Institut multidisciplinaire d'intelligence artificielle

DESCRIPTION

Le concept "Deep Care" est développé dans le but d'établir des synergies entre "Artificial Intelligence" (AI) et "Care" dans le sens de "prendre soin" et "soigner" qui définit une vision intégrative de la santé, allant bien au-delà de la médecine.

L'objectif général de la chaire de concrétiser la promesse faite par l'Organisation mondiale de la santé (OMS) dans la Charte d'Ottawa, qui définit la santé comme « [la capacité] d'un individu ou d'un groupe [à] identifier et réaliser ses aspirations, satisfaire ses besoins, et s'adapter à son environnement ou y faire face ». S'appuyant sur les principes d'une vision prédictive, personnalisée, préventive et participative (4P) de la médecine [Hood L. et al. Science 2004, Zerhouni E. et al. NEJM 2005], la chaire Deep Care chaire que l'IA peut jouer un rôle « profond » dans la vision intégrative des soins de santé.

chaire Deep Care chaire ses efforts sur la forte valeur ajoutée de Grenoble dans le domaine de l'IA appliquée à la santé, avec pour objectif principal d'explorer l'hypothèse d'une autonomisation des systèmes de santé et de soins grâce au développement d'outils et de méthodes issus de l'IA. La chaire Deep Care chaire autour des quatre axes suivants :

• T1, Renforcement des capacités grâce à la collecte intelligente de données, en mettant l'accent sur le défi que représente la collecte d'informations dans des conditions réelles, y compris sur le lieu de travail. Il s'agit aujourd'hui d'un angle mort. La chaire Deep Care chaire de concevoir des approches originales (notamment de nouveaux capteurs miniaturisés) afin de recueillir également des éléments relatifs aux interactions sociales, des données physiologiques, des signaux faibles de risques, des caractéristiques d'utilisation des dispositifs médicaux, etc.
• T2, Empowerment by smart data fusion, consiste à développer des méthodes (combinant des compétences en mathématiques et en informatique) pour exploiter des bases de données multimodales afin de transformer en informations et connaissances de haut niveau les données très hétérogènes et complexes acquises par T1, en les fusionnant avec des bases de données déjà existantes.
• T3, Empowerment by Health Institution Optimization, devrait transformer l'expertise acquise dans T2 en outils d'aide à la décision ciblant à la fois le mode de vie et le mode de travail des individus, et l'organisation des hôpitaux (avec des méthodes allant de la fluidification de la coopération à la formation continue ou à de nouveaux modèles de remboursement des coûts des soins).
• T4, Autonomisation des modèles d'adhésion individuels et collectifs pour le changement.

Les résultats attendus de la chaire Deep Care chaire le développement de modèles et d'outils qui permettront à chacun de mettre en place un projet de santé participatif, fondé sur une véritable autonomisation des systèmes de santé complexes (par exemple, une coopération plus efficace entre les patients et les équipes soignantes, des structures de soins plus adaptées).

La force de la chaire Deep Care chaire dans les réelles possibilités de synergies multidisciplinaires et interdisciplinaires qu'offre l'environnement universitaire et industriel de Grenoble dans les domaines de l'IA et de la santé, ainsi que dans l'expérience et les compétences acquises au fil des ans par le laboratoire TIMC-IMAG. Par ailleurs, 47 chercheurs et entreprises industrielles constituent le noyau dur de la chaire Deep Care.

ACTIVITÉS

Depuis sa création en juin 2019, la chaire Deep Care chaire déjà mené d’importantes activités de recherche, notamment des projets d’intérêt multidisciplinaire et interdisciplinaire (PREDIMED, l’un des quatre seuls projets de « data lake » de données de santé autorisés en France par la CNIL, ainsi qu’une recherche systématique de partenariats avec les unités cliniques du Centre hospitalier universitaire de Grenoble Alpes, menée dans le but d’orienter les objectifs de recherche vers des besoins concrets et des modèles innovants), plusieurs projets de recherche ont obtenu des financements ou donné lieu à des partenariats importants entre le monde universitaire et des entreprises industrielles (huit ont déjà été signés et deux autres sont en cours de signature), trois start-ups ont déjà été créées et deux brevets ont été déposés.

chaire

chaire Deep Care chaire déjà organisé ou contribué à l'organisation de huit événements, dont la première université d'hiver sur l'IA et la santé, ce qui a permis de donner une grande visibilité à la chaire 438 étudiants inscrits, dont plus d'une centaine d'étudiants étrangers issus de 31 pays, en plus des étudiants français).
Par ailleurs, les membres de la chaire participé à quatre conférences.
 

LISTE SÉLECTIVE DE PUBLICATIONS 

• C. Cancé, C Lenne, S Artemova et al. Hypergraph based data model for complex health data exploration and its implementation in PREDIMED Clinical Data Warehouse, à paraître dans les actes de MEDINFO2021.

• K. Charrière, PE Madiot, S Artemova et al. ODIASP : clinically contextualized image analysis using the PREDIMED clinical data warehouse, towards a better diagnosis of sarcopenia, à paraître dans les actes de MEDINFO2021.

