BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Limics - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Limics
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:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
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
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260601T140000
DTEND;TZID=Europe/Paris:20260601T150000
DTSTAMP:20260613T172848
CREATED:20260422T083851Z
LAST-MODIFIED:20260527T164730Z
UID:1989-1780322400-1780326000@www.limics.fr
SUMMARY:[ANNULÉ] Abir Abdellatif : Approche prédictive multimodale pour la détection précoce de la déshydratation chez la personne âgée
DESCRIPTION:Résumé : \nLa déshydratation chez la personne âgée demeure sous-diagnostiquée\, notamment en raison de l’absence de marqueurs précoces fiables en conditions de vie réelle. Ce travail propose d’explorer le développement de modèles prédictifs à partir de données longitudinales multimodales\, combinant mesures issues de capteurs connectés (poids\, fréquence cardiaque\, activité)\, variables cliniques et données contextuelles. \n\nL’approche repose sur l’analyse de séries temporelles et des méthodes d’apprentissage supervisé\, avec un focus sur l’identification de signatures précoces de déshydratation. Une attention particulière est portée à la gestion des données manquantes\, à la robustesse des modèles et à leur capacité de généralisation dans différents contextes (domicile\, structures médico-sociales).\nEnfin\, l’intégration de techniques d’explicabilité vise à rendre ces modèles interprétables et exploitables en pratique clinique\, avec une ouverture vers l’exploration de biomarqueurs émergents\, notamment vocaux. »
URL:https://www.limics.fr/event/abir-abdellatif/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260518T140000
DTEND;TZID=Europe/Paris:20260518T150000
DTSTAMP:20260613T172848
CREATED:20260403T115138Z
LAST-MODIFIED:20260417T134337Z
UID:1980-1779112800-1779116400@www.limics.fr
SUMMARY:Quentin Vanderbecq : Méthodes d’intelligence artificielle pour l’analyse du scanner abdomino-pelvien
DESCRIPTION:Titre : Méthodes d’intelligence artificielle pour l’analyse du scanner abdomino-pelvien \nRésumé : Mes travaux portent sur l’application de différentes méthodes d’intelligence artificielle au scanner dans le contexte de l’occlusion digestive. Ils explorent plusieurs tâches complémentaires : détection binaire de l’occlusion\, distinction entre formes mécaniques et fonctionnelles\, localisation de la zone de transition et des occlusions sur bride par segmentation\, prédiction de la prise en charge chirurgicale\, et détection de l’ischémie intestinale. Sur le plan méthodologique\, ce travail évalue des architectures de classification 3D\, des réseaux convolutifs mixtes 2D–3D\, des approches de segmentation\, des modèles multimodaux combinant imagerie et données clinico-biologiques\, ainsi que des stratégies de few-shot learning à partir de modèles de fondation. Les résultats montrent que les approches convolutives 3D sont performantes pour le triage diagnostique\, tandis que les tâches plus fines\, comme la caractérisation étiologique ou la détection précoce de la souffrance digestive\, bénéficient davantage d’approches multimodales. Ces travaux mettent ainsi en évidence l’intérêt d’une IA adaptée aux différentes étapes de l’évaluation radiologique de l’occlusion intestinale\, avec une ouverture vers les modèles de fondation pour les développements futurs. \nEn parallèle de ce travaux de recherche\, une autre de mes missions concerne l’accompagnement des projets d’imagerie au sein de l’EDS APHP\, avec un soutien aux équipes pour faciliter l’émergence\, la structuration et le développement des projets liés aux données d’image.
URL:https://www.limics.fr/event/quentin-vanderbecq/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260330T140000
DTEND;TZID=Europe/Paris:20260330T150000
DTSTAMP:20260613T172848
CREATED:20260217T181111Z
LAST-MODIFIED:20260320T100838Z
UID:1931-1774879200-1774882800@www.limics.fr
SUMMARY:Caren Al-Anaissy : De l'analyse des débats au raisonnement médical: l'argumentation computationnelle pour l'aide à la prise de décision explicable
DESCRIPTION:Caren Al-Anaissy est post-doctorante au LIP6\, Sorbonne Université. \nTitre : De l’analyse des débats au raisonnement médical: l’argumentation computationnelle pour l’aide à la prise de décision explicable \nRésumé:\nL’argumentation computationnelle fait partie des systèmes d’IA qui sont déployés pour la prise de décision automatisée. Elle représente l’échange d’arguments et de contre-arguments sous la forme de cadres d’argumentation et propose des modèles computationnels qui permettent de générer des conclusions valides et explicables à partir d’informations incomplètes\, conflictuelles ou incohérentes. Elle est utilisée dans des problèmes de prise de décision tels que les affaires juridiques\, les débats en ligne et les applications médicales. \nDans ce séminaire\, je montrerai comment l’argumentation\, à l’intersection de l’apprentissage profond et du traitement automatique des langues (TAL)\, permet d’accompagner la prise de décision. J’illustrerai d’abord ces mécanismes à travers l’analyse de discours et la délibération dans les débats en ligne. Enfin\, je mettrai en perspective ces travaux en montrant comment ces méthodes de raisonnement automatisé explicables peuvent être appliquées au domaine de la santé\, notamment pour la modélisation du raisonnement médical\, la gestion de la polymédication et l’aide à la décision clinique.
