Cette thèse s’inscrit dans le cadre du projet "Prendre votre cœur en mains" visant à développer un dispositif médical d’aide à la prescription médicamenteuse pour les insuffisants cardiaques. Dans une première partie, une étude a été menée afin de mettre en évidence la valeur pronostique d’une estimation du volume plasmatique ou de ses variations pour la prédiction des événements cardiovasculaires majeurs à court terme. Deux règles de classification ont été utilisées, la régression logistique et l’analyse discriminante linéaire, chacune précédée d’une phase de sélection pas à pas des variables. Trois indices permettant de mesurer l’amélioration de la capacité de discrimination par ajout du biomarqueur d’intérêt ont été utilisés. Dans une seconde partie, afin d’identifier les patients à risque de décéder ou d’être hospitalisé pour progression de l’insuffisance cardiaque à court terme, un score d’événement a été construit par une méthode d’ensemble, en utilisant deux règles de classification, la régression logistique et l’analyse discriminante linéaire de données mixtes, des échantillons bootstrap et en sélectionnant aléatoirement les prédicteurs. Nous définissons une mesure du risque d’événement par un odds-ratio et une mesure de l’importance des variables et des groupes de variables. Nous montrons une propriété de l’analyse discriminante linéaire de données mixtes. Cette méthode peut être mise en œuvre dans le cadre de l’apprentissage en ligne, en utilisant des algorithmes de gradient stochastique pour mettre à jour en ligne les prédicteurs. Nous traitons le problème de la régression linéaire multidimensionnelle séquentielle, en particulier dans le cas d’un flux de données, en utilisant un processus d’approximation stochastique. Pour éviter le phénomène d’explosion numérique et réduire le temps de calcul pour prendre en compte un maximum de données entrantes, nous proposons d’utiliser un processus avec des données standardisées en ligne au lieu des données brutes et d’utiliser plusieurs observations à chaque étape ou toutes les observations jusqu’à l’étape courante sans avoir à les stocker. Nous définissons trois processus et en étudions la convergence presque sûre, un avec un pas variable, un processus moyennisé avec un pas constant, un processus avec un pas constant ou variable et l’utilisation de toutes les observations jusqu’à l’étape courante. Ces processus sont comparés à des processus classiques sur 11 jeux de données. Le troisième processus à pas constant est celui qui donne généralement les meilleurs résultats / This thesis is part of the "Handle your heart" project aimed at developing a drug prescription assistance device for heart failure patients. In a first part, a study was conducted to highlight the prognostic value of an estimation of plasma volume or its variations for predicting major short-term cardiovascular events. Two classification rules were used, logistic regression and linear discriminant analysis, each preceded by a stepwise variable selection. Three indices to measure the improvement in discrimination ability by adding the biomarker of interest were used. In a second part, in order to identify patients at short-term risk of dying or being hospitalized for progression of heart failure, a short-term event risk score was constructed by an ensemble method, two classification rules, logistic regression and linear discriminant analysis of mixed data, bootstrap samples, and by randomly selecting predictors. We define an event risk measure by an odds-ratio and a measure of the importance of variables and groups of variables using standardized coefficients. We show a property of linear discriminant analysis of mixed data. This methodology for constructing a risk score can be implemented as part of online learning, using stochastic gradient algorithms to update online the predictors. We address the problem of sequential multidimensional linear regression, particularly in the case of a data stream, using a stochastic approximation process. To avoid the phenomenon of numerical explosion which can be encountered and to reduce the computing time in order to take into account a maximum of arriving data, we propose to use a process with online standardized data instead of raw data and to use of several observations per step or all observations until the current step. We define three processes and study their almost sure convergence, one with a variable step-size, an averaged process with a constant step-size, a process with a constant or variable step-size and the use of all observations until the current step without storing them. These processes are compared to classical processes on 11 datasets. The third defined process with constant step-size typically yields the best results

