Modèle d'apprentissage supervisé pour le suivi longitudinal de patients et contrôle qualité en conditions réelles // Supervised learning model for longitudinal patient monitoring and quality control in real-world conditions

Topic description

L'objectif de cette thèse est de développer et déployer un modèle d'apprentissage supervisé en santé, capable d'analyser des données longitudinales de patients tout en garantissant un haut niveau de fiabilité en conditions réelles. L'ambition est de permettre un dépistage précoce, systématique et robuste des enfants à risque de troubles du neurodéveloppement.

Les modèles d'apprentissage profond fournissent généralement des prédictions ponctuelles, dont les performances peuvent évoluer avec les données d'entraînement. Dans des contextes critiques comme le diagnostic ou le dépistage médical, il est essentiel non seulement de prédire, mais aussi de quantifier la fiabilité des prédictions et d'assurer la stabilité des performances dans le temps.

Cette thèse s'inscrit dans le cadre de l'apprentissage continu, un domaine émergent du machine learning, qui vise à concevoir des modèles capables d'intégrer de nouvelles données progressivemen...