Soutenance de thèse de Hugo BOISAUBERT
14 décembre 2022 @ 8 h 30 min
Hugo BOISAUBERT, équipe DUKe soutiendra sa thèse intitulée :
« Conception automatisée de scénarios d’apprentissage réalistes et variés, pour l’acquisition et la consolidation d’expertise en anesthésie, assistées par le numérique »
Le 14 Décembre à partir de 8h30, dans l’amphithéâtre du LS2N (bat 34) à la Faculté des Sciences et des techniques de Nantes.
La soutenance sera diffusée en ligne, voici le lien de la diffusion : https://mediaserver.univ-nantes.fr/lives/ls2n/
Jury :
Directrice de thèse : Christine SINOQUET, Maître de conférences (HDR) à Nantes Université
Rapporteurs :
– Maria RIFQI, Professeur des universités à Panthéon-Assas Université
– Cyrille BERTELLE, Professeur des universités à l’Université Le Havre Normandie
Examinateurs :
– Mounira HARZALLAH, Maître de conférences (HDR) à Nantes Université
– Raphaël CINOTTI, Professeur des Universités – Praticien Hospitalier au CHU de Nantes
– Frédéric BLANCHARD, Maître de conférences à l’Université de Reims Champagne-Ardenne
Invitée : Corinne LEJUS-BOURDEAU, Professeur des Universités – Praticien Hospitalier au CHU de Nantes
Résumé :
En 2012, la Haute Autorité de Santé (HAS) a publié un nouveau guide de bonnes pratiques sur l’usage de la simulation en santé. Ce rapport a encouragé le développement de la formation par la simulation qui était émergente dans les centres de formation en santé français. Les travaux de cette thèse ont principalement pour but de proposer des méthodes de création de scénarios afin de consolider l’expertise en anesthésie grâce à un simulateur, en s’appuyant sur les données réelles. Pour cela, nous avons étendu l’approche du raisonnement à partir de cas, à des cas décrits par des traces d’événements et des séries temporelles multivariées, et où la prédiction est aussi une série temporelle multivariée. Le test de trois instanciations de cette approche nous a permis de conclure au réalisme de la simulation dans chacun des cas. Par ailleurs, nous avons proposé un modèle de représentation synthétique du déroulement d’une chirurgie, à partir des données d’une cohorte de patients. Pour obtenir de telles cohortes, nous proposons une stratégie combinant deux approches de clustering et utilisant un critère de complexité. Ce critère a été validé au cours d’expérimentations préalables sur des données simulées. Ce modèle de représentation synthétique original, annoté par des séries temporelles, permet un contrôle de sa complexité ainsi que la simulation d’un patient virtuel avec un réalisme similaire aux précédents types de simulation. Cette représentation synthétique annotée représente de plus un intérêt pour l’anonymisation de ces données temporelles complexes. La construction automatisée de ces simulations repose sur l’exploitation des données d’anesthésie collectées lors de chirurgies. L’exploitation de ces données étant réglementée, nous avons construit un simulateur de données réalistes. Nous avons montré que cette approche inédite, basée sur l’expertise de soignants en anesthésie, fournit bien des séries temporelles réalistes.
