Étudiant.e.s

L'un des principaux défis du diagnostic de la maladie d'Alzheimer réside dans sa progression à travers deux décennies silencieuses. Le manque de symptômes chez les patients pendant cette période entrave manifestement leurs chances de suspecter la maladie ou de simplement obtenir une imagerie cérébrale préventive. De plus, les premiers signes endogènes et les symptômes perceptibles coïncident souvent avec le vieillissement des individus sans aucun diagnostic de maladie neurologique. Malgré ces défis diagnostiques, les efforts de recherche fondamentales et cliniques ont fourni une multitude d'informations disparates sur la physiopathologie en retraçant les événements qui se déroulent par rapport aux composants à petites et grandes échelles. Pour saisir la nature multifactorielle de la maladie d'Alzheimer face à ce vaste délai de diagnostic, il devient inextricable d'essayer de tenir compte de l'abondance de facteurs candidats causaux pour la maladie d'Alzheimer en utilisant des techniques statistiques analytiques standard.
Au lieu de retracer les signes et symptômes de la maladie d'Alzheimer, notre objectif est de simuler le vieillissement normal en avançant dans le temps, dans l'espoir de détecter des signes précoces plus précis de la maladie d'Alzheimer au fur et à mesure qu'ils apparaissent, et qu'ils divergent ensuite des anomalies généralement associées au vieillissement. Par conséquent, nous proposons de restructurer les connaissances sur la maladie d'Alzheimer en plusieurs niveaux d'abstraction ou d'échelles. En utilisant des techniques de modélisation mathématique, nous représenterons la maladie d'Alzheimer de manière plus complète, en nous basant du processus de vieillissement normal chez les individus de 18 à 100 ans.
Nous allons effectuer une recherche exhaustive dans la littérature pour déterminer les valeurs paramétriques nécessaires à notre système d'équations différentielles, conçu pour simuler le vieillissement normal. Nous adopterons une approche Agile pour classer les éléments qui jouent un rôle dans le vieillissement, à différentes échelles , telles que 1) à l'échelle nanométrique avec des composés tels que le glucose et l'insuline, et des protéines telles que l'amyloïde et la tau ; 2) à l'échelle microscopique en fonction des populations neuronales et gliales ainsi que de l'endothélium vasculaire ; 3) en les réunissant pour simuler et prédire la trajectoire des biomarqueurs à l'échelle méso-scopique (par exemple, l'intégrité neuronale via l'épaisseur corticale, l'intégrité métabolique via la FDG-PET). Le modèle utilisera ensuite ces valeurs paramétriques estimées, qui seront validées à l'aide de données humaines, afin d'orienter son développement en suivant la trajectoire du vieillissement humain au fil du temps.
La hiérarchie multi-échelle des maladies neurologiques, composée d'un interactome incroyablement complexe, nous incite de manière alarmante à disséquer plus minutieusement les entités les plus influentes, tout en tenant compte de leur interconnexion au cours du vieillissement. Ce cadre peut servir de point de départ pour une détection plus précoce de la neurodégénérescence liée à la maladie d'Alzheimer et faciliter éventuellement l'identification de voies plus spécifiques à la maladie d'Alzheimer pour de futures interventions pharmacologiques.
 

Considérant l'importance que l'on attribue aux résultats des outils provenant de l'intelligence artificielle dans les domaines de la médecine, la capacité de comprendre ce qui permet à un réseau de neurones d'obtenir ses résultats est un atout majeur lorsqu'il faut décider si la prédiction est fiable ou non. 
Afin d'arriver à cet objectif, le projet a passé au travers de deux phases : l'évaluation du modèle et l'interprétation du modèle. Dans cette première phase a permis l'implémentation de méthodes généralisées pour évaluer la qualité de différents modèles en fonction de métriques communes préétablie. Une fois la qualité du modèle vérifié, le projet entre dans la deuxième phase où il était question d'implémenter des méthodes pour interpréter les prédictions du modèle afin de mieux comprendre ce qui permettait au modèle d'arriver à ses résultats.
Une troisième et dernière phase consistait en l'analyse des résultats d'interprétation obtenue et la présentation de ces derniers aux collègues travaillant sur le même réseau de neurones afin d'accroître la compréhension de ce dernier.
 

Les ensembles de données de santé synthétiques sont utiles pour soutenir le développement de techniques d'analyse de données et d'apprentissage automatique dans le domaine de la santé, en offrant un accès à des données représentatives pour expérimenter et générer des modèles, tout en atténuant les problèmes associés au traitement de données hautement sensibles liées à des sujets humains. Cependant, la performance et l'utilité des méthodes d'analyse de données et d'apprentissage automatique appliquées dépendent de la qualité de ces ensembles de données synthétiques et de leur représentativité du phénomène à modéliser.

L'objectif du projet est de développer des méthodes d'apprentissage automatique pour générer des ensembles de données synthétiques sur les soins de santé qui préservent la distribution et la temporalité des ensembles de données administratives réelles de soins de santé tout en garantissant que la confidentialité des informations sensibles sur les personnes trouvées dans l'ensemble de données réel est préservée. Cela signifie qu'il faut avoir certaines garanties que la capacité d'identifier des personnes réelles à partir de l'ensemble de données original est impossible ou très improbable, et que les attributs des enregistrements réels (par exemple, historique des soins de santé d’individus) ne peuvent pas être déduits de l'ensemble de données synthétiques.

En fonction des garanties que nous pouvons obtenir pour assurer la confidentialité des données médicales ouvertes réelles utilisées pour générer les ensembles de données synthétiques, il serait envisagé de produire des versions synthétiques d’ensembles de données de la RAMQ, et même de les divulguer plus ouvertement à des fins de recherche et d'analyse si cela est jugé acceptable.

La tomodensitométrie (TDM) à double énergie a le potentiel de mieux caractériser les matériaux. Cette modalité permet d’obtenir des données plus justes sur la nature des tissus présents dans l'anatomie humaine. La présence d'éléments de haute densité (par exemple la région de l'épaule, la fosse postérieure, les inserts métalliques, etc.) dans le sujet scanné entraîne une détérioration de la qualité de l'image CT (par exemple des artéfacts de durcissement du faisceau). La nature polychromatique du faisceau de rayons X utilisé dans les scanners CT est à l'origine de certains de ces artéfacts.

Dans ce travail, nous proposons un modèle de projection polychromatique riche en physique qui utilise les informations du spectre, la réponse du détecteur, la géométrie du filtre et une courbe de calibration. Ce modèle est intégré dans un algorithme de reconstruction itératif et réduit intrinsèquement les artéfacts de durcissement du faisceau. Avec les acquisitions à double énergie, il est possible de reconstruire des images quantitatives, avec des informations sur le numéro atomique effectif et la densité électronique. En outre, diverses techniques de reconstruction sont explorées, de sorte que des images de haute qualité peuvent être obtenues avec moins d'artéfacts, améliorant ainsi la caractérisation et l'identification des éléments dans l'image.

Introduction: Les troubles chromosomiques tels que la trisomie 21 (plus courante), 18 et 13 sont sources d’inquiétudes pour les parents, en ce qui concerne la santé du fœtus, l'accouchement / fausse couche ; auxquelles peuvent s’ajouter des inquiétudes sur des questions financières. Ces troubles augmentent avec l’âge de la mère (1,2). Le dépistage prénatal sert à évaluer la probabilité d'avoir un fœtus avec de telle(s) anomalie(s) et au besoin des tests diagnostiques supplémentaires. Des études antérieures ont montré que les femmes enceintes recherchent activement des informations leur permettant de prendre des décisions éclairées concernant les tests de dépistages : quelles sont les options qui existent ? Sont-elles assez préparées pour faire un choix ? Disposent-elles de toutes les informations nécessaires ? Comment tenir compte de leurs propres valeurs et préférences ? (3).

Des outils d’aide à la décision efficaces existent pour aider les personnes qui font face à des décisions difficiles à faire des choix éclairés (4). Toutefois, les informations probantes contenus dans ces outils n’ont pas été évalués sur la base du poids relatif auxquels ils contribuent dans la décision à prendre. De plus, on ignore les intentions qu’ont les femmes enceintes et leurs partenaires de recourir à un tel outil dans un format numérique (5). 

Objectif : Notre étude a pour objectif principal d’évaluer l’intention des femmes enceintes et/ou de leurs partenaires à utiliser un outil d'aide à la décision basé sur une application mobile et portant sur le dépistage prénatal. Plus spécifiquement, il s’agira : d’identifier les facteurs potentiels qui peuvent influencer la prise de décision ; d’évaluer le poids relatif aux informations contenues dans l’outil attribué par les femmes enceintes et/ou leurs partenaires ; et évaluer leur intention d’y recourir.  

