Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Université de Nantes – LS2N (Laboratoire des Sciences du Numérique de Nantes) / UMR CNRS 6004
Durée : 36 mois
Contact : christine.sinoquet@univ-nantes.fr
Date limite de publication : 2019/04/23

Contexte :
Dans un but d’amélioration de la sécurité et de la qualité des soins péropératoires, les spécialistes de la formation en médecine intensive du SiMU (Laboratoire Expérimental de Simulation de Médecine Intensive de l’Université de Nantes) souhaitent varier la diversité des scénarios à proposer aux internes en anesthésie et infirmiers anesthésistes, en formation initiale, ainsi qu’aux praticiens plus expérimentés, en formation continue. Pour varier les scénarios, le LS2N propose d’automatiser la génération de scénarios réalistes de simulation, en s’appuyant sur tout ou partie de la base de profils anesthésiques enregistrés par le CHU de Nantes. De cette innovation est attendu un accès potentiel à une grande variété de scénarios réalistes de simulation de cas d’anesthésie. Servir cet objectif de formation répond également au besoin d’anticipation par prédiction, inhérent au paradigme de la médecine personnalisée, en pleine émergence.

Sujet :
Le suivi anesthésique de chaque acte chirurgical garde la trace des actions de l’équipe médicale, éventuellement des réactions du sujet opéré, et mémorise la série temporelle de chaque paramètre de monitorage.

Chacune de ces séries est déterminée par le jeu d’une ou de plusieurs actions de la trace sur le paramètre concerné. Comme ce jeu est observé sur une cohorte de patients, il ne peut être modélisé que dans un contexte incertain. L’objectif de la thèse est donc de concevoir une nouvelle classe de modèle probabiliste, et son algorithme d’apprentissage, pour modéliser quantitativement la dynamique de l’impact des événements d’une trace sur l’évolution des variables de séries temporelles multivariées.

De très nombreux travaux ont été conduits tant en analyse de traces d’événements qu’en analyse de séries temporelles. Dans la première catégorie, on peut citer par exemple la détection d’activité frauduleuse par alignement de traces [JA10], le partitionnement de traces [CCD17]. L’analyse de séries temporelles peut être illustrée par la détection automatique de patterns [LLP14], l’alignement multiple de séries temporelles [LNR04], la détection de ruptures dans la structure d’une série [N18]. L’examen de la corrélation de deux séries temporelles est une opération classique. La capture des dépendances entre les événements d’une trace a conduit à quelques travaux [SWG17, CLF14]. Finalement, peu de travaux ont traité de l’identification de corrélations entre traces d’événements et séries temporelles ([MBBL08, LLL14]).

Pour pallier ce manque, une nouvelle classe de modèle probabiliste sera proposée, qui devra aussi pouvoir prendre en compte d’éventuelles dépendances entre événements, au sein d’une même trace. Un algorithme d’apprentissage correspondant sera développé, avec le souci qu’il puisse être exécuté rapidement, sur une cohorte de patients d’intérêt.

Une fois la modélisation validée, quelques cas d’anesthésie seront ciblés, et les modèles de variation correspondants seront construits. Il sera alors examiné avec l’aide de l’équipe IEIAH (*) du LIUM (**), comment générer un modèle de scénario de simulation à partir des modèles de variation.

(*) Ingénierie des Environnements Informatiques pour l’Apprentissage Humain
(**) Laboratoire d’Informatique de l’Université du Mans

Références bibliographiques
[CCD17] T. Chatain, J. Carmona, B.F. van Dongen (2017) Alignment-based trace clustering. Proceedings of the 36th International Conference on Conceptual Modeling (ER2017), Lecture Notes in Computer Science, Vol. 10650, Spain, Valencia, 6-9 september, 295-308.

[CLF14] M. Ceci, P.F. Lanotte, F. Fumarola, D. P. Cavallo, D. Malerba (2014) Completion time and next activity prediction of processes using sequential pattern mining. International Conference on Discovery Science, DS2014, pp. 49-61.

[LLL14] C. Luo, J.-G. Lou, Q. Lin, Q. Fu, R. Ding (2014) Correlating events with time series for incident diagnosis. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, USA, New York, 24-27 august, 1583-1592.

