Datathon 2024

Défi N°1 PREDIKT (Prédiction et Technologies Cardiovasculaires) ПРЕДИКТ
Prediction des evenements hémodynamiques par analyse de signaux non ivasifs de plethysmographie (lyapunov)

Ce projet est une initiative médicale visant à prédire l'hypotension artérielle à partir d'une mesure non invasive de plethysmographie (saturation pulsée en oxygène du doigt de la main). L’hypotension artérielle en contexte chirurgical est la troisième cause de mortalité dans le monde. L'objectif est de développer un outil prédictif non invasif en analysant la courbe de plethysmographie et des paramètres dérivés de cette courbe. La méthode utilise une base de données de plus de 3000 dossiers patients et une base personnelle pour analyser la dynamique cardiovasculaire et prévoir les changements de pression artérielle significatifs (> 10%). Des techniques avancées d'apprentissage automatique interpréteront ces variables dans un contexte opératoire. Ce projet est le début d'un projet plus vaste qui comprend : Constituer une équipe pour analyser et développer le modèle, entretenir le modèle et le perfectionner, Transformation du modèle en logiciel/outil applicable en pratique clinique (plug and play), puis Validation clinique par étude (diminution de la mortalité/morbidité). Le projet nécessite une équipe collaborative pour l'analyse et le développement du modèle puis une équipe visant à transformer le modèle en un logiciel clinique pratique avec des applications potentielles dans d'autres domaines de surveillance médicale.

Défi N°2 brainXtract
Extraction de volumes acquis selon une modalité d'histologie 3D

Notre laboratoire NeuroGeMM a fait l'acquisition d'un appareil d'imagerie histologique en 3D sur lequel nous enregistrons des images de cerveaux de souris. Une part trop lourde de notre travail consiste en l'extraction du cerveau de sa "coquille". La tâche qui nous incombe dans ce défi est d'entraîner un réseau de neurones afin de pouvoir segmenter le cerveau automatiquement grâce aux quelques milliers d'images de cerveaux déjà disponibles.

Défi N°3 PRAD (Détection de la douleur chez un patient atteint d'Alzheimer)
Détection d'un comportement douloureux chez un patient atteint d'Alzheimer

Contexte médical Les patients atteints de troubles cognitifs ont souvent des difficultés à communiquer verbalement avec leur entourage, en particulier pour exprimer une sensation douloureuse. Or, si cette douleur persiste, elle peut provoquer des troubles du comportement tels que l'agressivité, l'agitation ou des hallucinations. L'observation des signes non verbaux, en particulier au niveau du visage, peut être une méthode efficace pour détecter cette douleur. Contexte technique Afin de répondre à ce besoin médical, nous envisageons de développer une solution numérique. Cette solution aura pour objectif de détecter la douleur chez les patients atteints d'Alzheimer en s'appuyant sur l'analyse de leurs émotions et de leurs mimiques. Cette approche technologique permettra une détection précoce de la douleur, facilitant ainsi une prise en charge rapide et adaptée de ces patients.

Défi N°4 Scipyo
Assistant médical permettant de transcrire la parole des échanges d'une consultation en texte et en synthétisant les informations clés afin de l'intégrer dans les observations médicales et les courriers

