L'équipe Premedical (Precision Medicine by Data Integration and Causal Learning) est une équipe jointe entre l'Inria et l’Inserm (Idesp). Cette équipe est composée de chercheurs en statistiques, machine learning, IA, mais aussi de cliniciens et nous avons la particularité d’avoir des étudiants en doctorat de mathématiques appliquées qui sont des médecins (c’est à dire qu’ils ont un thèse de médecine mais poursuivent leurs études pour avoir une thèse en IA). Ces profils sont cruciaux pour une meilleure adoption, utilisation et transfert des nouvelles technologies mais aussi développement d'innovation.

Nous sommes spécialisés dans le développement de méthodes de médecine de précision par apprentissage causal et apprentissage fédéré qui permet entre autres d’assurer la confidentialité des données médicales. Parmi nos objectifs, nous souhaitons accélérer la mise à disposition de médicaments ciblés sur le marché et déployer des algorithmes d’aide à la décision en quantifiant au mieux la confiance dans les prédictions.

PreMeDICaL a trois principaux axes de recherche :

1. Médecine personnalisée par prescription optimale de traitement.

Nous développons des techniques d'inférence causale pour l'apprentissage (dynamique) de politiques (allocation du meilleur traitement pour chaque personne au bon moment), qui gèrent les valeurs manquantes et exploitent à la fois les données d'essais cliniques randomisés et les données observationnelles. L'utilisation des deux sources de données permet de mieux concevoir les futurs essais randomisés et de repenser les preuves nécessaires pour mettre (plus rapidement) des traitements sur le marché.

2. Médecine personnalisée par intégration de sources de données hétérogènes.

Nous construisons des modèles prédictifs pour des données hétérogènes : par exemple, avec des données de surveillance en temps continu, des images et des données cliniques, quel est le risque qu'un événement se produise ? Est-il utile de disposer de toutes ces sources ou fournissent-elles les mêmes informations ? Nous développons en outre des solutions pour apprendre à partir de données décentralisées (apprentissage fédéré), pour traiter les valeurs manquantes dans un contexte d'apprentissage supervisé et pour améliorer la confiance des résultats des modèles prédictifs.

3. Médecine personnalisée avec garanties de confidentialité et d'équité.

Nous développons des approches pour assurer la confidentialité des données médicales et garantir que les modèles ne divulguent pas d'informations sensibles. Nous développons également des méthodes pour gérer les contraintes d'équité afin de garantir que les modèles présentent des performances similaires dans différents groupes de population.

L'objectif de Premedical est de guider les décisions prises par les cliniciens et les autorités sanitaires. L'équipe offre une opportunité unique pour la recherche et la collaboration transdisciplinaires. Au-delà des développements méthodologiques, l'équipe souhaite dans un premier temps apporter des des réponses innovantes aux défis de santé publique posés par les allergies respiratoires.

Collaboration industrielles:  Adène, AdviceMedica, ALK,Capgemini Invent, Drago, Elixir, Quinten Health, Sanofi.