Doctorant F/H Les jumeaux virtuels : une médecine personnalisée pour le futur, notamment dans le domaine cardio-vasculaire

L’objectif est d’identifier de nouveaux prédicteurs de sévérité clinique afin de construire des modèles de prédiction de diagnostic ou stadification, et de traitement pour le suivi personnalisé des patients à haut risque cardiovasculaire.

Nous disposerons de données multi-sources : (i) données cliniques, (ii) données biologiques à haut débit (protéomique, lipidomique et métabolomique), (iii) données nutritionnelles, (iv) données microbiennes, (vi) données d'imagerie et (v) données génomiques. Ces données seront ensuite rendues accessibles pour permettre l'identification de nouvelles méthodes, contraintes dans l'espace raisonnable de la physiologie humaine.

Nous participons à la mise au point d’un outil d’aide à la décision dont la finalité est de guider le traitement préventif des patients à haut risque d'événements cardiovasculaires à l'aide de biomarqueurs cliniques et biologiques à différentes granularités, observés à différents points dans le temps. Différentes cohortes de l’ordre d’une centaine ou quelques centaines de patients seront mises à notre disposition, contenant des données rétro- et pro-spectives.

Les approches actuelles incluent l’apprentissage automatique (Machine Learning) et la modélisation statistique. Dans notre contexte (nombre de patients, variables et nombre de variables recueillies), les 2 approches coexistent souvent sans qu’il soit clair que l’une domine(ra) l’autre.

L’objectif de ce travail est d’effectuer :

• la revue de la littérature concernant le choix des algorithmes et modèles à implémenter, et l’utilisation optimale des données. Aucune approche n’est écartée a priori entre statistique inférentielle fréquentiste ou bayésienne, avec ou sans approche causale, machine learning.
• La prise en main des données pour juger de leur qualité, des distributions, des structures internes sous-jacentes (colinéarité, patterns, clusters, etc)
• guider et développer des modèles prédictifs performants, interprétables et généralisables.

• Effectuer des recherches dans la littérature médicale et scientifique, sur les approches à adopter pour analyser des signaux plus ou moins faibles, tenir compte des données (taille des cohortes, longitudinal, nombre et type de variables...), construire des DAG associés à la recherche
• Dégager des algorithmes ou modèles qui pourraient être intéressants mais nécessitant encore des développements et des tests de robustesse
• Réaliser des analyses supervisées ou non pour comprendre et décrire les forces et les faiblesses des jeux de données en présence
• Mettre en place les premières étapes de modélisations appropriées
• Dégager des méthodes d’automatisation des techniques de modélisation, notamment en cas d’apport de nouvelles données au cours du temps (imitation de l’ajout de données en temps réel)
• Dégager et/ou appliquer des méthodes de validation sur des cycles de vie très courts des systèmes apprenants

Compétences techniques et niveau requis : Bases solides en machine learning ; Bases solides en statistique y compris approche causale ; Codage en Python avec optimisation des programmes

Langues : Français, Anglais

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale