Health2Vec: une architecture d'apprentissage profond à base de Transformer pour la représentation latente des parcours de santé

Health2Vec: a Transformer-based architecture for patient-embedding

• Auteur / Autrice : Meilame Tayebjee
• Direction : Guillaume LecuÉ, Gaël Varoquaux
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : CREST - Centre de recherche en économie et statistique

Mots clés

Mots clés libres

Apprentissage profond

Santé

Représentation

Espace latent

Deep learning

Transformer

Public health

Embedding

Résumé

Le projet Graph4Health cherche à utiliser les données du Système National de Santé pour évaluer quantitativement l'effet causal de l'organisation spatiale de l'offre en service de soins sur la santé des patients, et plus largement proposer une allocation optimale médecins-patients. En son sein, le projet Health2Vec cherche à utiliser des méthodes d'apprentissage profond à l'origine utilisée dans le traitement du langage naturel (BERT, par exemple) pour obtenir des représentations latentes de parcours de santé (après avoir défini clairement ces derniers). Ces représentations permettraient, in fine, d'améliorer l'inférence causale et de pouvoir évaluer l'impact de chocs, notamment sur l'offre de soins, sur la santé des patients.

The Graph4Health project seeks to use data from the National Health System to quantitatively assess the causal effect of the spatial organization of healthcare services on patient health, and more broadly to propose optimal doctor-patient allocation. Within this, the Health2Vec project seeks to use deep learning methods originally used in natural language processing (BERT, for example) to obtain latent representations of healthcare pathways (once these have been clearly defined). These representations would ultimately enable us to improve causal inference and assess the impact of shocks, notably on the supply of care, on patients' health.