Projet de recherche doctoral numero :8288

Description

Date depot: 24 mars 2022
Titre: Outils d’Intelligence Artificielle pour la E-Medecine Préventive: Cas de l’Hypertension
Directrice de thèse: Maria Alejandra ZULUAGA (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini

Resumé: Ce projet vise à développer et à valider un ensemble d'outils d'IA pour la prévention et la gestion de l'hypertension qui s'appuie sur des données collectées en dehors du cadre clinique conventionnel. En particulier, les données recueillies de manière non conventionnelle seront obtenues à partir des stations AiPod. Une station AiPod est une station autonome et en libre-service qui permet de recueillir 26 mesures vitales d'un sujet en 10 minutes. Pour réaliser son ambition, ce projet de recherche va : 1) Définir et développer de nouvelles méthodes basées sur l'apprentissage pour l'analyse robuste des mesures physiologiques et biométriques obtenues à partir de la station AiPod. 2) Définir une mesure ou un score pour quantifier le risque de développer une hypertension. 3) Définir et développer un cadre méthodologique pour identifier des schémas chronologiques anormaux sur les données longitudinales collectées à partir de la station AiPod.

Résumé dans une autre langue: This project aims to develop and validate a set of AI tools for hypertension prevention and management that relies on data collected outside a conventional clinical setup. In particular, the non-conventionally collected data will be obtained from AiPod stations. An AiPod station is a stand-alone and self-service station that allows the collection 26 vital measurements from a subject within 10 minutes time. To achieve its ambition this research project will: 1) Define and develop novel learning-based methods for the robust analysis of physiological and biometric measures obtained from the AiPod station; 2) Define a measurement or score to quantify the risk to develop hypertension and 3) Define and develop a methodological framework to identify abnormal temporal patterns on longitudinal data collected from the AiPod station.



Doctorant.e: Chaptoukaev Hava