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.