Méthodes :  

Conception d’étude : il s’agit d’une étude transversale descriptive qui représente la phase 1 d’un projet dénommé APP4WE (Analytical mobile application to support shared decision making for pregnant women) de la Chaire de recherche du Canada en décision partagée et application des connaissances (6). Ce projet a le but de permettre aux femmes enceintes et à leurs partenaires d’obtenir le soutien nécessaire afin de prendre des décisions éclairées en matière de dépistage prénatal et comprends plusieurs phases.

Participants et taille d’échantillon :  pour la phase 1, nous proposons de recruter un échantillon indépendant de 90 femmes enceintes et de leurs partenaires dans trois sites cliniques (une maison de naissance dirigée par une sage-femme, une clinique de médecine familiale et une clinique hospitalière dirigée par un obstétricien) à Québec et à Montréal, au Canada. Le recrutement des femmes enceintes et de leurs partenaires sera fait de sorte à refléter les proportions respectives de communautés socio-économiques, ethniques et linguistiques. Pour être éligibles pour l’étude, les femmes enceintes doivent être âgées d'au moins 18 ans, être enceintes de plus de 20 semaines, avoir une grossesse à faible risque, ne pas avoir accoucher à proximité des dates de collecte des données, pouvoir parler et écrire le français ou l'anglais et être en mesure de donner un consentement éclairé. Les partenaires des femmes enceintes seront aussi invités à donner leurs consentements éclairés.

Issue mesurée : Le principal résultat attendu de cette étude est la mesure de l’intention des femmes enceintes et/ou de leurs partenaires à utiliser une application mobile pour la prise de décision en dépistage prénatal. Pour évaluer ce résultat, le questionnaire Développement professionnel continu - Réaction (DPC-Réaction) a été utilisé. Cet outil est un questionnaire validé en 12 points qui évalue l'impact des activités de développement professionnel continu sur les intentions comportementales cliniques des professionnels de la santé. Nous déterminerons aussi les facteurs (sociodémographiques et autres) potentiellement associés à l’intention.

Analyse statistique : Nous effectuerons d’abord des statistiques descriptives pour déterminer les caractéristiques de notre population d’étude et la distribution de l’intention. Par la suite, un modèle mixte linéaire sera utilisé pour déterminer les facteurs potentiels qui influencent l’intention des femmes enceintes et/ou leurs partenaires à utiliser une application mobile pour la prise de décision en dépistage prénatal. Nous spécifierons des effets aléatoires au niveau de la pratique (cluster), ce qui nous permettra de répondre à notre question de recherche tout en tenant compte de la structure hiérarchique de l'étude.

Références 

1. Ohman SG, Grunewald C, Waldenström U. Women's worries during pregnancy: testing the Cambridge Worry Scale on 200 Swedish women. Scand J Caring Sci. 2003 Jun;17(2):148-52. doi: 10.1046/j.1471-6712.2003.00095.x. PMID: 12753515. 

2. Practice Bulletin No. 163: Screening for Fetal Aneuploidy. Obstet Gynecol. 2016 May;127(5): e123-e137. doi: 10.1097/AOG.0000000000001406. PMID: 26938574. 

3. Légaré F, St-Jacques S, Gagnon S, Njoya M, Brisson M, Frémont P, Rousseau F. Prenatal screening for Down syndrome: a survey of willing in women and family physicians to engage in shared decision-making. Prenat Diagn. 2011 Avr;31(4):319-26. doi: 10.1002/.2624. EPUB 2011 Jan 26. PMID : 21268046.

4. Agbadje TT, Pilon C, Bérubé P, Forest JC, Rousseau F, Rahimi SA, Giguère Y, Légaré F. User Experience of a Computer-Based Decision Aid for Prenatal Trisomy Screening: Mixed Methods Explanatory Study. JMIR Pediatr Parent. 6 septembre 2022;5(3):e35381. doi : 10.2196/35381. PMID : 35896164; Numéro PMCID : PMC9490528.

5. Delanoë A, Lépine J, Turcotte S, Leiva Portocarrero ME, Robitaille H, Giguère AM, Wilson BJ, Witteman HO, Lévesque I, Guillaumie L, Légaré F. Rôle des facteurs psychosociaux et de la littératie en santé dans l’intention des femmes enceintes d’utiliser un outil d’aide à la décision pour le dépistage du syndrome de Down : un sondage en ligne fondé sur la théorie. 2016 Oct 28;18(10):e283. doi : 10.2196/jmir.6362. PMID : 27793792; PMCID : PMC5106559.

6. Abbasgholizadeh Rahimi S, Lépine J, Croteau J, Robitaille H, Giguere AM, Wilson BJ, Rousseau F, Lévesque I, Légaré F. Facteurs psychosociaux de l’intention des professionnels de la santé d’utiliser un outil d’aide à la décision pour le dépistage du syndrome de Down : étude quantitative transversale. 2018 Apr 25;20(4):e114. doi : 10.2196/jmir.9036. PMID : 29695369; PMCID : PMC5943629.
 

Le projet de Mariame Gnéré Coulibaly porte sur le développement d’un outil de prédiction des bactéries hôtes des phages par apprentissage automatique (AA). Le premier objectif consiste à développer un outil d’AA pour identifier les paires bactérie-phage à partir des séquences d’espaceurs CRISPR (courtes répétitions palindromiques groupées et régulièrement espacées) retrouvées dans les génomes bactériens, qui sont des fragments de génomes de phages ayant infecté la bactérie. Le deuxième objectif est de développer un outil d'AA pour identifier les paires bactérie-phage à partir des informations sur la séquence et la méthylation (c'est-à-dire l'ajout de groupes méthyles aux nucléotides). Pour les deux premiers objectifs, des algorithmes tels que les réseaux de neurones avec mécanismes d'attention, et des prédicteurs de similarité basés sur des ‘string kernels’, seront développés et testés.

Le troisième objectif est de développer un algorithme multi-vues combinant les deux objectifs précédents, avec une vue pour les informations CRISPR et une seconde vue pour les motifs de méthylation.

Les outils développés auront un fort impact sur la communauté de recherche en microbiologie et en virologie, en étant capables d’identifier de nouvelles paires bactérie-phage à partir d'échantillons de microbiote.

Le projet de Fadwa Mehdaoui porte sur l’analyse des interactions entre les bactéries et leurs virus, les phages, dans le microbiote à partir de données de métagénomique couplées à des méthodes de bioinformatique et d’apprentissage automatique.

Les données de métagénomique proviennent du projet Sentinelle Nord 3.6 (axe Interactions environnement-santé dans le Nord) ayant échantillonné le microbiote intestinal de jeunes Inuit du Nunavik. Suite à l’identification des bactéries et des phages dans les données de séquençage, son travail consiste à effectuer une analyse exploratoire statistique des interactions entre bactéries et phages, puis une analyse par apprentissage automatique reposant sur des algorithmes interprétables tels que le set covering machine ou les forêts aléatoires. Il est également envisagé de développer un nouveau modèle d’apprentissage automatique pour la prédiction des bactéries hôtes des phages à partir de ces données.

Ce projet pourrait avoir d’importantes retombées pour la compréhension des interactions entre bactéries et phages qui sont très peu connues, mais aussi pour les connaissances sur le microbiote intestinal des Inuits en lien avec leur diète unique.

Alors que certaines études font état des effets positifs du développement professionnel continu (DPC) sur les comportements cliniques, peu de travaux abordent la pérennité de ces effets ainsi que des types d'approches qui pourraient améliorer cette pérennité.

