BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Limics - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.limics.fr
X-WR-CALDESC:Évènements pour Limics
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251031T140000
DTEND;TZID=Europe/Paris:20251031T190000
DTSTAMP:20260614T041738
CREATED:20251031T103858Z
LAST-MODIFIED:20251120T084546Z
UID:1802-1761919200-1761937200@www.limics.fr
SUMMARY:Soutenance de thèse Stella Dimitsaki
DESCRIPTION:Title: Use of Artificial Intelligence for the Analysis of Potential Pharmacovigilance Signals upon Real-World data \nLieu: Limics\, Campus des Cordeliers\, salle de conférence \n\n\n\nRésumé :\n\n\nCette thèse explore comment l’intelligence artificielle (IA)\, en particulier l’apprentissage automatique causal (CML)\, peut améliorer la pharmacovigilance en exploitant des données structurées issues du monde réel (RWD)\, telles que les dossiers médicaux électroniques. Alors que les méthodes traditionnelles reposant sur la déclaration spontanée d’effets indésirables médicamenteux sont limitées par la sous-déclaration et les biais\, les RWD offrent une vision plus complète de l’expérience des patients\, mais se heurtent à des problèmes de complexité et de qualité des données. Une étude exploratoire a révélé les principaux obstacles aux applications actuelles de l’IA\, notamment le manque de cohérence dans le prétraitement des données et le manque d’explicabilité. Pour y remédier\, notre travail de thèse a mis en œuvre un cadre CML utilisant la base de données MIMIC-IV afin de détecter les lésions rénales aiguës d’origine médicamenteuse\, démontrant ainsi que le CML peut fournir des informations interprétables\, personnalisées et cliniquement pertinentes. Les résultats positionnent l’IA causale comme une voie prometteuse pour améliorer la précision\, la transparence et l’acceptation réglementaire des systèmes de pharmacovigilance.\n\n\n\n\n\nSummary:\n\n\nThis thesis examines how artificial intelligence (AI)\, specifically causal machine learning (CML)\, can enhance pharmacovigilance by utilizing structured real-world data (RWD)\, including electronic health records. While traditional methods\, which rely on spontaneous reporting of adverse drug reactions\, are limited by underreporting and bias\, RWD offers a more comprehensive view of the patient experience\, but faces challenges related to data complexity and quality. An exploratory study revealed the main obstacles to current AI applications\, including a lack of consistency in data preprocessing and a lack of explainability. To address this\, our thesis work implemented a CML framework using the MIMIC-IV database to detect acute drug-induced kidney injury\, demonstrating that CML can provide interpretable\, personalized\, and clinically relevant information. The results position causal AI as a promising avenue for improving the accuracy\, transparency\, and regulatory acceptance of pharmacovigilance systems.
URL:https://www.limics.fr/event/soutenance-de-these-stella-dimitsaki/
END:VEVENT
END:VCALENDAR