CDD : Ingénieur "Traitement automatique des Langues" pour l'extraction
d'information dans des comptes rendus hospitaliers de patients atteints
de maladies rares


*D**urée *: 1 an renouvelable

*Lieu *: Limics, 15 rue de l'école de médecine, Paris, avec des
déplacements à l'hôpital Necker, à Paris, partenaire du projet.

Télétravail partiel possible

*Présentation du projet*

/CDE.AI: Artificial Intelligence at the service of common data elements
for rare diseases/

Financement Agence Nationale de la Recherche : programme prioritaire de
recherche «Maladies Rares »

La BNDMR (Base de Données Maladies Rares) évalue la prise en charge des
maladies rares, en collectant un ensemble de variables minimal pour
chaque patient. Ce travail est effectué manuellement. Notre objectif
est de créer un ensemble d'algorithmes de traitement automatique du
langage (TAL) renseignant semi-automatiquement les formulaires de
collecte du SDM, directement à partir de dossiers des patients.

*Missions et activités principales*

Il s'agit donc de mettre en place et de combiner des outils de
traitement automatique des langues (TAL, ou NLP) pour extraire les
informations définies par la BNDMR.

Avec les comptes rendus de l'échantillon d'apprentissage, pour chaque
item à extraire, une étape d'annotation manuelle s'assurera de la
présence de l'information dans les comptes rendus, et explorera la
variabilité de l'expression de cette information.

Concernant les méthodes de TAL, nous utiliserons tout d'abord des
outils déjà disponibles dans la communauté ou parmi les partenaires,
notamment pour l'extraction des informations sur la négation, les
antécédents familiaux, l'hypothèse, permettant d'identifier les entités
nommées qui ne sont pas attribuées au patient.

Pour les différentes variables visées, nous évaluerons trois approches
standard du TAL de complexité croissante, en sélectionnant sur un jeu
de données de développement les plus performantes ou les plus simples
pour chaque variable :

-   les méthodes à base de règles, ou d'expressions régulières, dans
    lesquelles un expert définit les motifs linguistiques permettant de
    détecter les entités nommées. Ces méthodes sont coûteuses en temps
    pour la réalisation des règles, efficaces pour les variables ne
    présentant pas de grandes variations linguistiques. Elles sont très
    frugales en ressources de calcul et peu énergivores. Un
    post-traitement doit être appliqué sur les entités nommées
    extraites pour en déduire les classes correspondant au formulaire.

-   les méthodes faisant appel à des techniques d'apprentissage
    machine, pour l'extraction de ces entités nommées. Elles requièrent
    une étape importante d'annotation manuelle sur le jeu de données
    d'entraînement, ce qui est coûteux en temps. Elles sont plus
    robustes que les règles pour les variables présentant des
    variations linguistiques importantes. Ces méthodes demandent des
    ressources computationnelles plus importantes. Comme pour les
    règles, un post-traitement doit être appliqué.

-   les méthodes d'affinage de grands modèles de langage, disponibles
    et pré-entraînés pour avoir une bonne modélisation du langage.
    Moins étudiées que les deux premières dans le domaine des données
    de santé, leur promesse est de nécessiter moins d'annotation
    manuelle et de pouvoir fournir des réponses directement au niveau
    du patient, sans avoir à passer par l'étape de post traitement
    d'indices extraits du texte. Très gourmands en ressources et en
    énergie, les modèles de langue utilisés seront sous licence libre
    et compatibles avec les ressources techniques de la plateforme
    France Cohortes. Notons que ces modèles génèrent du texte (TAL
    "génératif"), et peuvent donc en théorie générer des résultats
    incohérents ("hallucination") ; cependant, ce phénomène est rare,
    et le protocole présenté incluant dans tous les cas une validation
    humaine des données générées (formulaires pré-remplis), le risque
    associé est fortement réduit.

*Connaissances requises *

Connaissances avancées en traitement automatique des langues et en
apprentissage statistique.

L'expérience de l'analyse des comptes rendus médicaux est un plus.

La connaissance médicale du contenu des comptes rendus n'est pas
requise, mais un intérêt pour les recherches et les collaborations
multidisciplinaires est indispensable.

*Savoir-faire *

Programmation python, création de systèmes d'extraction d'information

*Savoir-faire transversaux *

Veille technologique, maîtrise de l'anglais, travail en équipe

*Savoir-être *

Sens de l'organisation et rigueur dans l'exécution, autonomie, maîtrise
de la rédaction

*Présentation de la structure*

Le Limics, laboratoire de recherche en informatique pour la santé, est
une unité de recherche mono-équipe et interdisciplinaire en
informatique et en informatique médicale, commune à l'Inserm, à
Sorbonne Université et à l'Université Sorbonne Paris-Nord. Nous
développons des approches innovantes de traitement de l'information de
santé sur les plans à la fois méthodologique et applicatif.

Le Limics est composé de chercheurs Inserm, d'enseignants-chercheurs en
informatique, ainsi que de médecins et pharmaciens
hospitalo-universitaires associés à des services de l'Assistance
Publique des Hôpitaux de Paris (AP-HP), du CHU de Rouen ou du CHU de
Saint-Étienne. Cette diversité à l'intérieur d'une même unité permet
des collaborations multiples pour le développement et l'évaluation des
produits de la recherche.

*Rémunération*

En fonction du profil et de l'expérience

*Contact *

Xavier Tannier, enseignant-chercheur en informatique,
Sorbonne Université

xavier.tannier@sorbonne-universite.fr