Notre objectif était de comparer la pérennité de l’intention des professionnels de la santé d’avoir des conversations avec les patients dans les cas de maladies graves, après une formation selon une approche interprofessionnelle ou une approche individuelle. Nous avons effectué un essai clinique randomisé en grappes avec des mesures immédiatement (T1), à 1 an (T2) et à 2 ans (T3) après l'intervention dans des cliniques de soins primaires au Canada et aux États-Unis. Nous en rapportons les résultats selon les lignes directrices CONSERVE (2021). Les cliniques ont été assignées au hasard à une formation en équipe interprofessionnelle (intervention) ou à une formation individuelle (comparateur). Notre principal résultat d’intérêt, l’intention des professionnels de la santé d’avoir des conversations dans les cas de maladie grave, et les variables psychosociales associées (norme sociale, norme morale, croyances sur les conséquences et croyances sur les capacités) ont été mesurées à l’aide du questionnaire DPC-Réaction. Les données ont été collectées à l'aide de questionnaires auto-administrés aux 3 étapes après la formation (T1, T2 et T3). Des analyses statistiques bivariées et multivariées ont été réalisées à l'aide d'un modèle mixte linéaire pour chaque temps d’étude avec un terme d'interaction entre le temps et le bras. Les 373 participants étaient âgés en moyenne de 35 à 44 ans et 79 % étaient des femmes. Sur une échelle de 1 à 7, à T1, l'intention moyenne était de 6,0 (SD 1,12) pour le bras interprofessionnel et de 6,4 (SD 0,7) pour le bras individuel. À T2, elle était de 5,65 (SD 1,39) et 6,04 (SD 0,88) respectivement dans les bras interprofessionnels et individuels. À T3, elle était de 5,5 (SD 1,53) dans le bras interprofessionnel et de 6,3 (SD 0,74) dans le bras individuel. La valeur p de l’interaction entre le bras d’étude et le temps était de 0.05. La différence de moyenne d'intention entre les deux bras d'étude était de 0,02 (IC -0,26 à 0,31), -0,07 (IC -0,49 à 0,34), -0,55 (-1,00 à -0,10) à T1, T2 et T3 respectivement. En conclusion, l'intention des professionnels de la santé d'avoir des conversations dans les cas de maladie grave varie dans le temps en fonction de l'approche de formation. Cette intention était plus faible lors du suivi à 1 et 2 ans après une formation selon une approche interprofessionnelle comparativement à celle selon une approche individuelle.

Nos résultats pourraient contribuer à l’amélioration du développement professionnel continu et de fait, la qualité de l’offre de soins.

Devant la décision de faire ou non le dépistage prénatal des trisomies 21, 18 et 13, il est important que les femmes enceintes et leurs partenaires soient informés et accompagnés par leurs professionnels de la santé. Les impliquer dans la prise de décision partagée (PDP) permettrait de répondre à leurs besoins décisionnels. Aussi, l’utilisation d’un outil d’aide à la décision (OAD) faciliterait la PDP. L’objectif de ce projet est d’évaluer l’effectivité d’une intervention de mise à l’échelle d’un OAD sur le niveau d’implication des femmes enceintes et leurs partenaires dans la PDP pour le dépistage prénatal des trisomies 21, 18 et 13 (issue primaire). Ce projet sera mené dans la province de Québec et utilisera un essai randomisé par grappes et par étapes. Les principaux participants seront des services prénataux, des professionnels de la santé et des femmes enceintes et leurs partenaires. Les principales composantes de l’intervention seront une formation en ligne sur la PDP pour les professionnels de la santé et un OAD en ligne. L’issue primaire sera mesurée avec l’échelle validée SDM-Q-9 remplie par les femmes enceintes et leurs partenaires.

Les résultats de cette étude montreront l’effectivité de nos stratégies de mise à l’échelle d’un OAD pour favoriser l’adoption de la PDP.

Le cancer de la prostate est le deuxième cancer le plus fréquent et la cinquième cause de décès par cancer chez les hommes. Pour améliorer les résultats de santé des patients, le traitement doit être personnalisé en se basant sur un pronostic précis. Il existe déjà des nomogrammes permettant d’identifier les patients à faible risque de récidive sur la base d’informations cliniques préopératoires, mais ces outils n’utilisent pas les images médicales des patients.

L’objectif de ce projet est d’utiliser l’apprentissage profond pour développer un modèle combinant les images FDGPET/ CT et les données cliniques des patients afin d’améliorer le pronostic prétraitement du cancer de la prostate de haut grade. Ce modèle doit être performant, mais aussi interprétable afin de permettre à un expert de comprendre les probabilités données.

L'expérience du cancer et l'incertitude qui l'entoure est anxiogène. Le soutien par les pairs est un moyen de réduire l'incertitude non clinique de cette expérience. Le groupe informatique Opal Santé cherche à évaluer l'efficacité d'un algorithme d'appariement de soutien par les pairs basé sur l'intelligence artificielle (IA) et incorporé dans le portail patient Opal. Ceci dans l'espoir de faciliter les programmes de soutien par les pairs pour les patient.e.s atteints de cancer ainsi que leurs aidants au Québec.

Notre travail s'est concentré sur la conception architecturale, le développement et la démonstration d'une application Web autonome sous forme de preuve de concept utilisée pour démontrer les résultats de différents algorithmes d'appariement alimentés par l'IA sur les données des patient.e.s testés.

Le soutien par les pairs aux patient.e.s atteints de cancer est un outil bénéfique pour les patient.e.s actuels et les patient.e.s passés qui peuvent partager des expériences vécues. Cependant, le soutien par les pairs actuel est inefficace car il est préparé manuellement et repose sur un coordinateur pour jumeler les patient.e.s en fonction de seulement quelques facteurs connus.

Cette étude de recherche examinera les moyens de développer des algorithmes d'appariement alimentés par l'IA qui permettront d'apparier plus efficacement les patient.e.s atteints de cancer en fonction d'un ensemble de facteurs plus large et plus complexe. Dans ce projet de recherche, nous concevons et développons un algorithme d'appariement par IA pour le projet OncoBuddy/OncoConseil et évaluons son efficacité pour garantir que les appariements recommandés se concluront par un soutien par les pairs approprié. Nous comparons deux modèles d'IA existants (c'est-à-dire l'algorithme d'acceptation différée et l'algorithme génétique) et testons les modèles sur des données synthétiques de patient.e.s que nous avons générées avec des inférences statistiques de la base de données Opal existante et de Statistique Canada. Une fonction d'aptitude dérivée de recherches antérieures déterminera l'efficacité des algorithmes d'appariement.

En conclusion, nous avons généré un ensemble de données synthétiques de 1770 patient.e.s à utiliser à des fins de formation et de test, mis en œuvre plusieurs algorithmes d'IA et déployé un prototype de tableau de bord en direct.

Les patient.e.s atteints de cancer vivent beaucoup d'événements pendant leur traitement. Malgré le soutien de la famille et des amis, ceux-ci ne comprennent pas entièrement la réalité des patient.e.s. Le soutien d'autres patient.e.s ayant vécu une expérience similaire pourrait donc être bénéfique pour de nombreux patient.e.s atteints de cancer.
Le groupe informatique Opal Santé développe deux programmes d'accompagnement des patient.e.s atteints de cancer pour le portail patient Opal: OncoBuddy et OncoConseil. OncoBuddy est un système de soutien qui associe des patient.e.s atteints de cancer à des patient.e.s volontaires (nous les appelons "buddies") sur la base d'un algorithme d'appariement qui prend en compte des critères sélectionnés par les patient.e.s eux-mêmes. OncoConseil, quant à lui, met en relation les patient.e.s avec des fils d'informations susceptibles de les intéresser, tels que des trucs et astuces pour vivre une expérience plus fluide pendant le traitement.
Ce projet se concentre sur la recherche de critères de sélection pour la construction de l'algorithme d'appariement. A partir d'entretiens semi-structurés avec des patient.e.s atteints de cancer, nous allons extraire un panel de critères de sélection les plus importants pour les patient.e.s, tels que le type de cancer, l'âge et le sexe du binôme, le stade du cancer, etc.
 

Un portail patients est une technologie de soins de santé émergente qui a montré des effets prometteurs dans l'amélioration de l'expérience de soins des patient.e.s et la promotion de leurs résultats de santé. Opal, un portail numérique centré sur le patient, est actuellement disponible pour les patient.e.s du Centre du cancer des Cèdres du Centre universitaire de santé McGill (CUSM). Opal offre un accès en temps réel à des informations personnelles sur la santé (rendez-vous à venir, notes cliniques, résultats de laboratoire, etc.) en conjonction avec du matériel éducatif spécifique à la maladie et au traitement. Ce projet vise à quantifier l'impact initial du portail patient Opal sur les résultats opérationnels et santé-économiques au Centre du cancer des Cèdres.

Nous mettons à profit les données des patient.e.s du portail patient Opal et du CUSM. La méthode principale consiste à utiliser des scores de propension pour construire une cohorte appariée pour comparer les résultats opérationnels et l'utilisation des ressources entre les utilisateurs d'Opal et les non-utilisateurs. Notre intérêt concerne les résultats incluant les rendez-vous manqués, les visites aux urgences, les hospitalisations, les demandes de dossier médical et les rendez-vous à la clinique de fertilité.

Le risque associé aux effets stochastiques du rayonnement neutronique est connu pour être dépendant de l'énergie. Au cours de la dernière décennie, plusieurs études ont utilisé des simulations de Monte Carlo pour estimer l'efficacité biologique relative (EBR) des neutrons pour divers types de dommages causés à l'ADN afin de comprendre sa dépendance énergétique fondamentale. Cependant, aucune de ces études n'inclus la simulation de la réparation de l'ADN dans leurs protocoles.

