Nantilus
Gestion des patients à risque et intelligence artificielle
Au cours de ces quatre dernières années, les applications de l'intelligence artificielle (IA) en santé ont connu une croissance exponentielle. Une analyse bibliographique montre que cet essor fulgurant impacte fortement tous les domaines de l'odontologie, et accompagne logiquement les plus...
Enregistré dans:
| Auteurs principaux : | , , , , , |
|---|---|
| Collectivités auteurs : | , |
| Format : | Thèse ou mémoire |
| Langue : | français |
| Titre complet : | Gestion des patients à risque et intelligence artificielle / Cédric Gaillard; sous la direction de Pierre Weiss et de Jean-Daniel Kün-Darbois |
| Publié : |
Nantes :
Nantes Université
, 2022 |
| Accès en ligne : |
Accès Nantes Université
|
| Note sur l'URL : | Accès réservé aux étudiants et personnels de l'Université de Nantes après authentification |
| Note de thèse : | Reproduction de : Thèse d'exercice : Chirurgie dentaire : Nantes : 2022 |
| Conditions d'accès : | Accès réservé aux étudiants, personnels de l'Université de Nantes et lecteurs inscrits, après authentification. |
| Sujets : | |
| Documents associés : | Reproduction de:
Gestion des patients à risque et intelligence artificielle |
| Résumé : | Au cours de ces quatre dernières années, les applications de l'intelligence artificielle (IA) en santé ont connu une croissance exponentielle. Une analyse bibliographique montre que cet essor fulgurant impacte fortement tous les domaines de l'odontologie, et accompagne logiquement les plus récents progrès dans le développement des algorithmes de l'apprentissage automatique. En particulier, les architectures de réseaux profonds et convolutifs de neurones apportent des capacités inédites de prédiction du comportement de données cliniques, mais aussi de détection de lésions à partir d'images. Deux programmes sont ainsi présentés et expliqués pour détecter la présence de risques à partir des données cliniques telles que recueillies lors de l'anamnèse d'une consultation de soins bucco-dentaire, puis pour prédire le risque de carcinome épidermoïde buccal. Le formalisme et les bases de compréhension des différents aspects de l'IA sont donnés pour être à même d'expliquer les résultats issus d'une modélisation ou d'une prédiction statistique par apprentissage intelligent. En relation, le contexte actuel du potentiel de l'IA pour mieux appréhender les risques des patients est détaillé. Enfin, les questions liées à l'éthique, au secret médical, et à la réglementation de l'IA en santé sont abordées. Over the past three years, applications of artificial intelligence (AI) in healthcare have grown exponentially. A review of the literature shows that this rapid growth has a strong impact on all areas of dentistry, and logically accompanies the most recent advances in the development of machine learning algorithms. In particular, deep and convolutional neural network architectures bring new capabilities to predict the behavior of clinical data, but also to detect lesions from images. Two programs are presented and explained to detect the presence of risks from clinical data as collected during a dental care consultation history, and to predict the risk of oral squamous cell carcinoma. The formalism and basis for understanding the various aspects of AI are given to be able to explain the results of statistical modeling or prediction by intelligent learning. Similarly, the current context of the potential of AI to better understand patient risk is detailed. Finally, issues related to ethics, medical confidentiality, and regulation of AI in healthcare are discussed. |
|---|---|
| Notes : | Thèse présentée et soutenue publiquement le 8 juillet 2022 Description d'après la consultation, 2022-09-27 Titre provenant de l'écran-titre L'impression du document génère 157 p. Autre (s) contribution (s) : Philippe Lesclous (Président du jury) ; Yves Amouriq, Alexis Gaudin (Assesseurs) |
| Configuration requise : | Un logiciel capable de lire un fichier au format PDF |
| Bibliographie : | Bibliogr. 341 réf. |