Sir Mortimier B. Davis Jewish General Hospital

Objet publié

La crise engendrée par la pandémie de COVID-19 a entraîné le développement de nombreux algorithmes qui aident les cliniciens à prendre des décisions par la prévision, le traçage des contacts, le dépistage et le traitement des personnes atteintes de la maladie. Un point que ces travaux ont en commun cependant est la crainte que les modèles créés, à cause du biais qu’ils incorporent, aboutissent à des résultats difficiles à généraliser. D’autre part, ces modèles peuvent compliquer l’identification du mécanisme fonctionnel à la base de la formulation des prévisions et, au bout du compte, des raisons pour lesquelles ils ne fonctionnent pas comme prévu. C’est pourquoi il est passablement difficile de faire accepter les méthodes de ce genre aux cliniciens. Le projet montrera qu’un développement centré sur l’utilisateur, combiné à des approches explicables à l’apprentissage automatique, peut amener les cliniciens à adopter davantage les nouveaux outils d’aide à la santé qui reposent sur l’exploitation des données. On y parviendra en créant des pratiques exemplaires pour intégrer l’apprentissage automatique (AA) explicable aux applications informatiques cliniques et en validant ces approches avec le prototype d’une couche explicative qui prendra comme cas type une analyse AA explicable dans le contexte des besoins cliniques engendrés par la pandémie.