Dans ce projet, nous avons étudié les effets de l'ajout de mécanismes de réparation aux estimations de l'EBR par simulation de Monte Carlo des dommages à l'ADN causés par les neutrons. Notre groupe a récemment effectué des simulations d'histoire condensée (HC) pour établir le profil du spectre d'énergie et la contribution relative à la dose des particules secondaires produites par les interactions neutroniques dans les tissus. Dans ce projet, nous utilisons les résultats de nos simulations HC pour simuler l'irradiation du modèle d'ADN de TOPAS-nBio par un spectre plat de neutrons allant de 1 eV à 10 MeV, ainsi que des rayons X de référence de 250 keV. Les dommages induits à l'ADN sont enregistrés à l'aide du format standard de données sur les dommages à l'ADN (SDD) et la réparation de l'ADN est simulée à l'aide du simulateur des mécanismes de réparation de l'ADN ('DNA Mechanistic Repair Simulator', DaMaRiS).

Le délirium est un état qui, lorsqu'il n'est pas pris en charge, est associé à une augmentation de la mortalité et à une hospitalisation plus longue des patient.e.s en soins intensifs; son dépistage devrait donc faire partie intégrante des soins. Il se caractérise par la confusion, l’anxiété et une vigilance réduite. Il est estimé que 75% des cas de délirium ne sont pas détectés à l'admission à l'hôpital. En effet, la détection d'un tel état aigu nécessite un suivi fréquent des participant.e.s, ce qui demande beaucoup de travail et d'expertise. Or, les signes vitaux des participant.e.s, qui peuvent être recueillis en continu tout au long de leur séjour en soins intensifs, pourraient contenir de l’information indicative de l’état de conscience présent, et possiblement prédictive de l’état futur.

Notre objectif est de construire un classificateur automatique par apprentissage machine se basant sur les données des signes vitaux pour (a) identifier les moments où le ou la patient.e. a été délirieux; et (b) prédire l’incipience de délire. Comme mesure primaire, nous utiliserons un outil validé cliniquement, la méthode d'évaluation de la confusion dans les unités de soins intensifs (Confusion Assessment Method for Intensive Care Unit) (CAM-ICU). Cette évaluation a été effectuée deux fois par jour, une fois le matin et une fois l'après-midi, dans notre population sous étude au CISSS de Chaudière-Appalache (Hotel Dieu de Lévis). L'algorithme d'apprentissage sera entraîné sur les signes vitaux des participant.e.s avant, après et pendant les épisodes de délire afin (a) d’extraire les caractéristiques de signes vitaux reliés à un état de délire; (b) la probabilité que le ou la patient.e. soit en délire ou non, basé sur ces caractéristiques; et (c) la probabilité que le ou la patient.e. développe un état de délire dans une fenêtre temporelle raisonnable (e.g. 1 heure).

Même si le modèle d'apprentissage automatique n’atteint pas la justesse et la précision d’un questionnaire validé, son utilisation dans les établissements de santé permettrait d’optimiser les soins, principalement en attirant l’attention sur toute dérive suspecte (haute sensibilité). Considérant que les patient.e.s qui restent avec un délirium sans traitement sont associés à un taux de mortalité plus élevé et à des séjours plus longs aux soins intensifs, un indicateur clinique tel que ce modèle peut aider l'équipe de soins à prendre en charge ce symptôme qui passe autrement inaperçu.
 

La prédiction et l'identification précoce d'accidents vasculaires cérébraux (AVC) sont cruciales afin de prévenir les revisites aux urgences et de débuter le traitement, réduisant ainsi la morbidité et la mortalité.

Ce projet porte sur l'analyse de tomodensitométries (TDM) sans contraste de la tête pour prédire la revisite précoce aux urgences de patient.e.s qui reviennent avec diagnostic d’AVC. Le premier objectif sera de recueillir des TDM open-source ainsi que des TDM du Centre intégré de santé et de services sociaux de Chaudière-Appalaches (CISSS-CA) pour classifier la présence/absence d'AVC à l'aide d'un modèle existant. Le deuxième objectif sera de développer et de tester un modèle d'apprentissage automatique avec des poids du modèle précédent et d'autres données cliniques pertinentes pour classifier les revisites précoces aux urgences.

D'un point de vue clinique, le développement d'un tel outil pourrait aider les neuroradiologues aux urgences à l’interprétation d'images et à la prise de décisions cliniques.

La classification supervisée permet de construire des modèles prédictifs basés sur des données complexes pour aider aux processus de décision. Elle a subi un essor impressionnant ces dernières années, notamment grâce aux réseaux de neurones et à l'utilisation de données massives. Cependant, les méthodes mise au point dans ce cadre ne permettent pas de prendre en considération des bases de données dans lesquelles seules quelques instances sont disponibles pour construire le modèle, et encore moins quand ces instances sont décrites par un grand nombre de caractéristiques. Ce type de problème, appelé en anglais "fat data", en opposition aux "big data", est récurrent dans le domaine de la médecine, où l'extraction de données sur un patient a un coût très élevé, mais fourni une grande quantité d'information. De plus dans le domaine médical, il est fréquent d'avoir plusieurs types d'analyses réalisées sur le même patient : génomique, métabolomique, transcriptomique, etc. Ce type de bases de données est appelé multi-omique.

Le but de ce projet est donc d'utiliser et de mettre au point des algorithmes de classification multi-vues pertinents pour le traitement de données multi-omiques "fat". 

En imagerie médicale, les caractéristiques radiomiques permettent de caractériser l'hétérogénéité d'une région d'intérêt au niveau anatomique. Cette façon de quantifier l'hétérogénéité d'une région d'intérêt peut être utile, par exemple, afin d'identifier les tumeurs les plus agressives en oncologie. Pour ce faire, nous posons ici l'hypothèse que la variation des séquences d'acquisition d'imagerie par résonance magnétique (IRM) et ses différents niveaux de contraste qui en découlent permettrait d'optimiser l'analyse radiomique subséquente. 
Dans ce projet, un pipeline d'analyse d'images médicales réelles sera d'abord mis en place afin de quantifier la robustesse des caractéristiques radiomiques en fonction des variations des protocoles d'acquisition. Ensuite, un pipeline de simulation d'acquisition IRM sera développé afin d'évaluer le potentiel d'optimisation des caractéristiques radiomiques en médecine.
 

Ce projet consiste en l'amélioration d'une infrastructure technologique. L’objectif est de concevoir une architecture logicielle pour aider les utilisateurs à mieux gérer le traitement des données d’imagerie médicale dont ils disposent. Des composantes du pipeline de données médicales ont été développées et de nouvelles fonctionnalités ont été ajoutées, notamment afin d'assurer le respect des règles éthiques en milieu hospitalier. En somme, le projet vise à faciliter le traitement des données d'imagerie médicale par l'entremise de l’automatisation.

Le projet PARTAGE (Évidences Générées en Partenariat Patients-Chercheurs) est un projet de recherche explorant les mécanismes qui permettront aux patients de partager en toute sécurité leurs données cliniques avec les chercheurs via le portail patient Opal. Dans le cadre global du projet PARTAGE, ce sous-projet spécifique vise à recueillir les commentaires des parties prenantes sur le concept de partage de données. Pour ce faire, nous utilisons un processus de co-conception des parties prenantes dans lequel les patients, les cliniciens et les chercheurs sont intégrés à l'équipe de recherche. Des commentaires supplémentaires de chaque parties prenantes sont obtenus par le biais de groupes de discussion et d'enquêtes.

En radiologie diagnostique, l'utilisation des rayonnements ionisants se justifie par des avantages supérieurs aux risques. D'un point de vue épidémiologique, cet équilibre est difficile à évaluer car des valeurs de dose précises pour les individus ne sont pas disponibles. Ce projet consiste à développer des outils pour rapporter automatiquement la dose aux organes à partir d'images de tomodensitométrie (CT). Tout d'abord, un outil de segmentation multiclasse basé sur l'apprentissage automatique sera développé pour effectuer automatiquement le contour des organes dans les études d'imagerie par tomodensitométrie. Ensuite, un code Monte Carlo rapide basé sur GPU sera utilisé pour calculer des cartes de dose à partir des magasins de paramètres de numérisation techniques dans les en-têtes DICOM des images médicales. Une large base de données de valeurs dose-organe sera constituée ainsi que des tableaux de bord interactifs pour explorer l'usage des doses en fonction du site exploré, de l'appareil utilisé, etc.

