Traitement de larges données multimodales biomécaniques pour la rééducation

Artificial intelligence applied to clinical biomechanics

• Auteur / Autrice : Feten Skhiri gabbouj
• Direction : Laura Wallard, Bernard Gosselin
• Type : Projet de thèse
• Discipline(s) : Biomécanique et bio-ingénierie
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France
• Ecole(s) doctorale(s) : Ecole Doctorale Polytechnique Hauts-de-France
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Automatique, de Mécanique et d'informatique Industrielles et Humaines

Mots clés

Mots clés libres

Intelligence artificielle

Biomécaniques clinique

Larges données multimodales

Artificial intelligence

Clinical biomechanics

Big data

Résumé

En santé, les outils technologiques modernes (e.g., smartphones, montres connectées, applications, etc.) sont sources d'une énorme quantité d'informations. En effet, avec l'émergence de la e-santé, les données massives soulèvent des défis techniques concernant leur stockage et leurs possibilités d'exploitation. Le recueil, le croisement et l'analyse des données massives (ou Big Data) sont, depuis quelques années, décrits comme des enjeux majeurs en sciences de la santé. Face à l'explosion de l'utilisation du numérique dans la prise en charge des patients, les big data proposent une réponse à l'exploitation de ces données non structurées ou au contraire multi-structurées. Les big data vont alors avoir comme rôle de recueillir et de gérer des bases de données afin de favoriser leur stockage et leur accès. Cette exploitation des données représente un réel intérêt dans l'analyse, le traitement mais également la compréhension de la survenue de la pathologie/maladie via le croisement des données de santé (issues la plupart du temps de sources hétérogènes) : identification de facteurs, aide au diagnostic ou à la décision dans le choix du suivi adapté et longitudinal du patient, analyses multiparamétriques corrélant les données cliniques issues de capteurs avec les données en recherche clinique et le milieu médical, etc. Afin d'exploiter ces immenses volumes de données brutes et hétérogènes, nous devons nous tourner vers les nouvelles sciences des données. La valorisation des Big Data passe par la mise en place d'analyses sophistiquées vectorielles et la mise en œuvre d'algorithmes mathématiques. Cette démarche scientifique s'inscrit dans le concept de la médecine 4P, à savoir Prédictive et Préventive (agissant par anticipation et donc avant l'apparition de symptômes et/ou facteurs), Personnalisée et Participative (adaptant les interventions et les traitements aux caractéristiques individuelles).

In health, modern technological tools (e.g., smartphones, connected watches, applications, etc.) are sources of a huge amount of information. Indeed, with the emergence of e-health, massive data raise technical challenges concerning their storage and their possibilities of exploitation. The collection, cross-referencing and analysis of massive data (or Big Data) have, for several years, been described as major challenges in health sciences. Faced with the explosion in the use of digital technology in patient care, big data offers an answer to the exploitation of this unstructured or, on the contrary, multi-structured data. Big data will then have the role of collecting and managing databases in order to promote their storage and access. This exploitation of data represents a real interest in the analysis, the treatment but also the understanding of the occurrence of the pathology/disease via the cross-referencing of health data (most of the time from heterogeneous sources): identification of factors, help diagnosis or decision-making in the choice of appropriate and longitudinal follow-up of the patient, multiparametric analyzes correlating clinical data from sensors with data from clinical research and the medical environment, etc. In order to exploit these huge volumes of raw and heterogeneous data, we must turn to new data sciences. The valuation of Big Data requires the implementation of sophisticated vector analyzes and the implementation of mathematical algorithms. This scientific approach is part of the concept of 4P medicine, namely Predictive and Preventive (acting in anticipation and therefore before the appearance of symptoms and/or factors), Personalized and Participative (adapting interventions and treatments to individual characteristics).