Conçu pour transformer l'interaction entre les médecins et leurs patients. Cet outil intègre des technologies de reconnaissance vocale et de traitement du langage naturel (NLP) pour offrir une transcription précise des consultations médicales en temps réel. Fonctionnalités Clés : Transcription Vocale Intelligente : capte la conversation entre le médecin et le patient, la transcrivant fidèlement en texte. Cette fonction permet de réduire le temps passé à la saisie manuelle des informations, diminuant ainsi les risques d'erreurs. Synthèse et Catégorisation des Données : L'outil analyse le texte transcrit pour en extraire des informations clés telles que les symptômes, les diagnostics, les traitements prescrits, et les recommandations. Ces données sont ensuite organisées en catégories paramétrables selon les besoins du praticien. Intégration avec les Systèmes Existantes : Il peut se synchroniser avec des dossiers médicaux électroniques (DME), facilitant la mise à jour et la gestion des dossiers patients. Avantages : Gain de Temps et d'Efficacité : En automatisant le temps de saisie et d'écriture, les professionnels de santé peuvent consacrer plus de temps à l'interaction humaine et au soin des patients. Amélioration de la Qualité des Soins : Avec des dossiers plus précis et complets, les décisions médicales sont mieux informées, améliorant ainsi la qualité et coordination des soins. Facilité d'Utilisation : Une interface intuitive et un processus d'intégration simple rendent accessible à tous les professionnels de santé, quels que soient leur niveau de compétence technologique.

Défi N°5 RESOMEEG
Créér une appllication IA qui permette l'analyse automatique des stades de sommeil pour l'ananlyse d'examens médicaux

En pratique médicale courante, nous réalisons des enregistrements polysomnographiques de sommeil qui comprennent : 1. un enregistrement électroencéphalographique = activité électrique produite par les neurones 2. un enregistrement électrooculographique = enregistre l’activité électrique produite par les mouvements oculaires 3. enregistrement électromyographique = enregistrement de l'activité électrique produite par l'activité musculaire 4. Autres enregistrements : Activité cardiaque, respiratoire… L'analyse de ces enregistrements est produite à l'aide de logiciels. Pour l'analyse des cinq stades de veille et sommeil, la production d'un graphique, appelé hypnogramme, est réalisée à partir des résultats de l'analyse qui est faite pour chaque période de 30 secondes (appelée époque) : - veille = stade 0 - endormissement = stade 1 - sommeil lent léger = Stade 2 - sommeil lent profond = stade 3 - sommeil paradoxal = stade 5. Les logiciels dont nous disposons sont peu performants pour obtenir une analyse automatique distingant de façon fiable ces cinq stades de veille et sommeil. Nous devons faire cette analyse manuellement ce qui prend énormément de temps. L'objectif du défi est donc d'utiliser une IA pour lui faire apprendre la reconnaissance des différents stades de sommeil afin de créer de façon automatique cet hypnogramme et que la concordance des résultats entre l'IA et notre analyse visuelle soit la meilleure possible. Pour cela un certain nombre de tracés source ont été analysés et annotés et serviront de thésaurus pour les résultats obtenus par l'IA sur ces mêmes tracés vierges.

Défi N°6 AIMS (Automated Inventory Management System)
Outils de plannification et d'optimisation de la gestion de stock des automates de dispensation nominative de médicaments