A terme, cette base de données sera couplée aux données épidémiologiques sur le cancer pour évaluer relations causales potentielles.

Le projet consiste à déterminer et explorer les possibilités offertes par les tableaux de bord dynamiques dans un contexte médical ainsi que les structures de gestion de données associées. Ce projet considère donc plusieurs aspects de la gestion de données. En ce sens, les considérations liées aux transferts de données DICOM ainsi que différentes approches de gestion et de conservation de ces dernières sont considérées. De plus, les tableaux de bords seront conçus pour assurer une présentation efficace, claire et concise par des outils de visualisation reconnus. Différents ajouts seront effectués sur les différentes portions du projet lors de sa réalisation selon la direction prise par la recherche ainsi que les besoins des professionnels de la santé. Une emphase particulière est attribuée au respect des principes FAIR sur l’ensemble du système résultant.

Le traitement du cancer par la radiation est une technique éprouvée et utilisée partout dans le monde. Une des façons de traiter le cancer de la prostate est l’utilisation de la curiethérapie soit seul ou en boost. En ce moment, les techniques utilisées dépendent de l’expérience de l’équipe traitante et des chercheurs tentent de pallier ce problème.
Dans notre cas, la technologie envisagée pour répondre à ce problème est l’apprentissage profond. Le but du projet est donc d’utiliser l'apprentissage profond afin de développer des outils pour la planification en curiethérapie à haut débit de dose du cancer de la prostate.
Quatre phases différentes sont initialement visées. La première consiste en une classification des plans de traitements utilisés. Le second est une approche de ''reinforce learning'' afin d'aider à l'optimisation des plans de traitements, soit en modifiant les objectifs d'optimisation afin de considérer de façon unique chaque patient. Le troisième est la prédiction de carte de dose basée sur l'anatomie des patients. Le quatrième est la génération de plans de traitements; à partir de l'anatomie du patient ou d'une carte de dose pour trouver un plan de traitement adéquat.
Le travail proposé est une nouvelle approche qui permettra, ultimement, d’aider aux traitements de curiethérapie à haut débit de dose pour le cancer de la prostate.
 

La curiethérapie à haut-débit de dose est une modalité de traitement contre le cancer (e.g., cancer gynécologique et cancer de la prostate) qui utilise la radiation ionisante d’une source radioactive scellée afin d’irradier les cellules cancéreuses. Le but d’un traitement de curiethérapie est de maximiser la dose à la tumeur tout en limitant la dose aux tissues sains. Lors de la phase de planification de traitement en clinique, il est actuellement nécessaire d’ajuster une fonction de coût afin d’atteindre des compromis optimaux entre ces deux objectifs en compétition. Par conséquent, la génération d’un plan de traitement est un processus laborieux et itératif ; la qualité des plans de traitement peut dépendre de l’expertise des planificateurs/planificatrices.

Le but du projet est d’implémenter des algorithmes d’optimisation sur processeur graphique (GPU) permettant de générer des milliers de plans de traitement avec différents compromis optimaux en quelques secondes. Avec des outils de navigation en temps réel, il est possible d’explorer rapidement les différents compromis afin de choisir le meilleur plan pour les patient.e.s. L’impact de ces nouveaux algorithmes est quantifié et comparé à l’approche clinique standard. 

De plus en plus d’évidences démontrent l’existence d’un lien entre la présence de pathologies vasculaires cérébrales et l’augmentation du risque de développement de troubles neurocognitifs majeurs, telle que la maladie d’Alzheimer (MA). 
Dans ce contexte, ce travail consistera essentiellement à développer des outils d’analyse de la morphométrie vasculaire, soit la caractérisation des artères et des veines. En effet, la mesure des vaisseaux sanguins (diamètre, densité, etc.) dans toutes les régions cérébrales permettra de mieux comprendre la trajectoire de la santé vasculaire au cours du vieillissement et si cette trajectoire est reliée à deux marqueurs importants, corrélés avec les troubles neurocognitifs, soit l’atrophie du tissue cérébral, et les lésions cérébrovasculaires (principalement la présence d’hyperintensités dans la matière blanche et de micro-saignements). La vasculature de participants cognitivement sains, avec un trouble cognitif léger ou avec un diagnostic de MA sera caractérisé afin de mettre en lumière les liens entre la santé vasculaire et la santé cognitive. 
Pour conclure, le travail proposé est donc une exploration de la relation entre la vascularisation cérébrale et la MA dans le but de mieux comprendre les interactions entre les deux et aider au dépistage de cette maladie.
 

Il est souvent difficile de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Une option dans ce cas est de ne pas partager directement les données, mais plutôt de donner accès à celles-ci via un outil qui contrôle le risque de divulgation des requêtes effectuées et permet seulement celles qu'il considère sécuritaires. DataSHIELD est un tel outil qui a été proposé pour protéger la confidentialité d'un jeu de données, et qui s'utilise via le logiciel statistique R. Il permet en outre de faire des analyses statistiques sur plusieurs jeux de données hébergés à des endroits différents, toujours en assurant la confidentialité des répondants. Dans ce projet, on s'intéresse aux garanties de confidentialité fournies par le logiciel, et aux limites de celui-ci. On étudie en particulier les possibilités d'analyses statistiques plus poussées pouvant être faites avec le logiciel, notamment par l'utilisation de méta-analyses et de réseaux de neurones.

L’interprétabilité de l’intelligence artificielle, c’est-à-dire la capacité d’un-e expert-e de comprendre pourquoi une décision a été rendue, est particulièrement importante dans les contextes d’analyse en santé. D’abord, car il est primordial de savoir pourquoi une décision est prise par un algorithme lorsque celle-ci a un impact sur la santé d’une personne. Ensuite, en recherche, ces types d’algorithmes sont très utiles, car ils dévoilent souvent des pistes d’investigations nouvelles. 

L’objectif de cette étude est de combiner deux algorithmes d’apprentissage automatique supervisé dans le but d’en améliorer autant l’interprétabilité que la performance, notamment grâce aux outils de la logique mathématique. Le but de cette variante algorithmique est d’aider à une meilleure prédiction en augmentant légèrement la complexité du modèle tout en conservant ce haut niveau d’interprétabilité. 

Cet algorithme est développé dans le but d’analyser des données larges (fat data), c’est-à-dire les données qui comportent beaucoup de caractéristiques (attributs), mais dont nous avons peu d’échantillons (observations). Ce type de données est très présent dans les données liées à la santé, notamment dans les cas de données génomiques, métagénomiques et métabolomiques qui sont l’état de l’art des analyses médicales. Plus précisément, nous nous intéressons aux problématiques de la résistance bactérienne aux antibiotiques et de la maladie à coronavirus (COVID-19) longue. 
 

Les traitements de radiothérapie habituels répandus dans le domaine clinique ne font pas souvent l’objet de changements, se résumant généralement à un traitement global de 50 grays, fractionné en cinq traitements de deux grays par semaine durant cinq semaines.
C’est pourquoi il est intéressant de développer un outil basé uniquement sur des modèles mathématiques tirés de la littérature, capable de comparer les différents types de traitements possibles sans avoir à les tester sur de véritables tissus. Plusieurs paramètres viennent modifier la réponse de ces tissus après leur irradiation, notamment la pression partielle d’oxygène dans les régions irradiées, le type de particules envoyées sur le tissu ainsi que la durée des traitements et le temps entre chacun d’eux.

Le code Python créé dans le cadre de ce projet vise ainsi à faciliter l’optimisation des traitements de radiothérapie en générant des graphiques montrant la survie des cellules après un certain nombre de fractions, en tenant compte de plusieurs paramètres. Le code, lorsqu’il sera complété et fera partie d’une interface graphique, sera simple d’utilisation et servira aux projets de recherche qui seront en cours.

Il est souvent difficile, voire impossible, de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. Les jeux de données synthétiques pourraient permettre de simplifier ce partage de données. Cependant, plusieurs méthodes actuelles, qui utilisent des concepts d’imputation de données manquantes, affectent le potentiel d’analyse et la qualité des résultats produits.

Ce projet consiste donc à évaluer les garanties de confidentialité d’une nouvelle méthode de génération de données synthétiques prometteuse. Cette dernière intègre un mécanisme de masquage à une technique d’imputation multiple pour adapter le modèle génératif au risque de chaque observation. En particulier, les risques de divulgation d’attributs, c’est-`a-dire la révélation de certaines valeurs d’attributs en fonction d’autres attributs connus, seront testés.

La faisabilité et la qualité des résultats sera également testée sur un jeu de données fourni par l’Institut de la statistique du Québec.

