Extraction de la chronologie et raisonnement temporel pour le diagnostic clinique en contextes d'urgence et de cardiologie

Time Line Extraction and Temporal Reasoning for Clinical Diagnosis in Emergency andCardiology Settings

• Auteur / Autrice : Zhengjian Li
• Direction : Claire Gardent, Adrien Coulet, Nicolas Girerd
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2026
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
• Partenaire(s) de recherche : Equipe de recherche : SYNALP

Mots clés

Mots clés libres

Grands modèles de langage

Raisonnement temporel;

Extraction d'informations

Aide au diagnostic

Large Language Models

Temporal Reasoning

Information Extraction

Diagnosis Support

Résumé

L'objectif de cette thèse est de concevoir, analyser et évaluer des méthodes fondées sur les grands modèles de langage (LLM) multimodaux pour reconstruire et exploiter les trajectoires de patients à partir des dossiers patients informatisés (DPI) français, avec une première application à la dyspnée aiguë et à l'insuffisance cardiaque aiguë. À terme, ces trajectoires sont destinées à alimenter des outils de prédiction en ligne et d'aide à la décision susceptibles d'améliorer la prise en charge des patients et d'optimiser l'utilisation et le moment de réalisation des examens diagnostiques dans les contextes d'urgence et de cardiologie. Les comptes rendus cliniques du CHRU de Nancy (par exemple, la cohorte PARADISE) contiennent des informations riches mais hétérogènes sur les symptômes, les traitements, les comorbidités et l'évolution clinique. Ces données sont complétées par des mesures horodatées structurées (constantes vitales, examens biologiques, imagerie, diagnostics). Si des travaux antérieurs ont démontré la faisabilité de l'extraction de concepts à l'aide de dictionnaires fondés sur des ontologies et de modèles de type transformer, deux défis majeurs restent largement ouverts : 1. Reconstruction temporelle : positionner les événements cliniques sur une chronologie cohérente du patient, malgré les horodatages manquants, les expressions temporelles relatives (« il y a un mois », « depuis hier ») et l'hétérogénéité des pratiques de documentation entre les services (urgences, cardiologie, services d'hospitalisation). 2. Aide à la décision cliniquement pertinente : évaluer dans quelle mesure ces chronologies peuvent soutenir le raisonnement clinique, par exemple le diagnostic différentiel de la dyspnée aiguë, la stratification du risque dans l'insuffisance cardiaque aiguë (ICA), ou l'anticipation de la décompensation. La thèse explorera trois axes principaux : 1. Extraction d'information (EI) temporelle et construction de la chronologie Étendre les pipelines existants d'extraction de concepts (ontologie + modèles de type BERT) par une extraction d'entités et de relations temporelles fondée sur les LLM, en s'appuyant sur les travaux antérieurs en EI temporelle sur le texte clinique français. Combiner les données structurées (valeurs biologiques horodatées, admissions, transferts) et le texte non structuré (anamnèse, notes d'évolution) pour inférer un graphe temporel conjoint des événements. 2. Évaluation du raisonnement temporel et de la robustesse des LLM Construire des sous-ensembles de référence (gold standard) avec des chronologies annotées par des experts pour un échantillon représentatif de patients. Comparer systématiquement différentes approches : méthodes à base de règles, fondées sur des ontologies, modèles d'apprentissage automatique, par rapport aux méthodes fondées sur les LLM et aux méthodes hybrides, en utilisant des métriques standard d'EI temporelle et les performances en aval sur des tâches fondées sur les trajectoires. Étudier comment les capacités de raisonnement des LLM et les connaissances médicales qu'ils encodent (par exemple, des contraintes telles que « une complication post-opératoire survient après l'intervention chirurgicale ») peuvent aider à désambiguïser l'ordonnancement des événements lorsque les horodatages directs sont manquants ou peu fiables. Étudier la robustesse selon les auteurs (internes vs seniors), les services (urgences vs cardiologie), les périodes temporelles, et potentiellement entre sites (Nancy vs Metz), afin de comprendre les problèmes de généralisation et les besoins en adaptation de domaine. 3. Cas d'usage cliniques et prototypes d'aide à la décision Co-concevoir avec des cardiologues et des médecins urgentistes un ou deux cas d'usage concrets où les chronologies de patients peuvent soutenir la prise de décision, tels que : 1) la synthèse de l'histoire du patient et des événements récents pour une revue clinique rapide, 2) l'amélioration du diagnostic différentiel de la dyspnée aiguë, 3) l'alimentation de modèles pronostiques pour l'ICA. Implémenter et évaluer des outils de validation de concept (par exemple, visualisation de trajectoires, synthèse fondée sur la chronologie, variables prédictives intégrant la trajectoire) sur des cohortes rétrospectives, en collaboration étroite avec les cliniciens du CHRU. Documenter les aspects éthiques, juridiques et d'utilisabilité (explicabilité, biais, intégration dans le flux de travail clinique).

