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.