Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à l'IA dans le secteur de la santé
- Applications de l'IA dans le soutien à la décision clinique et le diagnostic
- Aperçu des modalités de données de santé : structurées, texte, imagerie, capteurs
- Défis propres au développement de l'IA médicale
Préparation et gestion des données de santé
- Utilisation des DME, des résultats de laboratoire et des données HL7/FHIR
- Pré-traitement des images médicales (DICOM, CT, IRM, radiographie)
- Gestion des données temporelles issues des objets connectés portables ou des moniteurs de réanimation
Techniques d'affinage pour les modèles de santé
- Transfert d'apprentissage et adaptation spécifique au domaine
- Affinage de modèles spécifiques à la tâche pour la classification et la régression
- Affinage avec peu de ressources en cas de données annotées limitées
Prédiction des maladies et prévision des résultats
- Scores de risque et systèmes d'alerte précoce
- Analyse prédictive pour les réadmissions et la réponse au traitement
- Intégration de modèles multimodaux
Éthique, confidentialité et considérations réglementaires
- HIPAA, RGPD et traitement des données des patients
- Atténuation des biais et audits d'équité dans les modèles
- Explicabilité dans la prise de décision clinique
Évaluation et validation des modèles en milieu clinique
- Métriques de performance (AUC, sensibilité, spécificité, F1)
- Techniques de validation pour les jeux de données déséquilibrés et à haut risque
- Pipelines de test simulés versus réels
Déploiement et surveillance dans les environnements de santé
- Intégration des modèles dans les systèmes informatiques hospitaliers
- Intégration et déploiement continus (CI/CD) dans des environnements médicaux réglementés
- Détection de la dérive post-déploiement et apprentissage continu
Synthèse et prochaines étapes
Pré requis
- Une compréhension des principes de l'apprentissage automatique et de l'apprentissage supervisé
- De l'expérience avec des jeux de données de santé tels que les DME, les données d'imagerie ou les notes cliniques
- Des connaissances en Python et en frameworks d'apprentissage automatique (par ex., TensorFlow, PyTorch)
Public cible
- Développeurs d'IA médicale
- Data scientists dans le secteur de la santé
- Professionnels construisant des modèles de diagnostic ou prédictifs pour la santé