Projets en cours

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.
 

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 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 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.
 

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.
 

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 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.

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 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.