Introduction et contexte : Depuis maintenant plus de 10 ans, les pharmacies des hôpitaux se munissent de robots permettant l'automatisation de la préparation nominative (pour chaque patient) des doses à administrer, notamment par sur-conditionnement des médicaments. Ces machines ont pour objectif d'améliorer la sécurisation du circuit du médicament. Comment les robots fabriquent-ils les piluliers ? Ces derniers disposent d'un logiciel interne recevant les informations des prescriptions à fabriquer sous forme de piluliers provenant du logiciel de gestion de stock de la pharmacie qui lui même reçoit en amont les informations (prescriptions médicamenteuses) du dossier patient informatisé (DPI). Le logiciel de gestion de stock et celui des automates communiquent en permanence afin d'effectuer les ajustements de stocks (entrées, sortie de médicaments). Les automates disposent d'un nombre d'emplacements limité ainsi que d'une disposition de stockage propre (doses sur-conditionnées qui sont contenues en nombre restreint dans des boîtes de stockage). Afin de réaliser les piluliers les plus sécurisés en terme qualitatif (références dispensées) mais également quantitatif (quantité en stock à adapter à la référence) , il faut un stock de médicament optimal dans les machines. Actuellement, la gestion se fait par le croisement de différentes bases de données (logiciel de stock pharmacie, logiciel automate) et sur l'expertise du pharmacien (pertinence du choix des références à placer dans l'automate et celles à exclure). Ces analyses, chronophages, devraient être réalisées fréquemment notamment pour anticiper les modifications de traitement éventuelles (exemple : effet des saisons) ou encore les ruptures de médicament. Objectif : Automatiser la planification du stock de l'automate via la création d'un outil permettant une analyse "en temps réel" des actions à mener pour optimiser le contenu des robots afin de délivrer les piluliers les plus sécurisés et complets possible. Données : - Données utilisées : consommation des médicaments (logiciel automate), cartographie de l'automate (nombre d'emplacements, nombre de doses contenues dans les boîtes de stockage par références), livret médicament (logiciel de stock pharmacie), Extraction des données d'administrations des médicaments afin de mieux connaître la temporalité et les types de modifications de traitement (DPI). - Connaissances pharmaceutiques apportées aux données : le professionnel de santé ajoutera des données de pertinence quant aux choix des médicaments avec des notions telles que : traitement aigu ou chronique, échelle de cotation de l'impact clinique, exclusions de certaines classes thérapeutique... etc - Données sous format Excel. - Seuls les médicaments sous forme orale sèche feront l'objet d'une analyse.

Défi N°7 OCTAVA - OCT Artefacts detection and Vessels Analysis
À partir d’OCT-A de la rétine, détection des artéfacts, segmentation des vaisseaux, régression par ML/DL sur des biomarqueurs

L’OCT-A est une technique d’imagerie non invasive, non irradiante et rapide permettant d’acquérir des images détaillées de la rétine en face et en coupe, ainsi que des données qualitatives et quantitatives de la microvascularisation rétinienne. Cette dernière est étroitement liée à la vascularisation systémique. Elle a prouvé sa capacité à évaluer le niveau de risque cardio-vasculaire global. Aujourd’hui, les mesures OCT-A sont obtenues à partir d'algorithmes propriétaires non open-source dépendant du constructeur. Elles ne permettent donc pas d'obtenir des données sur d’autres machines. De plus, les acquisitions OCT-A sont très sensibles aux artefacts. Nos objectifs sont, à partir d’une base de données composée d’OCT-A (images en coupe et en face de la rétine) et de biomarqueurs : - mise en place d’un contrôle qualité (détection d’artefacts sur les images en face, - segmentation des vaisseaux et de la zone avasculaire fovéolaire (FAZ), - régression sur les biomarqueurs.

Défi N°8 CAPIA 2024
Création d'une application permettant la lecture et l'interprétation d'images de capillaroscopie peri-unguéales chez les patients ayant un phénomène de Raynaud. Création d'un outils de e.learning

Capillaroscopie peri-unguéale. -Examen réalisé a l’aide d’un vidéo-microscope pour bilan de phénomène de Raynaud. -Examen recommandé en pratique clinique afin de ne pas méconnaitre un Raynaud secondaire à une maladie de type vascularite ou sclérodermie et syndromes apparentés. -Résultat: Des anomalie de la morphologie et du nombre de capillaires permettent d’évoquer le diagnostic de ces maladies, parfois avant l’apparition de signes cliniques. En 2023 -La participation au Datathon a permis grâce à l’IA, une identification automatique de la principale anomalie de la sclérodermie qu’est le mégacapillaire et de créer une interface. Mais l’outil développé est incomplet pour une utilisation en pratique clinique. Projet CAPIA 2024 Contexte technique -Images en JPEG a partir des examens réalisés (1 à 2 image par doigts sur 8 doigts/ patient) -Base de données service Angio CHU utilisée en 2023 -Possibilité d'augmentation de la base de donnée avec la de participation d’autres centres hospitaliers (Association aMeVah) pour augmenter la base de données et/ou pour tester l’application -Traitement des images en amont de la participation au Datathon Objectif N°1: Avoir une application qui en plus de la détection des mégacapillaires, mesure la densité et détecte des dystrophies majeures (autres que le mégacapillaire) Objectif N°2: Créer un outil de E learning.