La métabolomique est une des façons d'étudier le métabolisme. La présence de certains métabolites, ou la dégradation de sentiers métaboliques peuvent servir d'indicateurs sur la santé d'un patient. Ils peuvent servir de marqueurs de certaines maladies comme des cancers, ou renseigner sur la qualité de la diète d'un individu. Les méthodes d'acquisition en métabolomique non ciblée produisent des matrices de données de grandes dimensions. Il s'agit de développer des méthodes d'apprentissage machine spécifiquement adaptées aux jeux de données de grande dimensions. Par exemple des modèles basés sur des règles de décisions. 
La finalité de ces modèles étant la recherche de biomarqueurs, ils doivent être parcimonieux pour pouvoir être interprétés par un expert humain. Il s'agit également de développer de nouvelles approches pour interpréter au mieux des modèles déjà existants et performants. L'interprétabilité est un aspect essentiel dans l'application de l'apprentissage machine à la santé. Les modèles ne peuvent pas être des boîtes noires de diagnostic mais plutôt des outils d'analyse à la disposition d'experts pour mieux comprendre le métabolisme humain.
 

Ce projet porte dans un premier temps sur la conception de modèles de classification de type réseaux convolutionnels (CNNs) en utilisant des données de spectrométrie de masse (1D et 2D) pour le diagnostic clinique.

Une fois finalisé, le 2éme objectif est l’interprétation de ces modèles de classification afin d’identifier les régions spectrales d’intérêt qui peuvent correspondre à de nouveaux biomarqueurs de diagnostic ou de thérapeutique.

Il est souvent difficile de partager des données dénominalisées entre différentes organisations et chercheurs en raison de contraintes éthiques liées à la confidentialité des répondants. Il peut ainsi s’écouler de longs mois, parfois même des années, entre la rédaction d’un projet de recherche et le début de l’analyse planifiée, ce qui limite la capacité des chercheurs à mener des travaux scientifiques de pointe au moment opportun et contribue à allonger inutilement la formation d’étudiants gradués, entre autres problèmes. Une solution possible est de créer un jeu de données synthétiques à partager aux chercheurs en attente de l’accès au jeu de données original. Ce jeu de données synthétique serait représentatif des données originales, mais créé de façon à ne pas révéler d’information confidentielle sur les répondants. Il permettrait aux chercheurs de se familiariser à l’avance avec les variables mesurées, d’anticiper les difficultés techniques du projet de recherche (stockage, logiciels, gestion des accès), et de planifier de meilleurs protocoles de recherche.

Nous étudions ici les enjeux techniques liés à la création de tels jeux de données synthétiques dans le domaine de la santé. Il faut notamment s’assurer que les modèles statistiques utilisés soient assez flexibles pour bien modéliser les corrélations entre les variables collectées, tout en s’assurant de ne pas sur-ajuster ceux-ci, ce qui pourrait nuire à la protection de la confidentialité. Le travail s’articulera autour de la création d’un jeu synthétique pour un sous-ensemble des données collectées par le Consortium d’identification précoce de la maladie d’Alzheimer - Québec (CIMA-Q), pour qui le partage des données à la communauté de recherche sur la maladie d’Alzheimer canadienne et internationale est un objectif important.
 

Il arrive souvent que le partage de données soit limité par des enjeux de confidentialité. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Lorsque le partage du jeu de données original est impossible, une méthode qu'on peut utiliser est de générer un jeu de données synthétiques, qui contient le plus possible une information statistique similaire à celle du jeu de données original, mais qui fournit des données sur de faux individus de façon à protéger la confidentialité des répondants. Une façon de garantir que ces données synthétiques protègent effectivement les répondants, c'est d'utiliser la confidentialité différentielle, une mesure rigoureuse du risque de divulgation d'information confidentielle. 
Ce projet s'intéresse à comment analyser ces jeux de données synthétiques pour obtenir des résultats statistiques valides, les méthodes classiques d'inférence devant être modifiées pour tenir compte de la variabilité additionnelle ajoutée par la génération du jeu de données synthétiques. 
 

Ce projet de recherche se base sur l’analyse de données massives portant sur l’index NOL et d’autres paramètres cliniques intraopératoires utilisés par les anesthésistes durant une chirurgie. Ces paramètres les aident à prendre des décisions de traitements analgésiques chez un patient non-communiquant sous anesthésie générale et chez qui il est impossible d’évaluer la douleur et les besoins en analgésiques par les questionnaires habituels réalisés sur patients éveillés.
Dans un premier temps, l’objectif est d’interpréter les valeurs de cet index en lien avec les décisions prises par le clinicien. 
Dans un deuxième temps, il s’agit de développer un algorithme d’intelligence artificielle pouvant guider la prise de décision pour plus de précision et une meilleure sécurité anesthésique pour le patient.
 

Il arrive souvent que le partage de données soit limité par des enjeux de confidentialité. C'est une réalité fréquente dans le domaine de la santé, étant donné la sensibilité inhérente de ce type de données. Lorsque le partage du jeu de données original est impossible, une méthode qu'on peut utiliser est de générer un jeu de données synthétique, qui contient le plus possible une information statistique similaire à celle du jeu de données original, mais qui fournit des données sur de faux individus de façon à protéger la confidentialité des répondants.

Ce projet s'intéresse à mesurer rigoureusement la protection de confidentialité offerte par un jeu de données synthétique. On se penchera attentivement sur quelques mesures proposées dans la littérature, pour comprendre leurs garanties et les différences et ressemblances entre celles-ci dans le but d'identifier la ou les mesures qui seraient les plus pertinentes pour le partage de données synthétiques. 

Les dosimètres à scintillation multipoints sont des appareils permettant de mesurer en temps réel la dose de radiation déposée à plusieurs endroits simultanément dans l'espace. La collecte de données ne peut être précise que si l’appareil est bien calibré.

L'objectif de ce projet de recherche consiste à développer une démarche automatisée permettant de calibrer, en utilisant le faisceau d'un accélérateur linéaire de radiothérapie, les dosimètres à scintillation multipoints en illustrant les données de calibration dans l'espace des composantes principales.

Les mesures acquises avec un dosimètre à scintillation multipoints sont des mesures spectrales de la lumière produite au sein du dosimètre, ce dernier ayant la propriété d'émettre de la lumière proportionnellement à la dose reçue. À partir d'un ensemble de mesures de calibration, un algorithme de Non-Negative Matrix Factorisation (NMF) est appliqué sur l'ensemble des données afin de prédire les différentes composantes spectrales de base qui composent les mesures. Afin de simplifier la visualisation des données représentant un ensemble de mesures de calibration, celles-ci sont transformées en utilisant un algorithme de décomposition par composantes principales (PCA), puis représentées graphiquement dans un nouvel espace, appelé l'espace des composantes principales. Dans cet espace, il est possible de visualiser la composition des mesures de calibration par rapport à chaque composante spectrale de base.

Différents ensembles de mesures de calibration sont donc représentés dans cet espace, puis envoyés à l'algorithme de NMF afin d'évaluer les performances de cet algorithme en fonction de différents ensembles de mesures d'étalonnage, pour ultimement déterminer les mesures à acquérir expérimentalement afin de calibrer adéquatement ces types de dosimètre.

Le projet vise à étudier les effets sur le débat public de l'intelligence artificielle (IA) et de la science des données, et de leurs usages par les nouveaux diffuseurs de contenu sur le web. 
Il se propose d'aborder les aspects éthiques des algorithmes apprenants et des filtres de recommandation utilisés par les acteurs d'internet pour la présentation et la sélection du contenu aux internautes. Plus particulièrement, le projet pose la question de la conséquence de tels algorithmes sur la santé publique, notamment dans la propagation de la désinformation médicale et des pseudo-médecines.
Ce projet se propose donc de porter un regard critique sur les techniques de la science des données, et sur leurs utilisations. Le point de vue développé intégrera les savoirs de différentes disciplines des sciences sociales (éthique, sciences de la communication, philosophie des techniques) et influencera le développement de solutions techniques et de conseils pour la mise en œuvre d'une IA éthique et durable. 
Le projet comporte donc un double-volet technique et philosophique, avec une perspective d'intégration interdisciplinaire.

Le projet porte sur la conception, l’opérationnalisation et la validation d’un modèle d’évaluation de la santé durable. 
Ce modèle sera adapté à une plateforme numérique, reposera sur des bases théoriques et conceptuelles solides et regroupera des indicateurs valides et nourris par des données dépeignant une conception globale et écosystémique de la santé. 
Une fois opérationnalisé, implémenté et validé dans le cadre d’une cohorte, ce modèle représentera une stratégie innovante pour la santé durable grâce à des technologies et des modes d'intervention améliorés.
 

