Ressources

Résumé : Intelligence artificielle, données synthétiques, simulation et jumeaux numériques ne désignent pas la même chose : ils interviennent à des étapes différentes d’une même chaîne de modélisation. À partir d’un exemple d’étude en vie réelle, cet article montre comment passer des données observées à un jumeau numérique populationnel capable de simuler des scénarios et d’être continuellement mis à jour grâce aux nouvelles données. L’exemple d’une étude en vie réelle sur l’adhérence à un traitement

Introduction Que ce soit seul ou combiné à d’autres techniques d’analyses et de modélisation, la simulation et l’optimisation mathématique se sont imposées comme des méthodes de référence pour résoudre les problématiques organisationnelles complexes, telles que celles que l’on trouve dans le secteur de la santé. Organiser un planning de bloc opératoire, étudier le parcours patient ou l’organisation d’un territoire de santé, autant de préoccupations auxquelles l’optimisation mathématique apporte des éléments de réponse. Les multiples expériences

Cet article est une synthèse et une introduction d’un cours que nous donnons dans des formations de niveau Master 2 et Grandes Écoles. Il s’appuie aussi sur notre expérience  sur notre expérience professionnelle (15+ projets industriels et hospitaliers sur données réelles) et académique sur le sujet (Encadrement de thèses par Vincent Augusto) :– Martin Prodel (2014-2017) prédiction du parcours patient à partir du PMSI– Hugo De Oliveira (2017-2020) modélisation prédictive des parcours du SNDS– Jules

Dans cette présentation en vidéo, nous explorons : La définition et le fonctionnement des jumeaux numériques Leurs applications concrètes dans le domaine hospitalier Un exemple d’utilisation : bloc opératoire Comment la simulation permet d’optimiser les décisions médicales et organisationnelles Découvrez comment les jumeaux numériques révolutionnent le monde de la santé ! Les jumeaux numériques offrent une vision dynamique et prédictive des parcours patients, des ressources hospitalières et des innovations thérapeutiques. Ils représentent une avancée majeure

Travaillant dans le secteur de la santé, nous nous sommes demandé s’il est devenu trop courant d’entendre : « On pourrait faire du machine learning sur les données de santé… ». La proposition semble prometteuse, avec un côté moderne, voire incontournable (et c’est sans parler d’IA génératives qui attirent beaucoup d’attention, on parle ici du machine learning « traditionnel »). Et pourtant… trop souvent, ces projets sont lancés sans réel besoin défini, ni question précise à résoudre.