Datathon 2026

Défi N°1 GLAM-Challenge
Prédiction du taux de progression en dB/an du MD (mean deviation) et %/an du VFI (visual field index) des patients myopes forts et glaucomateux via le deep learning.

En 2025 et depuis plusieurs années la myopie et le glaucome connaissent une prévalence croissante. La myopie devrait atteindre 50% de la population mondiale d'ici 2050 dont 1 milliard d'individus myopes forts/pathologiques. Le glaucome est la première cause de cécité mondiale irréversible, la myopie en est un facteur de risque avec une hausse du risque relatif d'environ 20% par dioptrie de myopie. Le suivi du glaucome est effectué à l'aide de mesures anatomiques (OCT (RNFL), photo de papille) et fonctionnelles (champ visuel). Passé 40 ans, il existe une perte physiologique d'environ 8000 cellules ganglionnaires par an(0,2 à 0,5µm/an) (1.2 millions cellules ganglionnaires/Nerf optique), taux drastiquement aggravé par le glaucome. L'épaisseur du nerf optique est mesurée par tomographie à cohérence optique (OCT) puis comparée à une base de données de centaines patients considérés comme sains, ajustée sur l'ethnie, l'âge, la réfraction. L'augmentation de la longueur axiale est responsable d'un artefact de projection/mesure rendant peu fiable l'évaluation de la composante anatomique. Le champ visuel dispose de nombreux indices. Ici le MD mesuré en dB correspond à l'écart par rapport à une population saine du même âge. Le VFI ("index de champ visuel") quantifie le champ visuel du patient en pondérant la valeur des points selon leur localisation (les points centraux > périphériques). L'algorithme actuel de ZEISS permet d'établir une courbe de tendance du MD/VFI dès 6 champs visuels (environ 2 ans de suivi). Depuis janvier 2024 nous avons créé dans le service d'ophtalmologie une base de données de patients myopes forts glaucomateux ou simplement hypertones (excès de tonus oculaire sans glaucome). Les patients (majeurs) ont été filtrés de façon à disposer d'un suivi >= 2ans, des valeurs de longueur axiale, RNFL, des photos de papille, un suivi par champ visuel. Nous disposons de nombreuses données annexes telles que le sexe, l'age, le statut tabagique, les comorbidités générales et ophtalmologiques, les traitements (médicaux/chirurgicaux) et le taux de progression à ce jour. La base de données contient actuellement une centaine de patients (environ 200 yeux), 1500 photos de papille, 1500 OCT et autant de champ visuel. Ces DCM sont actuellement en cours d'export et anonymisation. L'objectif du projet est la création d'un modèle de deep learning prenant l'ensemble des données disponibles en input et capable de prédire avec seulement 3 consultations de suivi (contre 6 actuellement) le taux de progression du glaucome : lent (< 0.5dB/an), modéré (0.5 - 1 db/an) ou rapide (>1db/an).

Défi N°2 Back2speaK
Back2speaK est un outil à visée de rééducation en orthophonie et rééducation linguale à domicile.

Fort de l’expérience passée avec Back2smilE nous souhaitons avec Back2speaK aborder un nouveau champ de compétence par l’analyse sonore. En France, les troubles de l'articulation concernent entre 5 et 8% des enfants d'âge scolaire selon l'Assurance Maladie. Cette prévalence varie selon l'âge : elle atteint 15% chez les enfants de 3 ans, puis diminue progressivement pour se stabiliser autour de 2-3% à l'adolescence. Les cabinets d’orthophonie sont sur liste d’attente il faut en moyenne 8 à 24 mois (ou plus)pour une prise en charge, les séances sont proposées à une fréquence de 1/7 ce qui est peu pour automatiser un geste articulatoire correct. La répétition quotidienne permettrait d’ancrer le geste plus efficacement et plus rapidement. Nous cherchons à dévelloper un outil de rééducation capable de détecter les déficits phonétiques et de proposer aux patients des exercices à domicile, qui s’adaptent aux besoins, prodiguent des conseils et des exercices efficaces et qui évoluent en fonction des progrès.

Défi N°3 STARTER BFC
Le projet vise à optimiser le suivi des patients traités par thérapies orales anticancéreuses grâce au suivi thérapeutique pharmacologique, en développant un logiciel centralisé permettant de créer les dossiers patients, d’ajouter les dosages et de générer automatiquement les comptes-rendus sans nécessiter de compétences avancées, tout en supprimant l’usage des bons papiers et des échanges hétérogènes. Cette solution unique regroupe, structure et sécurise l’ensemble des données, et automatise la production des documents afin d’offrir un flux de travail entièrement numérique, fiable et rationalisé.

Le projet vise à optimiser le suivi des patients traités par thérapies orales anticancéreuses grâce au suivi thérapeutique pharmacologique. Cette approche consiste à mesurer les concentrations sanguines du médicament afin d’estimer l’exposition réelle du patient et, le cas échéant, de proposer une adaptation posologique personnalisée. À l’heure actuelle, l’ensemble du processus repose sur des étapes manuelles : les demandes de dosage sont remplies sur support papier, les analyses sont faites sous R, les résultats sont transmis par messagerie sécurisée puis retranscrits à la main, et les comptes-rendus sont rédigés manuellement avant d’être envoyés aux cliniciens. Ce fonctionnement génère une perte de temps importante, augmente les risques d’erreur et disperse les informations entre différents supports. De plus, il est difficile de pouvoir partager notre outils avec d'autres équipes hospitalières. Pour répondre à ces limitations, le projet propose de mettre en place un système numérique centralisé intégrant une base de données robuste, une interface permettant le remplissage automatisé des demandes de dosage, ainsi qu’un outil facilitant l’extraction et l’exploitation des données sans ressaisie. L’ensemble doit permettre également l’automatisation de la rédaction et de l’envoi des comptes-rendus. La solution idéale se présente sous la forme d’un logiciel simple d’utilisation, accessible à l’ensemble de l’équipe clinique et de modélisation, capable de centraliser et sécuriser les informations, de réduire les tâches répétitives et de générer automatiquement des comptes-rendus fiables sans nécessiter de compétences techniques avancées.