[LLP14] J.A. Lara, D. Lizcanoa, A. Pérez, J.P. Valente (2014) A general framework for time series data mining based on event analysis: application to the medical domains of electroencephalography and stabilometry. Journal of Biomedical Informatics, 51, 219-241.

[LNR04] J. Listgarten, R. M. Neal, S.T. Roweis, A. Emili (2004) Multiple alignment of continuous time series. Proceedings of Advances in Neural Information Processing Systems, NIPS2004, 817-824.

[LSD18] Y. Liu, T. Safavi, A. Dighe, and D. Koutra (2018) Graph summarization methods and applications: A survey. ACM Computing Surveys (CSUR), 51(3).

[MBBL08] B. Minaei-Bidgoli, S. Behzad Lajevardi (2008) Correlation mining between time series stream and event stream. Proceedings of the 4th International Conference on Networked Computing and Advanced Information Management, 2, 333-338.

[N18] V. Novák (2018) Detection of structural breaks in time series using fuzzy techniques. International Journal of Fuzzy Logic and Intelligent Systems, 18(1):1-12.

[SWG17] A. Senderovich, M. Weidlich, A. Gal (2017) Temporal network representation of event logs for improved performance modelling in business processes. Proceedings of the 14th International Conference on Business Process Management (BPM2017), pp 3 -21.

Profil du candidat :
Master de recherche en informatique ou équivalent, ou spécialisation d’école d’ingénieurs, ou Master en informatique pour la santé dans le domaine de l’apprentissage automatique, des sciences des données ou/et en statistique en grande dimension.

Le candidat doit être classé dans le premier tiers de sa promotion, pour ce qui concerne les résultats théoriques obtenus au cours du Master ou équivalent.

Formation et compétences requises :
Le candidat doit présenter un intérêt marqué pour la recherche méthodologique et académique. La motivation du candidat pour des travaux de recherche à mener sur trois années sera un élément capital. Le candidat doit également être motivé par les interactions en contexte interdisciplinaire. Il doit également montrer un réel intérêt pour les mises en oeuvre effectives. A cet égard, l’excellente maîtrise d’un langage de programmation de type C++ est requise, ainsi qu’une bonne connaissance de l’administration et de la gestion des bases de données. Des compétences en parallélisation de code seraient un plus.

Aucun prérequis n’est nécessaire en IEIAH.

************************************
Informations complémentaires relatives au sujet de thèse en :
https://uncloud.univ-nantes.fr/index.php/apps/files/?dir=/&fileid=46423541

************************************
Dépôt de candidature

Le candidat enverra par mail (christine.sinoquet@univ-nantes.fr) les documents suivants :
– lettre de motivation
– CV complet
– relevé de notes du Master (ou équivalent)
– attestation relative au classement obtenu à l’issue des épreuves théoriques du Master (ou équivalent)
– coordonnées d’au moins deux contacts (affiliation, adresse mail, numéro de téléphone)
– tout document complémentaire : lettre(s) de recommandation, éventuellement publications

************************************
Financement
Ministère de l’Enseignement Supérieur et de la Recherche

************************************
Durée
36 mois, à compter du 1er octobre 2019

************************************
Direction de thèse et contact
Christine Sinoquet, Maître de Conférences HdR 2014, qualifiée PR 2015 (christine.sinoquet@univ-nantes.fr)

************************************
Dates clés
Ouverture de la campagne de recrutement : mercredi 03 avril 2019
Fin de la campagne de recrutement (audition incluse) : mercredi 24 avril 2019
Date limite de candidature : lundi 22 avril 2019 12H00

Audition : pour être retenu, un candidat devra avoir été auditionné par le LS2N (audition à distance possible).

Adresse d’emploi :
Le doctorant sera accueilli à la Faculté des Sciences de l’Université de Nantes. Il échangera régulièrement avec des membres de l’équipe DUKe, basés sur un autre site du LS2N, à Nantes (Polytech Nantes).

Document attaché : sujet_these_duke_sinoquet_tues_19_04_02_cloud.pdf