The increase in diagnostic and therapeutic procedures in the treatment of oncological diseases, as well as the limited capacity of experts to provide information, necessitates the development of therapy decision support systems (TDSS). We have developed a treatment decision model that integrates available patient information as well as tumor characteristics. They are assessed according to their relevance in evaluating the optimal therapy option. Our treatment model is based on Bayesian networks (BN) which integrate patient-specific data with expert-based implemented causalities to suggest the optimal therapy option and therefore potentially support the decision-making process for treatment of laryngeal carcinoma. To test the reliability of our model, we compared the calculations of our model with the documented therapy from our data set, which contained information on 97 patients with laryngeal carcinoma. Information on 92 patients was used in our analyses and the model suggested the correct treatment in 419 out of 460 treatment modalities (accuracy of 91%). However, unequally distributed clinical data in the test sets revealed weak spots in the model that require revision for future utilization.

Pour maintenir leur compétitivité, les industries du semi-conducteur doivent être en mesure de produire des circuits intégrés en technologies avancées, avec des temps de cycle de plus en plus courts et à des coûts raisonnables. Un des axes d’amélioration réside dans le traitement des défaillances des équipements de production tenus responsables de plus de 50%des rejets produits. Cette thèse se fixe comme objectif de contribuer au développement d’une boucle réactive partant d’une dérive produit à la mise en place d’une solution appropriée tout en assurant un meilleur compromis entre disponibilité des équipements, coûts d’exploitation, qualité et compétitivité du produit. Joignant l’expertise humaine et les événements réels, nous nous sommes proposé ici de développer une méthodologie générique permettant de construire un modèle d’estimation du comportement des équipements de production (Equipment Health Factor EHF) à partir d’un raisonnement mathématique centré sur un formalisme probabiliste. L’approche a été amenée à sa validation expérimentale sur des outils, à base de réseaux Bayésiens, que nous avons développés. Les résultats obtenus amènent des éléments de décision permettant à l’industriel d’intervenir au plus tôt pour envisager par exemple de maintenir l’équipement avant qu’il n’ait dérivé. Cette thèse a été préparée dans le cadre du projet européen IMPROVE en collaboration avec STMicroelectronics, Lfoundry et Probayes / Today, the semiconductor industry must be able to produce Integrated Circuit (IC) withreduced cycle time, improved yield and enhanced equipment effectiveness. Besides thesechallenges IC manufacturers are required to address the products scrap and equipment driftsin a complex and uncertain environment which otherwise shall severely hamper the maximumproduction capacity planned. The objective of this thesis is to propose a generic methodologyto develop a model to predict the Equipment Health Factor (EHF) which will define decisionsupport strategies on maintenance tasks to increase the semiconductor industry performance.So, we are interested here to the problem of equipment failures and drift. We propose apredictive approach based on Bayesian technique allowing intervene early to maintain, forexample, the equipment before its drift. The study presented in this thesis is supported by theIMPROVE European project