Retour à la page principale

Synopsis

L’objectif de ce projet est de constituer un groupe de recherche interdisciplinaire autour des méthodes basées sur les graphes, réunissant cinq laboratoires grenoblois issus de domaines complémentaires (sci- ences des données, traitement du signal, mathématiques fondamentales et appliquées, santé publique). Ces thématiques sont au cœur des axes Sciences des données et mathématiques : des fondamentaux aux applications du labex Persyval. Cette collaboration vise à croiser des compétences méthodologiques et applicatives afin de faire émerger des synergies scientifiques durables. Nous commencerons par nous focaliser sur un premier cas d’étude concret en santé publique nécessitant une interaction entre les acteurs du projet.

Contexte et enjeux. L’amélioration de la qualité des soins passe par une meilleure prévention des événements indésirables, tels que l’admission en soins intensifs, les séjours prolongés ou la mortalité hospi- talière. La prédiction de ces événements repose sur l’exploitation de grandes bases de données hospitalières, dont la complexité structurelle dépasse les capacités des approches tabulaires classiques. Ces données, hétérogènes, corrélées et dynamiques, nécessitent des représentations relationnelles plus souples, capables de modéliser les interactions entre patients, diagnostics, traitements, actes médicaux ou déterminants sociaux.

Cas d'étude et données. Le projet s’appuie sur la base PREDIMED, issue de l’entrepôt clinique du CHU Grenoble Alpes, regroupant près de 274 000 admissions entre 2016 et 2018. Chaque séjour hospitalier est décrit par un ensemble riche de variables cliniques, administratives et sociales. En construisant un graphe de grande dimension reliant patients et caractéristiques, il devient possible d’exploiter la structure com- plexe et temporelle des données pour améliorer la prédiction de la mortalité hospitalière et, plus largement, des risques cliniques.

Défis scientifiques. Ce projet abordera divers aspects méthodologiques :

  1. Modélisation avancée sur graphes : conception de représentations efficaces (via par exemple les Graph Neural Networks (GNN) ou des approches hybrides) ; prise en compte de l’aspect temporel des données ; passage à l’échelle ;
  2. Optimisation des performances prédictives : étude du lien entre complexité structurelle des graphes et qualité de la prédiction ;
  3. Qualité des données : détection des valeurs aberrantes, gestion des données manquantes, et extraction de motifs récurrents pour caractériser des pathologies ; robustesse et impact de la suppression de nœuds (ou plus généralement de l’ajout de bruit statistique) sur la stabilité des résultats ;
  4. Génération de données synthétiques : simulation et validation robuste des modèles dans un cadre respectant la confidentialité des données de santé ;
  5. Visualisation des données : utilisation de techniques de dessin de graphes et clustering pour identifier visuellement des aspects intéressants du jeu de données, les proximités statistiques entre les différents nœuds, et pouvoir interagir plus facilement avec les médecins.

Budget

110 000€ sur la période 2026-2030 : 1 post-doc d'un an et 50 000€ de fonctionnement.

Accès réservé

Certains documents sont en accès restreint aux membres du projet :