Défi N°9 OVNI (Observances Vigilantes Naturellement Intuitives)
Développement d’un outil prédictif de l’observance thérapeutique dans la population gériatrique

L’observance thérapeutique est une démarche multifactorielle. Elle est déterminée par des critères: - Démographiques: âge, sexe - Socio-économiques - Physiopathologiques: troubles cognitifs, addictions, états dépressifs, etc. - Thérapeutiques: classes thérapeutiques, nombre de médicaments, nombre de prises, formes galéniques, etc. L’absence d’observance du traitement médicament peut entrainer : • Un risque d’échec thérapeutique • Un coût financier pour la société Actuellement, le pharmacien ne peut déterminer l’observance à venir d’un patient, par: - Manque de temps - Manque d’outils Cette information serait pourtant intéressante pour mettre en place des démarches d’éducation thérapeutique. Un outil permettant d’estimer l’observance attendue du patient est souhaitable La détermination de cette observance attendue devrait se faire en fonction de: - Données démographiques présentes sur la carte VITALE du patient: âge, sexe - Les médicaments prescrits au patient: Le résultat devra être présenté sous la forme d’un score. Pour construire un tel outil, nous disposons des données de la cohorte PREMAGE qui est un observatoire de la prescription chez le sujet âgé, contenant des données d’observance sous la forme du score de GIERD calculé pour chaque patient de la cohorte.

Défi N°10 CAPSO (Consultation Avec Préparation Sans Oubli)
Outil numérique d'aide à la préparation d'une consultation médicale

Le projet CAPSO est un projet visant à développer une solution numérique d'accompagnement pour les patients. Cette solution, sous forme d'application mobile ou web, agirait comme un assistant virtuel. Elle aiderait les patients à préparer leur consultation médicale en recueillant des informations précieuses et pertinentes sur leurs antécédents, l'histoire de la maladie, leurs symptômes, en les guidant à travers un questionnaire et en générant une fiche synthétique, ordonnée et organisée, à destination du médecin le jour de la consultation. L'objectif est de gagner en précision et en efficacité lors des consultations, en réduisant les pertes d'informations et en améliorant la hiérarchisation des besoins médicaux.

Défi N°11 cAirePathway
Résumé et recommandation basés sur des bases de données d'études cliniques à partir des informations du DPI

Constat : Les techniques de prises en charge évoluent constamment surtout pour les patients complexes - Patient multi-pathologiques - Parcours de soin complexes - Technique chirurgicale de plus en plus complexes Il y a un manque d’Outil d’aide à la décision pour prendre en charge ces patients. La solution proposée : A partir des informations du DPI (facteurs de risque, pathologies, prise en charge, profils...), l'algorithme interrogera plusieurs bases de données et émettra des recommandations : 1. HAS : recommandations spécifiques 2. Société savante construise les Conférence de consensus 3. Pubmed (pertinence et récentes) 4. Etude clinique : Base de données européenne -> validation d'éligibilité La solution fonctionne de manière automatique, ce qui permettra d'apporter de l'information aux soignants, même s'il y a une absence de conscience de la situation.

Défi N°12 OWLIA
Your digital assistant for cinical trial

La prise en charge du patient dans un essai clinique impose une rigueur et une traçabilité des actes réalisés. Compte tenu de la multiplicité des essais et des actes à réaliser, associée à la complexité de ceux-ci, il existe un risque d’erreur et de déviation au protocole (pouvant aller jusqu’à 40% dans la littérature). Ces déviations peuvent altérer la sécurité du patient ainsi que les données de l'étude clinique. A ce jour, en dehors du protocole de l’étude, il n’existe pas d’outil pour aider les soignants dans la réalisation de ces taches. Notre objectif : Accéder à l’innovation en toute sécurité dans le respect du protocole de l’étude Notre proposition : OWLIA, une plateforme web sécurisée avec des comptes utilisateurs (Un accès restreint aux essais cliniques autorisés dans lequel l’utilisateur est déclaré) offrant : 1/ Visibilité globale de l’étude : statut de recrutement, places disponibles, documents récent 2/ Expérience soignant : Planification et traçabilité de la prise en charge du patient 3/ ChatBot : basé sur le protocole de l’étude pour assister les soignants.