Défi N°4 IFPM45
Aider, via un outil numérique, un soignant (infirmier notamment) à identifier un niveau de risque pour sa pratique professionnelle dans le domaine des calculs de doses et de débits en lien avec l’administration des traitement médicaux prescrits.

L’HAS a publié un rapport relatif aux évènements indésirables graves associés aux soins (EIGS), qui a mis en évidence, dès 2018, que les évènements indésirables liés aux médicaments représentaient la troisième cause d’EIGS déclarés (169/382) avec une sur-représentation de l’erreur de dose liée à un calcul de dose incorrect, 80/169. L’HAS identifie plusieurs causes : non maitrise des fondamentaux du calcul, non systématisation du double contrôle, les interruptions de tâches. D’autres études, mettent en évidence un facteur général « conditions de travail » (Hôpitaux universitaires de Genève, 2002). Chaque année des soignants commettent des erreurs aux conséquences parfois dramatiques pour les patients. L’idée du projet est de rassembler, en un seul outil numérique, d’accès simple, rapide et facile pour le soignant, l’évaluation de toutes les causes possibles d’erreurs, en lien avec sa situation du moment et par rapport aux descriptions des EIGS (évènements indésirables graves liés aux soins) survenus. L’outil pourrait combiner une évaluation générale du soignant sur des critères mesurés ou auto renseignés (humeur, sommeil, …), une évaluation de la vigilance par rapport à des calculs mathématiques classiques (test), et une évaluation du contexte de travail (planning, rh, service habituel ou non, …). Ces différents éléments seront comparés à des données relevées dans des EIGS avérés. En complément l’outil peut dispenser des exercices de calculs de doses et de débits réguliers afin de maintenir une forme d’entrainement régulier du soignant. L'alerte donnée par l'outil aura vocation d'aider le soignant à prendre en compte une fragilité particulière et mettre en place les mesures appropriées.

Défi N°5 SafeHome AI
Proposez une solution intelligente pour repérer automatiquement des situations à risque chez les personnes âgées vivant seules, en entraînant un modèle sur des données réelles de maisons connectées non intrusives.

Le vieillissement de la population crée un besoin croissant de solutions capables d’aider les personnes âgées à vivre à domicile en toute sécurité. Les chutes, l’inactivité anormale ou les comportements inhabituels représentent un risque majeur, et les dispositifs de téléassistance actuels sont souvent limités car ils reposent sur une action volontaire de la personne. Ce défi propose de développer un prototype d’intelligence artificielle reposant sur des capteurs non intrusifs pour : - Reconnaître les activités quotidiennes (HAR — Human Activity Recognition), - Détecter automatiquement des anomalies ou situations à risque (inactivité, séquence inhabituelle, motifs anormaux), - Simuler des scénarios d’alerte à partir de données artificielles ou générées, - Facultatif : créer une interface simple pour visualiser les activités ou notifier les anomalies. Les participants n’auront pas besoin de capteurs physiques : le travail se base exclusivement sur des données existantes et sur des scénarios simulés. L’objectif est de produire en 48h un prototype fonctionnel combinant data science, IA séquentielle et éventuellement une interface utilisateur.

Défi N°6 HealthTwin 360
Jumeau numérique augmenté par IA

HealthTwin 360 vise à créer une plateforme d’intelligence artificielle capable de construire un jumeau numérique clinique global pour chaque patient, en intégrant automatiquement et de façon intelligente toutes les données médicales utiles : examens d’imagerie (dont TEP), résultats biologiques, antécédents, traitements, comptes rendus, données de prévention et mesures du mode de vie.

Défi N°8 PredictIA
Développez un modèle d’intelligence artificielle capable de prédire la probabilité de succès des essais cliniques et d’identifier automatiquement les facteurs associés à l’échec ou à la réussite, à partir de données historiques structurées et non structurées.

Chaque année, une part importante des essais cliniques ne parvient pas jusqu’à la publication ou à la mise sur le marché, entraînant une perte de temps, de ressources et d’opportunités thérapeutiques. Les causes sont multiples : critères d’inclusion trop restrictifs, cohorte insuffisante, mauvaise sélection de centres, protocole inadapté, etc. Les données publiques d’essais cliniques, bien que riches, restent très hétérogènes et difficiles à exploiter directement. Ce défi propose de concevoir un prototype d’IA permettant de : Classifier les essais passés entre publiés et non publiés, à partir d’un jeu de données d’essais cliniques européens. Développer un modèle prédictif (ML) estimant la probabilité qu’un essai aboutisse à une publication. Analyser automatiquement les textes (critères, objectifs, design, centres…) pour repérer les facteurs associés à un échec. Identifier les leviers d’amélioration, par exemple : cohorte trop faible, critères d’inclusion trop stricts, déséquilibre géographique, manque de centres expert Produire un court rapport généré automatiquement par un modèle NLP résumant : les risques, les facteurs d’échec et de succès des recommandations de modification. Le travail s’appuie exclusivement sur des données existantes (structurées et non structurées). L’objectif est de proposer un prototype fonctionnel permettant d’expérimenter : un modèle prédictif, une première analyse automatique des facteurs d’échec, et éventuellement une mini-interface ou un rapport généré automatisé.