Structure et Explicabilité des réseaux de Neurones pour la Santé - Application à la prévention du sepsis

Le sepsis constitue aujourd’hui un défi majeur de santé publique et l’une des principales causes de mortalité hospitalière. Sa détection précoce est essentielle, car chaque heure gagnée dans l’instauration d’un traitement adapté améliore significativement le pronostic vital. Si les modèles d’apprentissage automatique montrent un fort potentiel pour cette tâche, leur opacité freine leur adoption en pratique clinique. Rendre leurs prédictions compréhensibles et fiables est donc un enjeu crucial. Dans cette thèse, nous nous appuyons sur la base de données publique MIMIC-IV, qui contient les informations de plus de 300 000 patients hospitalisés en soins intensifs ou aux urgences, et exploitons 15 variables cliniques temporelles, des données démographiques et les antécédents médicaux encodés via les codes CIM-10.

Nos contributions sont triples. Premièrement, nous explorons l’utilisation d'une architecture de réseaux de neurones associant à chaque prédiction des représentations conceptuelles de haut niveau apprises sans supervision, le cadre des Self-Explaining Neural Networks. Deuxièmement, nous proposons une adaptation d’architectures de détection existantes, en séparant explicitement le traitement des variables cliniques temporelles, afin d’améliorer la fidélité des méthodes d’explicabilité post-hoc. Troisièmement, nous introduisons une contrainte d’apprentissage, initialement développée en imagerie médicale et adaptée au domaine temporel, qui incite le modèle à se concentrer sur les dimensions cliniquement pertinentes des données.

Ces travaux montrent qu’il est possible de concilier performance prédictive et explicabilité, et ouvrent des perspectives pour le déploiement de modèles de détection précoce du sepsis plus explicables et utilisables en pratique hospitalière.