L’avènement de l’utilisation de systèmes d’intelligence artificielle (IA) en santé s’inscrit dans le cadre d’une nouvelle médecine « haute définition » qui se veut prédictive, préventive et personnalisée en tirant partie d’une quantité inédite de données aujourd’hui disponibles. Au cœur de l’innovation numérique en santé, le développement de systèmes d’IA est à la base d’un système de santé interconnecté et auto-apprenant qui permettrait, entre autres, de redéfinir la classification des maladies, de générer de nouvelles connaissances médicales, ou de prédire les trajectoires de santé des individus en vue d’une meilleure prévention. Différentes applications en santé de la recherche en IA sont envisagées, allant de l’aide à la décision médicale par des systèmes experts à la médecine de précision (ex. ciblage pharmacologique), en passant par la prévention individualisée grâce à des trajectoires de santé élaborées sur la base de marqueurs biologiques. Des préoccupations éthiques pressantes relatives à l’impact de l’IA sur nos sociétés émergent avec le recours grandissant aux algorithmes pour analyser un nombre croissant de données relatives à la santé (souvent personnelles, sinon sensibles) ainsi que la réduction de la supervision humaine de nombreux processus automatisés. Les limites de l’analyse des données massives, la nécessité de partage et l’opacité des décisions algorithmiques sont à la source de différentes préoccupations éthiques relatives à la protection de la vie privée et de l’intimité, au consentement libre et éclairé, à la justice sociale, à la déshumanisation des soins et du patient, ou encore à la sécurité. Pour répondre à ces enjeux, de nombreuses initiatives se sont penchées sur la définition et l’application de principes directeurs en vue d’une gouvernance éthique de l’IA. L’opérationnalisation de ces principes s’accompagne cependant de différentes difficultés de l’éthique appliquée, tant relatives à la portée (universelle ou plurielle) desdits principes qu’à la façon de les mettre en pratique (des méthodes inductives ou déductives). S’il semble que ces difficultés trouvent des réponses dans la démarche éthique (soit une approche sensible aux contextes d’application), cette manière de faire se heurte à différents défis. L’analyse des craintes et des attentes citoyennes qui émanent des discussions ayant eu lieu lors de la coconstruction de la Déclaration de Montréal relativement au développement responsable de l’IA permet d’en dessiner les contours. Cette analyse a permis de mettre en évidence trois principaux défis relatifs à l’exercice de la responsabilité qui pourrait nuire à la mise en place d’une gouvernance éthique de l’IA en santé : l’incapacitation des professionnels de santé et des patients, le problème des mains multiples et l’agentivité artificielle. Ces défis demandent de se pencher sur la création de systèmes d’IA capacitants et de préserver l’agentivité humaine afin de favoriser le développement d’une responsabilité (pragmatique) partagée entre les différentes parties prenantes du développement des systèmes d’IA en santé. Répondre à ces différents défis est essentiel afin d’adapter les mécanismes de gouvernance existants et de permettre le développement d’une innovation numérique en santé responsable, qui doit garder l’humain au centre de ses développements. / The use of artificial intelligence (AI) systems in health is part of the advent of a new "high definition" medicine that is predictive, preventive and personalized, benefiting from the unprecedented amount of data that is today available. At the heart of digital health innovation, the development of AI systems promises to lead to an interconnected and self-learning healthcare system. AI systems could thus help to redefine the classification of diseases, generate new medical knowledge, or predict the health trajectories of individuals for prevention purposes. Today, various applications in healthcare are being considered, ranging from assistance to medical decision-making through expert systems to precision medicine (e.g. pharmacological targeting), as well as individualized prevention through health trajectories developed on the basis of biological markers. However, urgent ethical concerns emerge with the increasing use of algorithms to analyze a growing number of data related to health (often personal and sensitive) as well as the reduction of human intervention in many automated processes. From the limitations of big data analysis, the need for data sharing and the algorithmic decision ‘opacity’ stems various ethical concerns relating to the protection of privacy and intimacy, free and informed consent, social justice, dehumanization of care and patients, and/or security. To address these challenges, many initiatives have focused on defining and applying principles for an ethical governance of AI. However, the operationalization of these principles faces various difficulties inherent to applied ethics, which originate either from the scope (universal or plural) of these principles or the way these principles are put into practice (inductive or deductive methods). These issues can be addressed with context-specific or bottom-up approaches of applied ethics. However, people who embrace these approaches still face several challenges. From an analysis of citizens' fears and expectations emerging from the discussions that took place during the coconstruction of the Montreal Declaration for a Responsible Development of AI, it is possible to get a sense of what these difficulties look like. From this analysis, three main challenges emerge: the incapacitation of health professionals and patients, the many hands problem, and artificial agency. These challenges call for AI systems that empower people and that allow to maintain human agency, in order to foster the development of (pragmatic) shared responsibility among the various stakeholders involved in the development of healthcare AI systems. Meeting these challenges is essential in order to adapt existing governance mechanisms and enable the development of a responsible digital innovation in healthcare and research that allows human beings to remain at the center of its development.

