Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à l'IA dans les soins de santé
- Applications de l'IA dans le support à la décision clinique et le diagnostic.
- Vue d'ensemble des modalités des données de santé : structurées, textuelles, d'imagerie et capteurs.
- Défis spécifiques au développement de l'IA médicale.
Préparation et gestion des données de santé
- Travail avec les DME, les résultats de laboratoire et les données HL7/FHIR.
- Prétraitement des images médicales (DICOM, scanner CT, IRM, radiographie).
- Traitement des données chronologiques provenant des dispositifs portables ou des moniteurs de soins intensifs.
Techniques d'ajustement fin pour les modèles de santé
- Apprentissage par transfert et adaptation spécifique au domaine.
- Réglage des modèles pour des tâches spécifiques, notamment la classification et la régression.
- Ajustement fin dans des environnements à ressources limitées avec des données annotées restreintes.
Prédiction des maladies et anticipation des résultats
- Scores de risque et systèmes d'alerte précoce.
- Analyse prédictive pour les réadmissions et la réponse au traitement.
- Intégration de modèles multi-modaux.
Éthique, confidentialité et considérations réglementaires
- Conformité HIPAA, RGPD et gestion des données des patients.
- Atténuation des biais et audit de l'équité dans les modèles.
- Explicabilité dans la prise de décision clinique.
Évaluation et validation des modèles dans les environnements cliniques
- Métriques de performance (AUC, sensibilité, spécificité, F1).
- Techniques de validation pour les ensembles de données déséquilibrés et à haut risque.
- Pipelines de test simulés par rapport aux tests en monde réel.
Déploiement et surveillance dans les environnements de soins de santé
- Intégration des modèles dans les systèmes informatiques hospitaliers.
- Intégration et déploiement continus (CI/CD) dans les environnements médicaux réglementés.
- Détection de la dérive post-déploiement et apprentissage continu.
Résumé et prochaines étapes
Pré requis
- Une compréhension des principes de l'apprentissage automatique et de l'apprentissage supervisé.
- Une expérience avec des ensembles de données de santé tels que les dossiers médicaux électroniques (DME), les données d'imagerie ou les notes cliniques.
- Des connaissances en Python et en frameworks d'apprentissage automatique (par ex., TensorFlow, PyTorch).
Public cible
- Développeurs d'IA pour les soins de santé.
- Scientifiques des données dans le secteur de la santé.
- Professionnels développant des modèles de diagnostic ou prédictifs pour les soins de santé.
14 Heures