Ce projet vise la création de pipelines de données en radiologie diagnostique afin d'alimenter des outils de visualisation et d'analyse.

Un premier pipeline est destiné à l'anonymisation des données selon la norme DICOM tandis qu'un second permet d'alimenter les plateformes Kibana (Elasticsearch) ou Superset (Apache).  

L'orchestrateur Airflow (Apache) est utilisé pour automatiser l'exécution des pipelines, qui pourront éventuellement alimenter des tableaux de bord dynamiques.

Le projet de recherche s’intéresse à l’adaptabilité des règles, principes et dispositifs juridiques encadrant les données de santé, y compris ceux régulant les mécanismes de responsabilité médicale associée, au Canada et en Union européenne.

Il vise à en identifier les faiblesses, et aspire à apporter des solutions de régulation plus adaptées aux réalités de l’intelligence artificielle et conciliant mieux les intérêts privés et publics, individuels, sociaux, commerciaux et sanitaires en jeu. Il permet également de réfléchir à une perception différente du droit étatique et de nos systèmes actuels, aujourd’hui sans réponse satisfaisante.
 

La caractérisation des interactions médicamenteuses (DDI) est cruciale pour la planification de thérapies et la co-administration des médicaments. Malgré les nombreuses expériences in vivo et essais cliniques, les implications pharmacologiques et les effets secondaires indésirables de certaines associations médicamenteuses demeurent incomprises. L’impact conjoint de la majorité de ces combinaisons reste non détecté jusqu'à ce que des traitements soient prescrits aux patients. Il est donc nécessaire de concevoir des outils informatiques qui permettent non seulement de détecter les DDI afin de réduire les coûts expérimentaux mais aussi de caractériser de manière exhaustive tous les effets des combinaisons de médicaments avant leur mise en vente sur le marché. 
Les précédentes tentatives de création de tels outils étaient essentiellement axées sur les interactions pharmacodynamiques et pharmacocinétiques et utilisaient des informations difficiles d'accès au début des campagnes R & D. 
Dans ce projet, nous proposons d’utiliser différentes informations sur les médicaments et leurs cibles (voies, biomarqueurs, expressions géniques, etc.) qui sont disponibles au début de chaque campagne de R & D. Notre hypothèse est que des caractéristiques de haut niveau peuvent être extraites de ces données au moyen d’algorithmes d’apprentissage profond et améliorer la caractérisation DDI. De ce fait, nos modèles seront entraînés pour reproduire les effets pharmacologiques des DDI ainsi que les interactions sous-jacentes des voies moléculaires et biologiques. 
Créer une telle boîte à outils complète aidera à réduire les risques dans les thérapies de polypharmacie.
 

Le projet doctoral porte sur l'utilisation de techniques d'apprentissage machine en radiothérapie externe pour la planification de traitement de cancer.

Plus précisément, l'analyse de frontière stochastique, une méthode paramétrique utilisée en économétrie, est adaptée pour le contexte de la physique médicale. Il est ainsi possible de prédire, à l'aide d'une banque rétrospective de patients traités, la dose de radiation optimale à la tumeur et aux organes sains.

Cette méthode est appliquée à plusieurs sites de traitement de cancer, chacun présentant leur propre défi au niveau de la prédiction et du traitement de données.

Ce projet de recherche est centré sur la préparation d’une étude pilote visant à récolter, sur une base volontaire, des données relatives à la radiothérapie provenant de patients utilisant le portail patient, Opal. 
Ce projet examine les moyens par lesquels les patients peuvent partager leurs données et mettre en place la structure d’un projet démonstratif. 
 

Ce projet porte sur la notion de partage de données recueillies par Opal et comprends une évaluation de l'impact sur la vie privée de l’utilisation du portail et de l’éventuel partage des données se trouvant sur celui-ci.

Ce projet fait partie des efforts visant à préparer Opal à l'utilisation par les patients, en leur fournissant des ressources d'autogestion telles que des questionnaires et du matériel éducatif.

Ce projet est centré sur une analyse du processus de préparation d’une stratégie de médias axés sur le/la patient.e et des médias sociaux. Ces derniers fournissent aux patients des informations utiles sur le portail patient Opal et sur la façon dont ils peuvent en tirer le meilleur parti.

Ce projet consiste à examiner les exigences réglementaires en matière de respect des renseignements personnels et de confidentialité pour l’utilisation d’un portail patient dans diverses provinces canadiennes. 
Romina, membre de l’équipe d’assurance de la qualité et l’équipe d’étude de marché, a aussi contribué au déploiement de Opal dans de nombreuses cliniques au Centre du cancer des Cèdres.
 

Ce projet comporte deux éléments : (1) la préparation de Opal pour la fonctionnalité soignante dans laquelle les patients pourront partager une partie ou la totalité de leurs données médicales avec leurs soignants, et (2) la préparation du contenu général pour Opal.

Un portail patient est une partie d’un système de dossiers médicaux électroniques qui est rendue accessible aux patients. Bien que les portails patients existent depuis de nombreuses années, ceux-ci ont vu un taux d’adoption faible au Canada. Ceci est dû en grande partie au désir des provinces d’investir dans de grands systèmes centralisés de dossiers médicaux électroniques, et à la complexité de la mise en œuvre de tels systèmes. Cependant, les patients demandent à avoir accès à leurs données médicales, et ce, sans attendre l’arrivée de ces systèmes centralisés complexes. 
Ainsi, ce projet vise à développer et à évaluer le portail patient Opal, déjà en place au Centre universitaire de santé McGill, comme portail patient multi-institutionnel employant une nouvelle infrastructure d’échange de données asynchrone.
 

Ce projet de recherche vise à examiner la signature mutationnelle des rayonnements ionisants à l'aide de techniques de séquençage monocellulaire.

Le projet utilise des cellules lymphoblastoïdes humaines données par le trio ashkénaze qui ont un génome bien caractérisé. Les cellules sont irradiées et séquencées pour déterminer les mutations induites à la suite de l'exposition aux rayonnements ionisants. 
Grâce à l'analyse biostatistique des données génomiques humaines ainsi obtenues, nous pourrons identifier la signature mutationnelle des rayonnements ionisants.
 

Ce projet de recherche se base sur l'utilisation de la blockchain ou d'une solution alternative pour assurer la sécurité d’acquisition de données en utilisant l'application Opal. 
Il mettra en place une infrastructure blockchain démonstrative, examinant ses défis et ses inconvénients et proposant des solutions innovantes potentielles.
 

L’objectif principal de ce projet de recherche est de détecter la douleur à un stade précoce en analysant les images médicales des patients. 
Le développement d'un algorithme à cette fin peut être réalisé en combinant deux techniques informatiques: une permettant de collecter des informations sur la douleur à partir de notes médicales et une autre extrayant des informations à partir d'images médicales. Nous utiliserons la première technique dans un programme informatique permettant d'extraire et de quantifier l'intensité de la douleur enregistrée dans les notes médicales des patients. 
La deuxième technique sera utilisée dans un autre programme qui analysera des images radiographiques de patients atteints de cancer pour extraire des informations sur métastases osseuses (telles que le volume, la densité et la forme de la tumeur). Ensuite, nous mettrons en œuvre des techniques statistiques et mathématiques avancées pour modéliser la relation entre les caractéristiques tumorales identifiées et les intensités de douleur extraites. 
Enfin, pour valider notre modèle, nous utiliserons les scores de douleur collectés directement auprès de milliers de futurs patients atteints de cancer via une application mobile développée dans notre groupe (opalmedapps.com). 
 

Ce projet vise à déterminer si les résultats rapportés par les patients atteints d'un cancer de la prostate sont mieux corrélés avec la dose réelle administrée qu'avec la dose prévue pour leur radiothérapie.

Le projet utilisera des images tomodensitométriques quotidiennes à faisceau conique pour calculer la dose de rayonnement quotidienne et totale délivrée aux patients ainsi que l'application Opal pour recueillir les résultats rapportés par les patients.  

Ce projet de doctorat s'intéresse à la synthèse d'images médicales par l'apprentissage profond, à des fins de correction d'artefacts et d'éviter l'injection d'agents radioactifs ou de contraste.

Les réseaux utilisés possèdent une architecture flexible permettant la synthèse d'image à partir d'un ensemble hétérogène de modalités d'entrée. Les images sont synthétisées dans un cadre pathologique, comme la maladie d'Alzheimer et les cancers du cerveau.

