, le format souhaité et votre calendrier. Aucun cahier des charges complet n’est nécessaire pour démarrer.