L’insuffisance respiratoire hypoxémique aigüe (IRHA) est une des causes les plus fréquentes d’admission aux soins intensifs pédiatriques. Elle est liée à plusieurs mécanismes dont le plus grave est l’œdème pulmonaire lésionnel conduisant au syndrome de détresse respiratoire aigüe (SDRA) pédiatrique qui représente 5-10 % des patients admis aux soins intensifs. Actuellement, les recommandations internationales de prise en charge de l’IRHA et du SDRA sont sous-appliquées du fait d’un défaut de diagnostic ou d’un diagnostic tardif. Ceci est probablement en partie responsable d’une ventilation mécanique prolongée dans le SDRA pédiatrique. Afin d’améliorer les critères d’évaluation de l’IRHA chez les enfants et éventuellement leur devenir, les 3 objectifs de cette thèse sont d’améliorer le diagnostic précoce d’IRHA chez l’enfant, informatiser un score de gravité de défaillance d’organes (score PELOD-2) utilisable comme critère de jugement principal en recherche en remplacement de la mortalité qui est faible dans cette population et prédire la ventilation prolongée chez la population la plus fragile, les nouveau-nés. Pour réaliser ces objectifs, nous avons : 1) optimisé une base de données haute résolution temporelle unique au monde, 2) validé un indice continu d’oxygénation utilisable en temps réel et robuste à toutes les valeurs de saturations pulsées en oxygène, 3) validé une version informatisée du score PELOD-2 utilisable comme critère de jugement principal en recherche, 4) développé un modèle prédictif d’IRHA persistante dû à l’influenza et 5) proposé une définition de la ventilation prolongée en pédiatrie applicable quel que soit l’âge et le terme de l’enfant et 6) étudié le devenir des nouveau-nés ayant une ventilation prolongée et proposé un modèle prédictif du sous-groupe le plus grave. Les méthodes utilisées à travers ces différentes études ont associé la science des données massives pour le regroupement, la synchronisation et la normalisation des données continues. Nous avons également utilisé les statistiques descriptives, la régression linéaire et logistique, les forêts aléatoires et leurs dérivés, l’apprentissage profond et l’optimisation empirique d’équations mathématiques pour développer et valider des modèles prédictifs. L’interprétation des modèles et l’importance de chaque variable ont été quantifiées soit par l’analyse de leurs coefficients (statistiques conventionnelles) soit par permutation ou masquage des variables dans le cas de modèles d’apprentissage automatique. En conclusion, l’ensemble de ce travail, soit la reconnaissance et la pronostication automatique de l’IRHA chez l’enfant vont me permettre de développer, de valider et d’implanter un système d’aide à la décision en temps réel pour l’IRHA en pédiatrie. / Acute hypoxemic respiratory failure (AHRF) is one of the most frequent causes of admission to pediatric intensive care units. It is related to several mechanisms, the most serious of which is lesional pulmonary edema leading to pediatric acute respiratory distress syndrome (ARDS), which accounts for 5–10% of patients admitted to intensive care. Currently, international guidelines for the management of ARDS are under-implemented due to failure to diagnose or late diagnosis. This is probably partly responsible for prolonged mechanical ventilation in pediatric ARDS. In order to improve the criteria for assessing AHRF in children and possibly their outcome, we aimed to improve the early diagnosis of ARDS in children, to automate an organ failure severity score (PELOD-2 score) that can be used as a primary endpoint in research to replace mortality, which is low in this population, and to predict prolonged ventilation in the most fragile population, neonates. To achieve these objectives, we have: 1) optimized a unique high temporal resolution database, 2) validated a continuous oxygenation index usable in real time and robust to all values of pulsed oxygen saturation, 3) validated a computerized version of the PELOD-2 score usable as a primary outcome in research, 4) developed a predictive model of persistent AHRF due to influenza and 5) proposed a definition of prolonged ventilation in pediatrics applicable regardless of the age and term of the child and 6) studied the outcome of newborns with prolonged ventilation and proposed a predictive model of the most severe subgroup. The methods used across these different studies combined big data science for clustering, synchronization, and normalization of continuous data. We also used descriptive statistics, linear and logistic regression, random forests and their derivatives, deep learning, and empirical optimization of mathematical equations to develop and validate predictive models. The interpretation of the models and the importance of each variable were quantified either by analyzing their coefficients (conventional statistics) or by permuting or masking the variables in the case of machine learning models. In conclusion, all this work, i.e. the recognition and automatic prognosis of AHRF in children will allow me to develop, validate and implement a real-time decision support system for AHRF in pediatrics.