Projet de Recherche Doctorale (PRD)

L’évolution des technologies de santé connectée, de l’Internet des Objets Médicaux (Internet of Medical Things) et de l’intelligence artificielle transforme profondément les systèmes de soins. Les dispositifs médicaux connectés, les capteurs portables, les dossiers médicaux électroniques et les applications de télésurveillance produisent un volume considérable de données hétérogènes décrivant, en temps quasi réel, l’état physiologique des patients [4]. 

Dans ce contexte, le concept de Digital Twin (Jumeau Numérique) apparaît comme une approche prometteuse pour représenter de manière dynamique un patient ou un processus clinique. Un jumeau numérique constitue une représentation virtuelle évolutive, alimentée en continu par les données issues du monde réel. Couplé à des techniques d’intelligence artificielle, il peut contribuer à la surveillance personnalisée des patients, à la détection précoce d’anomalies, à la prédiction des risques médicaux et à l’aide à la décision clinique [1-3]. 

Malgré les avancées récentes, plusieurs verrous scientifiques demeurent ouverts. La synchronisation en temps réel entre le patient physique et son jumeau numérique, l’intégration de données multimodales, l’adaptation continue des modèles d’apprentissage, l’explicabilité des décisions produites par l’intelligence artificielle ainsi que la protection des données médicales représentent autant de défis majeurs [1,5]. 

Ces défis soulignent la nécessité de développer des Digital Twins médicaux adaptatifs, capables d’intégrer en continu des données hétérogènes, d’assurer une surveillance personnalisée et une prédiction fiable des risques médicaux, tout en garantissant l’explicabilité des modèles d’intelligence artificielle et la confidentialité des données [5,6]. 

La problématique de cette thèse porte sur la conception d’un Digital Twin médical adaptatif capable d’intégrer en continu des données multimodales afin d’assurer une surveillance personnalisée et une prédiction fiable des risques médicaux, tout en garantissant l’explicabilité des modèles d’intelligence artificielle et la confidentialité des données médicales.

L’objectif principal de cette thèse est de développer une architecture intelligente de Digital Twin médical reposant sur l’intégration des données issues de l’IoMT, des techniques avancées d’intelligence artificielle et des mécanismes de sécurité, afin d’assurer une surveillance personnalisée et une aide à la décision en temps réel. 

Les principaux objectifs scientifiques sont les suivants : 

• Proposer un modèle générique de Digital Twin médical adaptatif  

• Concevoir une architecture d’acquisition, d’intégration et de fusion des données issues de l’IoMT  

• Concevoir des modèles d’apprentissage automatique pour la prédiction précoce des risques médicaux  

• Développer des mécanismes d’apprentissage continu permettant l’adaptation dynamique du jumeau numérique à l’évolution de l’état du patient  

• Intégrer des approches d’intelligence artificielle explicable afin d’améliorer l’interprétation et la confiance dans les prédictions  

• Proposer des mécanismes garantissant la confidentialité, la sécurité et l’intégrité des données médicales. 

Les principales contributions scientifiques attendues de cette thèse sont : 

• La conception d’une architecture générique de Digital Twin médical adaptatif dédiée à la surveillance personnalisée des patients 

• Le développement d’une méthode de synchronisation en temps réel entre le patient physique et son jumeau numérique fondée sur les flux de données IoMT 

• La conception d’un modèle de fusion de données multimodales associé à un mécanisme d’apprentissage continu pour la mise à jour dynamique du jumeau numérique 

• La proposition d’un cadre intégrant des approches d’intelligence artificielle explicable et des mécanismes de protection de la confidentialité des données médicales 

• La validation expérimentale de l’architecture proposée à l’aide de jeux de données médicaux publics et, si possible, de données issues de partenaires cliniques. 

Le sujet se situe à l’intersection de l’intelligence artificielle appliquée à la santé, des systèmes connectés médicaux (IoMT), de la science des données et des architectures intelligentes. Une capacité d’apprentissage et une motivation pour les approches interdisciplinaires seront particulièrement appréciées. 

• Solides bases en intelligence artificielle et en apprentissage automatique 

• Connaissances en systèmes de santé connectés 

• Programmation et développement logiciel (Python) 

• Connaissances en traitement des données médicales et en intelligence artificielle de confiance  

• Anglais scientifique  

Master 2 recherche ou diplôme d’ingénieur (bac+5) en informatique obtenu au plus tard à la date de démarrage de la thèse. Les candidatures ne présentant ni diplôme de master ni diplôme d’ingénieur ne peuvent pas être retenues.  

Nour EL MADHOUN (Isep) : nour.el-madhoun @ isep.fr  

Simon Pierre DEMBELE (Isep) : simon-pierre.dembele @ isep.fr  

Saoussen Cheikhrouhou (Université de Sfax) : saoussen.cheikhrouhou @ fsegs.usf.tn 

Slim KALLEL (Université de Sfax) : slim.kallel @ fsegs.usf.tn  

Le dossier de candidature comprend : 

• un curriculum vitae détaillé ; 

• une lettre de motivation précisant l’intérêt du candidat pour le sujet ; 

• les relevés de notes du master ou des deux dernières années du cycle ingénieur ; 

• les coordonnées de deux personnes pouvant être contactées comme référents. 

Merci d’adresser le dossier par courriel avec l’objet « Digital Twin médical adaptatif ». Les candidatures sont examinées au fil de l’eau jusqu’à pourvoi du poste.