L'apprentissage non supervisé permet aux cliniciens et aux chercheurs de mettre au jour des structures cachées au sein de populations de patients, d'identifier des sous-types de maladies et de découvrir de nouvelles catégories de risque lorsque les résultats étiquetés ne sont pas disponibles. Ce module est consacré au regroupement par clusters et à la réduction de dimensionnalité pour le phénotypage des patients, en utilisant à la fois des données cliniques structurées et des caractéristiques agrégées issues des dossiers médicaux électroniques (DME). Vous découvrirez dans quelles circonstances et pour quelles raisons l’apprentissage non supervisé est utilisé, vous comparerez les principaux algorithmes de regroupement et vous vous exercerez à interpréter les clusters. Vous apprendrez également les techniques de réduction de dimensionnalité utilisées pour visualiser les données de patients à haute dimensionnalité et orienter l’affinement du phénotype. Enfin, le module aborde la validation des clusters, la reproductibilité et l’interprétabilité clinique, autant d’éléments essentiels à une utilisation sûre des connaissances issues de l’apprentissage non supervisé dans le domaine de la santé.

Les données de santé sont par nature temporelles : elles englobent les signes vitaux, les résultats d’analyses, les traitements médicamenteux et les événements cliniques recueillis au fil du temps. Ce module présente des méthodes classiques et basées sur les caractéristiques permettant de représenter et d’analyser ces tendances longitudinales à des fins d’alerte précoce, de détection de la détérioration de l’état de santé et de prévision. Vous étudierez les défis posés par les séries chronologiques cliniques irrégulières, construirez des caractéristiques basées sur des fenêtres temporelles et sur l’agrégation, et appliquerez des techniques de modélisation de séquences non neuronales adaptées aux environnements cliniques. La seconde partie du module aborde les méthodes d’évaluation rigoureuses des modèles de santé. Vous explorerez les mesures de discrimination, d’étalonnage, de seuillage et d’utilité clinique, et concevrez des stratégies de validation qui respectent l’ordre temporel, évitent les fuites d’informations et reflètent les contraintes réelles de déploiement clinique.

Dans ce dernier module, vous consoliderez vos acquis en matière d’apprentissage supervisé, d’apprentissage non supervisé, de modélisation temporelle et d’évaluation en réalisant un projet final pratique. Vous mènerez à bien un projet de bout en bout comprenant la formulation d’un problème clinique, le développement d’un modèle, l’analyse exploratoire, la construction de caractéristiques temporelles et l’évaluation du modèle. Vous justifierez vos choix de modèles, formulerez clairement vos hypothèses et interpréterez les résultats d’un point de vue clinique. L’accent est mis sur la communication et la documentation, afin de garantir que les résultats puissent être examinés tant par les décideurs techniques que cliniques. Le module se termine par un résumé du cours, un glossaire des termes clés et un examen final conçu pour évaluer votre compréhension conceptuelle de l’ensemble des modules.