Défi N°13 ScreenGPT
Intégration d'un modèle LLM (type chat GPT) dans notre web app Screenact Pro pour optimiser l'expérience utilisateur et mieux cibler les requêtes d'essais cliniques

ScreenACT Pro est une application web révolutionnaire pour la recherche clinique en oncologie, conçue pour identifier rapidement les essais cliniques adaptés aux patients en se basant sur leurs caractéristiques médicales. Lancée en 2021, notre start-up s'efforce de surmonter les défis de l'accès aux innovations thérapeutiques en oncologie, en accélérant le recrutement dans les essais cliniques et en facilitant la coordination entre centres hospitaliers. Nous envisageons d'intégrer un Grand Modèle de Langage (LLM) dans ScreenACT Pro pour améliorer considérablement la recherche clinique. Ce processus implique l'entraînement du LLM sur notre base de données unique, comprenant des caractéristiques médicales, des protocoles d'essais cliniques, coordonnées des établissements et des informations sur les acteurs de la recherche clinique (investigateurs, sponsors et ARC/TEC des essais cliniques). Le LLM apprendra à comprendre le langage médical, à analyser les critères d'éligibilité des essais cliniques et les statistiques liées aux essais cliniques et à fournir des recommandations en temps réel. L'intégration d'un LLM offrirait une compréhension contextuelle améliorée, permettant aux chercheurs de poser des questions de manière conversationnelle. Les résultats de recherche seraient plus personnalisés, basés sur l'historique de l'utilisateur et les caractéristiques des patients, facilitant ainsi la prise de décision éclairée. De plus, notre LLM traiterait efficacement les données complexes, fournissant des analyses avancées et une communication plus fluide avec l'application. Rejoignez nous dans cette aventure passionnante pour révolutionner la recherche clinique en oncologie !

Défi N°14 CHOKAPIC (Classification of Hematias using the Optimized KleihAuer test for Prediction via Intelligent Computing)
Développement d'un logiciel d'automatisation du test de Kleihauer par Deep Learning

Le test de Kleihauer est un test sur frottis sanguin détectant et quantifiant les hématies fœtales dans le sang maternel dont la technique repose sur l’élimination sélective de l’hémoglobine maternelle tout en préservant l’hémoglobine fœtale afin de différencier facilement au microscope les deux types d’hémoglobine. Son utilisation est primordiale en cas d'incompatibilité fœto-maternelle pour évaluer la pertinence de l'administration d'immunoglobulines anti-RH1, en particulier dans les contextes d'hémorragies fœto-maternelles où la rapidité d'exécution influence directement le pronostic vital du nouveau-né. Ce test manuel souffre cependant d’une standardisation limitée, d’une reproductibilité réduite et d’une précision médiocre. Le délai prolongé de réalisation peut avoir des conséquences sur la prise en charge du clinicien tout en mobilisant inutilement le temps d’une technicienne de laboratoire. Le développement d’un logiciel d’automatisation dans ce processus pourrait non seulement réduire les délais d'exécution, améliorant ainsi la réactivité dans les situations d'urgence, mais également alléger les contraintes techniques en libérant du temps de travail pour le personnel de laboratoire.

