Aidan MANNION

RÉSUMÉ :
L'adoption généralisée des dossiers médicaux électroniques (DME) dans les bases de données cliniques, ainsi que les progrès rapides des technologies d'apprentissage machine (ML) et de traitement automatique du langage naturel (TAL) au cours des dernières années, ont élargi les possibilités d'applications innovantes et exploratoires de techniques informatiques sophistiquées afin de fournir une aide pratique aux praticiens médicaux. Cette thèse explore l'applicabilité potentielle des outils d'aide à la décision automatisés aux consultations générales non programmées, un domaine qui est loin d'être pleinement exploré par la communauté de recherche en IA médicale. Dans le cadre d'un projet multidisciplinaire réunissant la recherche en TAL, les développeurs de systèmes de DSE et les médecins, nous comblons le fossé entre la recherche biomédicale en TAL et la pratique médicale générale en utilisant une base de données de dossiers de consultation de SOS Médecins pour construire, évaluer et mettre en œuvre deux outils différents basés sur la ML qui sont capables d'effectuer une inférence prédictive en temps réel sur la base d'informations textuelles saisies par le praticien au cours d'une consultation. En partant d'un cadre de recherche TAL, nous avons d'abord développé et évalué divers modèles BERT biomédicaux, en utilisant une variété de sources d'information, y compris des textes scientifiques, des connaissances ontologiques structurées et des textes provenant des dossiers de consultation de SOS Médecins. Nous avons ensuite adapté ces modèles à deux nouvelles applications de classification de documents, conçues en collaboration avec un médecin : 1) la classification binaire pour le risque d'hospitalisation et/ou de diagnostic grave, et 2) la prédiction de diagnostic. Après avoir développé et validé ces algorithmes de classification, nous les avons intégrés dans le logiciel de gestion des données cliniques SOMELOG utilisé par plusieurs cabinets SOS Médecins. Cela nous a permis d'évaluer l'écart entre l'évaluation expérimentale et l'utilité pratique, mais aussi de recueillir des retours sur la perception de ce type d'outil par les praticiens. Nous constatons que de nombreux défis techniques et conceptuels doivent encore être relevés avant que des technologies comme celles-ci puissent être pleinement intégrées dans le travail des médecins généralistes de manière utile. En résumé, les principales contributions de ce travail sont 1) des outils logiciels et des modèles de langage adaptés au domaine des consultations générales non programmées et 2) des études quantitatives de l'applicabilité des outils d'intelligence artificielle pour l'aide à la décision clinique dans le contexte de SOS Médecins. Nous espérons que notre travail fournira des cadres expérimentaux utiles et des idées pratiques pour les travaux futurs dans ce domaine.