Avec la mise en place d'entrepôts de données cliniques, de plus en plus de données de santé sont disponibles pour la recherche.
Si une partie importante de ces données existe sous forme structurée, une grande partie des informations contenues dans les dossiers patients informatisés est disponible sous la forme de texte libre qui peut être exploité pour de nombreuses tâches.
Dans ce manuscrit, deux tâches sont explorées : la classification multi-étiquette de textes cliniques et la détection de la négation et de l'incertitude.
La première est étudiée en coopération avec le centre hospitalier universitaire de Rennes, propriétaire des textes cliniques que nous exploitons, tandis que, pour la seconde, nous exploitons des textes biomédicaux librement accessibles que nous annotons et diffusons gratuitement.
Afin de résoudre ces tâches, nous proposons différentes approches reposant principalement sur des algorithmes d'apprentissage profond, utilisés en situations d'apprentissage supervisé et non-supervisé.
|
Changement de salle : METIVIER (au lieu de Markov) |
Dr. Vincent CLAVEAU, Chargé de recherche, CNRS, IRISA, Rennes
Co-encadrante :
Dr. Natalia GRABAR, Chargée de recherche, CNRS, STL, Lille
Examinateurs :
Dr. Peggy CELLIER, Maître de conférence, INSA, Rennes
Dr. Claire NÉDELLEC, Directrice de recherche, INRAE, Jouy-en-Josas
Dr. Patrick RUCH, Professeur, HEG/HES-SO, Genève
Dr. Xavier TANNIER, Professeur, Sorbonne Université, Paris
Invité :
Dr. Olivier DAMERON Professeur, Université de Rennes 1, Rennes