| Libellé du cours : | IA en santé (ontologie, SMA, apprentissage, prediction des maladies, ...) |
|---|---|
| Département d'enseignement : | EEA / Electronique Electrotechnique Automatique |
| Responsable d'enseignement : | Monsieur SLIM HAMMADI |
| Langue d'enseignement : | |
| Ects potentiels : | 0 |
| Grille des résultats : | Grade de A+ à R |
| Code et libellé (hp) : | ISA_OSP_IES - IA en santé (ontologie, SMA, a |
Equipe pédagogique
Enseignants : Monsieur SLIM HAMMADI
Intervenants extérieurs (entreprise, recherche, enseignement secondaire) : divers enseignants vacataires
Résumé
Ce cours qui a pour but de montrer aux élèves comment étudier, optimiser et appliquer l’IA en santé en étudiant plusieurs points : • Amélioration de la précision du diagnostic : Les systèmes d'IA peuvent être formés pour reconnaître des modèles subtils dans les données de santé qui ne seraient pas détectables à l'œil nu. Cela peut aider à améliorer la précision du diagnostic, ce qui peut conduire à des traitements plus efficaces et à une meilleure santé pour les patients. • Prédiction des maladies : Les systèmes d'IA peuvent également être utilisés pour prédire les maladies en analysant les données de santé et en appliquant des algorithmes de deep learning. Cela peut aider les médecins à identifier les patients à risque élevé et à prendre des mesures préventives pour réduire ce risque. • Optimisation des traitements : L'IA peut aider à optimiser les traitements en analysant les données de santé des patients et en identifiant les protocoles de traitement les plus efficaces. Cela peut aider à réduire les temps d'hospitalisation et les coûts associés aux soins de santé. • Automatisation de tâches : Les systèmes d'IA peuvent être utilisés pour automatiser certaines tâches, comme l'analyse de résultats de laboratoire et la mise à jour des dossiers médicaux des patients. Cela peut aider à réduire la charge de travail administrative des médecins et du personnel médical, leur permettant de se concentrer sur les soins aux patients. • Développement de nouveaux traitements : L'IA peut être utilisée pour identifier de nouveaux traitements potentiels en analysant les données de santé et en identifiant des corrélations entre les symptômes et les traitements. Cela peut aider à accélérer le développement de nouveaux médicaments et à améliorer les résultats pour les patients. Un projet Fil rouge sera donné par de professionnels de la santé aux élèves dans le domaine de la prédiction des maladies.
Objectifs pédagogiques
• Comprendre les principes fondamentaux de l'IA et comment ils peuvent être appliqués dans le domaine de la santé. • Identifier les avantages et les limites de l'utilisation de l'IA en santé. • Comprendre les différentes techniques d'IA, notamment l'apprentissage automatique, le deep learning et l'apprentissage par renforcement. • Appliquer ces techniques pour résoudre des problèmes de santé, tels que la prédiction de maladies, l'optimisation des traitements et l'analyse de données médicales. • Comprendre les considérations éthiques liées à l'utilisation de l'IA en santé, telles que la protection de la vie privée des patients et la transparence des algorithmes. En conclusion, à la fin du cours, l'élève aura acquis des compétences pour comprendre, appliquer et évaluer les utilisations de l'IA en santé.
Objectifs de développement durable
Modalités de contrôle de connaissance
Contrôle Continu
Commentaires: Contrôle continu via un projet Fil rouge, réalisé par petits groupes d’étudiants.
Ressources en ligne
Tous les supports de cours et les notebooks de TDs/TPs seront disponibles en accès libre.
Pédagogie
Séances en salle informatique. Les points théoriques sont exposés de façon interactive avec des slides, puis sont mis en pratique immédiatement après sur ordinateur. Certains comptes-rendus de TPs sont à rendre pour évaluation.
Séquencement / modalités d'apprentissage
| Nombre d'heures en CM (Cours Magistraux) : | 20 |
|---|---|
| Nombre d'heures en TD (Travaux Dirigés) : | 12 |
| Nombre d'heures en TP (Travaux Pratiques) : | 0 |
| Nombre d'heures en Séminaire : | 8 |
| Nombre d'heures en Demi-séminaire : | 0 |
| Nombre d'heures élèves en TEA (Travail En Autonomie) : | 0 |
| Nombre d'heures élèves en TNE (Travail Non Encadré) : | 0 |
| Nombre d'heures en CB (Contrôle Bloqué) : | 0 |
| Nombre d'heures élèves en PER (Travail PERsonnel) : | 0 |
| Nombre d'heures en Heures Projets : | 0 |
Pré-requis
Notions basiques de programmation algorithmique en Python.