• S. Artemova et al. COVID-19 geographical maps and Clinical Data Warehouse PREDIMED, à publier dans les actes de MEDINGO 2021.

• J. L. Bosson et al. A program centered on smart electrically assisted bicycle outings for rehabilitation after breast cancer : a pilot study", à paraître dans Medical Engineering & Physics, (2022)

• J. L. Bosson et U. von Schenck, Utilisation des données pour améliorer la qualité et la sécurité des soins en prévenant les événements indésirables, symposium Les systèmes d'information apprenants pour une aide à la décision de confiance en santé, Rennes, 30/11/21

• M. Cuggia et A. Moreau-Gaudry, Les systèmes d'information apprenants, un défi pour nos établissements de santé, colloque Les systèmes d'information apprenants pour une aide à la décision de confiance, Rennes, 30/11/21

• Struber, L., Ledouit, S., Daniel, O., Barraud, P-A. et Nougier, V. (2021). Fiabilité de l'analyse de la course humaine à l'aide de capteurs inertiels et magnétiques à faible coût. Sensors. 21, 13, 15299-15307

• M. Calka, P. Perrier, J. Ohayon, C. Grivot-Boichond, M. Rochette, Y. Payan, Machine-Learning based model order reduction of a biomechanical model of the human tongue, Computer Methods and Programs in Biomedicine, https://doi.org/10.1016/j.cmpb.2020.105786, (2021)

• Petit P, Bosson-Rieutort D, Maugard C, Gondard E, Ozenfant D, Joubert N, François O, Bonneterre V. Le projet TRACTOR : TRACking and MoniToring Occupational Risks in Agriculture Using French Insurance Health Data (MSA). Ann Work Expo Health. 2021 Sep 25:wxab083. 

• F. Ghayem, B. Rivet, R. Cabral Farias et C. Jutten, "Gradient-based algorithm with spatial regularization for optimal sensor placement," in Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Processing (ICASSP), Barcelone, Espagne, mai 2020, pp. 5655-5659.

• S. Noorzadeh, B. Rivet et C. Jutten, "3D interface for P300-speller BCI", IEEE Transactions on Human-Machine Systems, 2020, 

• C. Dopierala et al, "A new gastric impedancemeter for detecting the development of a visceral edema : a proof-of-concept study on an experimental endotoxemic shock," 2020. 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Montréal, QC, Canada, 2020, pp. 4433-4436.

• F. Ghayem, B. Rivet, R. Cabral Farias, et C. Jutten, "Optimal sensor placement for signal extraction," in Proc. IEEE Int. Conf. Acoustics, Speech, and Signal Processing (ICASSP), Brighton, Royaume-Uni, mai 2019, pp. 4978-4982.

• Pagonis D, Januel JM, Schieborr U, Mogenet A. Co-présentation (TIMC/Elsevier). Développement d'un modèle de "deep learning" pour évaluer la sécurité des patients. Symposium IA, big data et aide à la décision en santé : de la théorie aux preuves, scientifiques et terrain. 03 décembre 2019, Institut Curie, Paris.

• Achard P, Maugard C, Cancé C, Spinosi J, Ozenfant D, Maître A, Bosson-Rieutort D, Bonneterre V. Medico-administrative data combined with agricultural practices data to retrospectively estimate pesticide use by agricultural workers. J Expo Sci Environ Epidemiol. 2020 Jul;30(4):743-755. doi : 10.1038/s41370-019-0166-x. Epub 2019 Sep 4. PMID : 31484997.

• Cindy Dopierala, Pierre-Yves Guméry, Mohamed-Ridha Frikha, Jean-Jacques Thiébault, Philippe Cinquin, François Boucher. Stéthoscope gastrique implantable numérique pour la détection des signes précoces de décompensation cardiaque aiguë chez les patients atteints d'insuffisance cardiaque chronique. Medinfo 2019, actes électroniques.

• C. Dopierala et al, "A novel bimodal stethoscope for gastric collection of heart sounds : preliminary results," 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Allemagne, 2019, pp. 4926-4929, doi : 10.1109/EMBC.2019.8857315.

• Christophe Cancé, Pierre-Ephrem Madiot, Christian Lenne, Svetlana Artemova, Brigitte Cohard, Marjolaine Bodin, Alban Caporossi, Jean-François Blatier, Jerôme Fauconnier, Frédérique Olive, Daniel Pagonis, Dominique Le Magny, Jean-Luc Bosson, Katia Charriere, Ivan Paturel, Bruno Lavaire, Gabriel Schummer, Joseph Eterno, Jean-Noël Ravey, Ivan Bricault, Gilbert Ferretti, Sébastien Chanoine, Pierrick Bedouch, Emmanuel Barbier, Julien Thevenon, Pascal Mossuz, Alexandre Moreau-Gaudry, " Cohort Creation and Visualization Using Graph Model in the PREDIMED Health Data Warehouse". Medinfo 2019, Études sur les technologies et l'informatique de santé.