Description

Les ontologies ont joué un rôle crucial dans l'organisation, la structuration et la modélisation de domaines complexes. Dans le contexte de la santé, la sémantique formalisée en ontologies permet des formes d'inférence puissantes, telles que le diagnostic de maladie et la prescription des traitements les plus adaptés au profil du patient. Dans le cadre du plan France 2030, l'IHU Prometheus est l'un des projets de l'institut hospitalo-universitaire. Le sepsis est défini comme une réponse dérégulée de l'hôte à une infection bactérienne, virale, fongique ou parasitaire, entraînant un dysfonctionnement organique. 49 millions de personnes dans le monde sont touchées par le sepsis chaque année, causant près de 20 % des décès. Malgré des décennies de recherche abondante, les mécanismes de dérégulation de la réponse de l'hôte aux agents pathogènes restent mal compris et aucun traitement n'a été trouvé.
L'IHU vise principalement à : (1) identifier les signatures caractérisant la trajectoire de chaque individu atteint d'une infection (endotype) et sa réponse à un traitement donné ; (2) développer une médecine personnalisée avec des petites molécules innovantes telles que les nanomédicaments et les biothérapies.

Le manque d'approches sémantiques avancées capables de modéliser les connaissances liées au sepsis pour soutenir la prise de décision en matière de diagnostic et de traitement constitue une lacune critique. Cette thèse de doctorat se concentre sur le problème du profilage des patients. L'objectif est d'utiliser une ontologie, comme langage de représentation formel et univoque des profils de patients, afin de construire un cadre basé sur l'augmentation qui présente les profils sous différentes perspectives. Les principaux objectifs sont les suivants :
Les preuves, qu'elles soient contradictoires ou non, seront codées sous forme d'arguments positifs et négatifs en faveur d'un diagnostic ou d'un traitement, à l'aide de vocabulaires ontologiques.
Des mécanismes de raisonnement argumentatif et des méthodes d'explication précis seront développés afin d'identifier les conclusions les plus fiables. Des modèles de langage étendus seront utilisés pour extraire des informations pertinentes à partir de données cliniques non structurées.
L'identification d'informations implicites et l'exploitation optimale des connaissances de base seront mises en œuvre pour soutenir le traitement et la recherche sur le sepsis et d'autres maladies inflammatoires et infectieuses similaires. La méthode est conçue pour être facilement étendue grâce à l'intégration de données cliniques à d'autres types de données afin d'enrichir le profilage.
À terme, un raisonnement précis basé sur les profils patients améliorera la précision et la fiabilité du diagnostic. Les premières tâches principales de cette thèse concernent la construction des profils patients :
(i) Élaborer une terminologie ontologique pour leur utilisation. Cette terminologie doit être précise, précise, validée par des experts et riche. (ii) Utiliser des termes ontologiques pour décrire précisément les données patients afin d'exprimer des scénarios complexes, en utilisant des concepts ontologiques complexes ou une représentation vectorielle des patients (embeddings).

Compétences requises

Titulaire d’un master (ou équivalent) et possédant une solide formation en informatique fondamentale, en apprentissage automatique et en représentation des connaissances. Documents requis : • Curriculum vitae décrivant les principaux projets (y compris le mémoire de master) • Relevés de notes des trois dernières années universitaires au minimum • Lettres de recommandation

Bibliographie

[1] Philippe Besnard and Anthony Hunter. A logic-based theory of deductive argu-
ments. Artif. Intell., 128(1-2):203–235, 2001.
[2] Phan Minh Dung. On the acceptability of arguments and its fundamental role in
nonmonotonic reasoning, logic programming and n-person games. Artif. Intell.,
77(2):321–358, 1995.
[3] Gabriel Freedman, Adam Dejl, Deniz Gorur, Xiang Yin, Antonio Rago, and
Francesca Toni. Argumentative large language models for explainable and con-
testable claim verification. In AAAI, Association for the Advancement of Artificial
Intelligence, pages 14930–14939. AAAI Press, 2025.
[4] Anthony Hunter and Matthew Williams. Aggregating evidence about the posi-
tive and negative effects of treatments. Artif Intell Med., 56(3):173–190, 2012.
[5] Said Jabbour, Yue Ma, and Badran Raddaoui. A framework for reasoning about
uncertainty in ontologies. IEEE Intelligent Systems, 37(6):27–37, 2022.
[6] Elisa Mariani, Nacéra Seghouani, and Yue Ma. A hybrid self-correcting approach
for embedding ontology-based knowledge graphs. In Proceedings of the 40th
ACM/SIGAPP Symposium on Applied Computing, SAC, pages 1156–1163. ACM,
2025.

Mots clés

ontologie, Théorie de l'argumentation