L'efficacité et la robustesse du procédé manufacturier sont essentielles pour assurer la productivité et la prévisibilité dans la fabrication pharmaceutique. La technologie de fabrication de vaccins de Medicago utilise des plantes pour la production et notre objectif est de développer un système capable de prévoir et de contrôler l’aptitude des plantes à la production, et ce, tôt dans le processus, de l’ensemencement à la récolte des feuilles productrices.

À cette fin, nous devons identifier les facteurs qui régulent le niveau de production de chaque plante. Nous prévoyons mesurer un grand nombre de molécules, appelées métabolites, afin de déterminer les conditions optimales permettant à la plante de générer la quantité maximale de chaque produit. La quantité de mesures étant importante, nous utiliserons l’apprentissage automatique pour concevoir une intelligence artificielle capable de comprendre et d’identifier les schémas potentiellement très complexes de métabolites et/ou des caractéristiques corrélées à une productivité optimale.

La découverte des agents antimicrobiens a été l'un des grands triomphes du XXe siècle. La nouvelle qui donne à réfléchir est que la résistance aux antibiotiques faisait également partie du processus. Si rien n'est fait d'ici 2050, la résistance aux antibiotiques coûtera 100 billions de dollars et 10 millions de personnes par an devraient en mourir (https://amr-review.org). Les facteurs à l'origine de la résistance aux antibiotiques vont au-delà des soins de santé humaine et ont des répercussions sur la médecine vétérinaire, l'agriculture et l'environnement (approche "One Health"). Les approches nouvelles et améliorées pour lutter contre la résistance aux antibiotiques comprennent une meilleure surveillance, une utilisation rationnelle des médicaments, un modèle commercial différent pour la production d'antibiotiques, l'innovation à tous les niveaux et, surtout, une approche globale.

Cette proposition de subvention d'équipe transnationale a pour but d'appliquer de nouvelles approches d'apprentissage machine pour la modélisation de la résistance aux antibiotiques afin d'accélérer le diagnostic, d'améliorer la surveillance et de prédire l'émergence de la résistance. Plus précisément, nous développerons la mise en œuvre de l'apprentissage machine qui peut orienter la sélection des traitements en évaluant le niveau de résistance, fournir une justification pour la génération de nouveaux antibiotiques et aider à la surveillance de la résistance aux antibiotiques chez l'homme et le bétail dans le monde entier.

Pour y parvenir, nous avons réuni une équipe transnationale (Canada, Chine, Finlande, France) aux compétences complémentaires, qui a fait ses preuves en matière d'apprentissage automatique à la fois à la génomique et à la métabolomique et aux experts du domaine de la résistance aux antibiotiques.  Notre équipe transnationale dispose de tous les éléments pour avoir un impact important et continuer à collaborer bien au-delà de la période de financement JPIAMR.

La complémentarité de notre expertise nous aidera à relever les défis à venir et à assurer la continuité de notre succès.

Un médicament d’exception est un médicament qui n’est habituellement pas couvert par le régime public d’assurance-médicaments (RPAM). Les mesures mises en place à la RAMQ pour les médicaments d’exception permettent à l’ensemble de la population d’obtenir la couverture de certains médicaments si ces derniers sont utilisés dans le respect des indications reconnues par l’Institut national d'excellence en santé et services sociaux (INESSS). Les médicaments d'exception constituent aujourd'hui une part importante et en constante augmentation des dépenses totales en médicaments d’ordonnance.

Pour le RPAM, l’un des moyens de contrôler cette hausse est de rembourser ces médicaments selon des règles préétablies. Actuellement, le système traite automatiquement environ 20% des demandes alors que les autres sont dirigées vers une analyse au cas par cas, ce qui génère des délais.

Ce projet consiste à aider le secteur d’affaire à répondre plus rapidement aux demandes d’approbation de médicaments d’exception. Un outil sera développé sur la base de 15 années de données recueillies par le système actuel, et visera à augmenter le nombre de demandes traitées de façon automatique. 

L’objectif de ce projet est d’extraire un ensemble de données pertinentes à partir des fichiers produits par les appareils d'imagerie médicale.

Le procédé consiste à bâtir des pipelines ETL (extract-transform-load) pour rendre les données consommables pour l'analyse et la visualisation.  Un exemple d’analyse consiste à observer les tendances de doses administrées aux patients selon l'établissement, le protocole ou l'appareil utilisé, afin d'éventuellement identifier des pratiques hors-normes.

Les données extraites pourraient aussi guider la pratique en permettant d'évaluer la pertinence de certains examens, et ainsi d'optimiser les ressources dans le réseau de la santé.  

Ce projet consiste à établir les bonnes pratiques en gestion des données de santé et à construire une infrastructure logicielle afin de les appliquer.

Nous avons développé des pipelines qui permettent de récupérer quotidiennement les données de traitements de curiethérapie afin de calculer et stocker leurs indices dosimétriques dans une base de données dédiée à la recherche. Ces indices sont essentiels à la planification des traitements en radiothérapie et à l’estimation de leur qualité.

L’agrégation de ces indices permet aux différents chercheurs comme les bio-statisticiens et les radio-oncologues d’effectuer des études sur des ensembles de données plus volumineux.

Le fardeau clinique et économique du cancer de la prostate continue d’augmenter au Canada. Selon la Société Canadienne du cancer, un Canadien sur sept développera un cancer de la prostate au cours de sa vie et un Canadien sur 27 mourra des suites de cette maladie. Il est important d’effectuer un examen clinique fiable qui permet d’avoir une différenciation entre les cancers agressifs cliniquement significatifs et non significatifs pour éviter les traitements excessifs. Les analyses comparatives avec l’imagerie par ultrasons, montrent que les modalités avancées de l’imagerie par résonance magnétique (IRM) se caractérisent par une meilleure précision diagnostique et sont devenues l’examen clinique de routine pour les patients ayant un risque de cancer de la prostate cliniquement significatif. Ces modalités offrent des capacités d’analyse importantes, mais leur application dans le cancer de la prostate a des limites distinctes (variabilité inter-observateurs, expérience de l’observateur, etc) malgré l’arrivée de la version V2 de PI-RADS.

Ainsi nous avons élaboré ce projet pour développer une approche de prédiction et de segmentation des lésions intra-prostatiques basée sur l'apprentissage automatique afin de mieux orienter la radiothérapie.

Pour atteindre cet objectif, nous avons eu recours à deux modalités améliorées d'IRM conventionnelle, la DTI-IRM et la DWI-IRM, associées à des modalités d’IRM anatomiques. Nous allons extraire à partir des modalités quantitatives les cartes qui fournissent les caractéristiques spécifiques de la lésion. Nous allons ensuite extraire l’information de la texture des modalités d’IRM et des cartes sélectionnées. En dernière étape, des méthodes d’apprentissage automatique seront appliquées pour la sélection et la classification de ces caractéristiques.

En appliquant ces méthodes l’extension et le type du cancer seront identifiés.

Le cancer de la prostate est la forme de cancer la plus fréquente chez les hommes au Canada.

Ce projet de recherche vise à poser un pronostic pour un patient atteint du cancer de la prostate ainsi que prédire la pathologie finale, par la prédiction de la présence des métastases ganglionnaires, à partir d’un FDG TEP-CT. Les caractéristiques radiomiques sont définies comme le processus d'extraction quantitative de données exploitables de haute dimension à partir d'images médicales. Il s'agit de biomarqueurs difficilement visibles à l’œil nu tels que la texture et l’intensité. La banque de données est composée de 250 patients atteints du cancer de la prostate. Après filtration, un sous-ensemble de 331 caractéristiques radiomiques a été sélectionné. La précision du modèle est de 74,5%. Cela correspond à une augmentation de la précision de 6% par rapport à un modèle entraîné sur toutes les caractéristiques extraites.

À terme, l'algorithme permettra de mieux prédire le risque de récidive du cancer de la prostate et contribuera à améliorer les méthodes et le choix du traitement.

Ce projet de recherche vise à développer un outil capable de générer automatiquement des segmentations d’organes d’intérêt sur des images tomodensitométriques, à partir de techniques d’apprentissage automatique (machine learning).

Cet outil sera par la suite utilisé pour calculer des doses à l’organe, afin de constituer des dossiers dosimétriques personnalisés en imagerie diagnostique. Les doses seront calculées à partir d’informations tirées des images, de la technique radiographique utilisée et d’un code Monte Carlo rapide (GPUMCD) propulsé par des processeurs graphiques (GPU). Des pipelines automatisés seront mis en place pour traiter de grandes quantités de données.

À terme, ce projet permettra de connaître plus précisément l’exposition de la population au rayonnement ionisant due aux procédures d’imagerie médicale.