Défi N°15 CHU3D (Modélisation des batiments du CHU Dijon Bourgogne)
Modéliser les bâtiments du CHU

Modéliser les bâtiments du CHU afin de finaliser l’outil de modélisation du flux passé. Cette modélisation 3D devra respecter le métrage et la géolocalisation et pout être réplicable pour d’autres utilisations ultérieures. Actuellement l’application modélise les flux mais sur une cartographie basique. Cela apportera une meilleur visualisation de celui-ci et à terme de faire une analyse des zones de fortes activités.

Défi N°16 LIA (IA lymphome)
Prédiction par IA des réarrangements BCL2, BCL6 et MYC des lymphomes B agressifs matures

Les lymphomes à grandes cellules B et leurs variants sont les lymphomes les plus fréquents. Leur traitement nécessite une immuno-chimiothérapie intensive le plus souvent à base de R-CHOP. La classification précise des lymphomes nécessite maintenant des données moléculaires (mutations, réarrangements, profil transcriptomique). Les réarrangements des gènes BCL2, BCL6 et MYC sont les plus fréquemment rencontrés. Leur présence permet d’identifier des formes plus agressives (lymhome de haut grade) qu’il n’est pas toujours possible de suspecter sur les données morphologiques seules. Ces formes agressives nécessitent des traitements plus intensifs, notamment chez les sujets jeunes. Les réarrangements peuvent être détectés par hybridation in situ fluorescente (FISH) ou par des technique de séquençage haut débit (NGS) de l’ARN. De plus en plus, le diagnostic de lymphome est réalisé sur des biopsies à l’aiguille de petite taille. La quantité de tissu disponible ne permet pas toujours de faire les techniques moléculaires complémentaires (FISH et/ou NGS) souvent indispensables. Afin de ne pas faire de perdre de chance aux patients, ce projet vise à développer un algorithme d’intelligence artificielle qui permettent de prédire à partir de la lame numérisée utilisé pour le diagnostic et colorée par l’HES, la présence de réarrangements de BCL2, BCL6 et MYC. Cet outil pourrait permettre une classification histo-moléculaire de la plupart des lymphomes B agressifs mature même si la quantité de tissu est insuffisante.

Défi N°17 BAC++ (Optimisation de la formation du personnel en bactériologie médicale)
En vue d’optimiser la formation nécessaire mais chronophage du personnel en bactériologie médicale, il est proposé la réalisation d’une plate-forme internet proposant des questions associées à des photos en lien avec la discipline (Gram de bactéries/cultures/antibiogrammes)

La biologie médicale occupe une place importante dans l'activité de diagnostic (environ 60% des diagnostics cliniques sont accompagnés de prescription d’analyses biologiques) et le pronostic vital des patients peut être engagé en cas d’erreur. Une formation adaptée du personnel est donc nécessaire. Celle-ci est cependant chronophage d’autant plus que le turn-over du personnel est important, que ce soit le personnel technique ou les internes de biologie médicale. Le but de ce projet est l'optimisation de la formation du personnel en bactériologie médicale. Il est proposé la réalisation d'un site internet regroupant des questionnaires d'autoévaluation. Ces questionnaires seront des photos en lien avec la discipline (Coloration de Gram de divers prélèvements, antibiogrammes, cultures...) associées à des questions. Cela sera notamment pertinent pour un public naïf vis à vis de la discipline pour acquérir un 1er socle de connaissance mais rien n'empêche la réalisation de questions plus complexes. Cela sera proposé en complément de la formation actuelle qui nécessite bien sûr de voir l’activité en pratique réelle. Une finalité évaluative de l'outil est également envisageable et des questionnaires dédiés pourraient être utilisés. Cela pourrait être utilisé comme un élément de l'évaluation des étudiants en stage ou pour l'habilitation du personnel. Au laboratoire, avant que le personnel soit autorisé à réaliser en autonomie les tâches qui leur sont confiées, un parcours de formation doit être complété. Une fiche d'habilitation est ensuite renseignée également, un des critères de cette habilitation est la complétion d'un questionnaire.