The goal of this PhD is to design, analyse and evaluate methods based on multimodal large language models (LLMs) to reconstruct and exploit patient trajectories from French electronic health records (EHR), with a first application to acute dyspnea and acute heart failure.Ultimately, these trajectories are intended to feed online prediction and decision-support tools that can improve patient management and optimise the use and timing of diagnostic examinations in emergency and cardiology settings. Clinical narratives at Nancy CHRU (e.g., PARADISE cohort) contain rich but heterogeneous information about symptoms, treatments, comorbidities, and clinical evolution. These data are complemented by structured time-stamped measurements (vital signs, laboratory tests, imaging, diagnoses). While previous work has demonstrated the feasibility of concept extraction using ontology-based dictionaries and transformer models, two key challenges remain largely open: 1. Temporal reconstruction: placing clinical events on a coherent patient timeline, despite missing timestamps, relative temporal expressions (“one month ago”, “since yesterday”) and heterogeneous documentation practices between services (emergency, cardiology, hospital wards). 2. Clinically meaningful decision support: assessing how such timelines can support clinical reasoning, e.g., differential diagnosis of acute dyspnea, risk stratification in AHF, or anticipation of decompensation. The PhD will explore three main axes: 1. Temporal information extraction (IE) and timeline construction Extend existing concept extraction pipelines (ontology + BERT-like models) with LLM-based temporal entity and relation extraction, building on previous work in temporal IE on French clinical text Combine structured data (time-stamped lab values, admissions, transfers) and unstructured text (anamnesis, evolution notes) to infer a joint temporal graph of events. 2. Evaluation of LLM temporal reasoning and robustness - Construct gold-standard subsets with expert-annotated timelines for a representative sample of patients. - Systematically compare different approaches: rule-based, ontology-based, machine learning models vs. LLM-based and hybrid methods, using standard temporal IE metrics and downstream performance on trajectory-based tasks. Investigate how LLMs' reasoning capabilities and encoded medical knowledge (e.g., constraints such as “post-operative complication occurs after surgery”) can help disambiguate event ordering when direct timestamps are missing or unreliable - Study robustness across authors (interns vs seniors), services (emergency vs cardiology), time periods, and potentially across sites (Nancy vs Metz), to understand generalisation issues and domain adaptation needs. 3. Clinical use-cases and decision support prototypes - Co-design with cardiologists and emergency physicians one or two concrete use-cases where patient timelines may support decision making, such as: 1) summarising patient history and recent events for rapid clinical review, 2) improving differential diagnosis of acute dyspnea, 3) informing prognostic models for AHF. - Implement and evaluate proof-of-concept tools (e.g. trajectory visualisation, timeline-based summary, trajectory-aware prediction features) on retrospective cohorts, in close collaboration with CHRU clinicians. - Document ethical, legal and usability aspects (explainability, bias, integration in clinical workflow).