URL:https://www.limics.fr/event/caren-al-anaissy/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260316T140000
DTEND;TZID=Europe/Paris:20260316T150000
DTSTAMP:20260613T172848
CREATED:20260213T155411Z
LAST-MODIFIED:20260312T152902Z
UID:1926-1773669600-1773673200@www.limics.fr
SUMMARY:Islam Barchouch : Système tutoriel intelligent pour l'apprentissage par le dessin de l'anatomie
DESCRIPTION:Islam Barchouch est ATER à l’université Paris 8. \nTitre : Système tutoriel intelligent pour l’apprentissage par le dessin de l’anatomie \nRésumé :\nMes travaux portent sur la conception d’un système tutoriel intelligent dédié à l’apprentissage par le dessin de l’anatomie sur tablette stylet. L’objectif est d’accompagner les étudiants en santé lorsqu’ils réalisent des croquis anatomiques en leur fournissant une aide personnalisée et des feedbacks adaptés en temps réel. \nLe système s’appuie sur la formalisation des connaissances expertes d’un domaine complexe et mal défini comme l’anatomie à travers une approche hybride combinant un formalisme de grammaires bidimensionnelles à base de contraintes et l’intégration d’un classifieur pour reconnaître les croquis produits par les apprenants. Cette approche hybride de reconnaissance\, fondée sur une définition explicite des connaissances expertes\, assure l’interprétabilité du raisonnement du système et permet ainsi de guider finement l’étudiant et d’adapter les feedbacks en fonction de ses besoins. \nDéveloppé et testé en collaboration avec des experts en psychologie cognitive du laboratoire LP3C et évalué auprès d’étudiants en formation paramédicale (IFSI\, IFPEK)\, ce système repose sur un mode enseignant\, dans lequel l’expert définit un exercice d’anatomie et ses consignes\, et un mode étudiant\, dans lequel l’apprenant réalise le croquis sur tablette stylet. Il s’appuie sur un moteur de reconnaissance dédié à l’interprétation à la volée des tracés d’anatomie\, et sur un moteur de supervision qui exploite un graphe de connaissances représentant la solution de l’exercice afin d’analyser la production de l’étudiant\, de guider sa réalisation et de fournir des feedbacks adaptés. \nEn fin d’exposé\, je présenterai également deux projets de recherche que je mène actuellement en tant qu’ATER en continuité avec ces travaux. \n 
URL:https://www.limics.fr/event/islam-barchouch/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260313T170000
DTEND;TZID=Europe/Paris:20260313T200000
DTSTAMP:20260613T172848
CREATED:20260306T185924Z
LAST-MODIFIED:20260306T190157Z
UID:1934-1773421200-1773432000@www.limics.fr
SUMMARY:Soutenance de thèse Nathavy Um Din
DESCRIPTION:Titre : Faisabilité et utilité des évaluations cognitives sur tablette tactile pour le repérage des troubles neurocognitifs \nTitle : Feasibility and utility of cognitive assessments on touchscreen tablets for identifying neurocognitive disorders \nLieu / Location :\nLimics\nCampus des Cordeliers\n15 rue de l’école de médecine\nPARIS
URL:https://www.limics.fr/event/soutenance-de-these-nathavy-um-din/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260309T140000
DTEND;TZID=Europe/Paris:20260309T150000
DTSTAMP:20260613T172848
CREATED:20260127T162425Z
LAST-MODIFIED:20260306T190324Z
UID:1919-1773064800-1773068400@www.limics.fr
SUMMARY:Nesrine Bannour : Du texte clinique à l'information structurée : partage de modèles\, temporalité et LLMs en contexte hospitalier français
DESCRIPTION:Nesrine Bannour est chercheuse post-doctoral à l’Institut Imagine\, hôpital Necker. \nTitre : Du texte clinique à l’information structurée : partage de modèles\, temporalité et LLMs en contexte hospitalier français \nRésumé :\nLes textes cliniques constituent une source d’information considérable au sein des entrepôts de données de santé\, mais leur exploitation automatique reste limitée par deux défis majeurs : la confidentialité des données\, qui contraint le partage entre institutions\, et la complexité du langage clinique\, notamment sa forte dimension temporelle. Dans cet exposé\, je présenterai d’abord une architecture permettant le partage de modèles de reconnaissance d’entités nommées (REN) sans transfert de données patients. Ces travaux sont complétés par une analyse comparative des outils de mesure d’empreinte carbone en TAL et d’un benchmark de modèles de langue pour la REN clinique en français\, croisant performance et impact environnemental.\nJ’aborderai ensuite la modélisation et l’extraction des relations temporelles dans les textes cliniques\, tâche qui requiert une compréhension fine du langage médical et la capacité à raisonner sur des informations temporelles complexes et hétérogènes. Dans un contexte où les données annotées sont limitées\, je présenterai des travaux explorant l’utilisation de grands modèles de langue (LLMs) open-weight déployés localement pour l’extraction de relations à partir de documents issus d’un entrepôt de données de santé français\, dans le cadre de projets portant sur les maladies rares et les complications médicamenteuses.\nCes travaux s’inscrivent dans une perspective plus large : celle de l’exploitation automatique de données textuelles massives pour la construction et l’enrichissement de connaissances cliniques structurées.
URL:https://www.limics.fr/event/nesrine-bannour/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260223T140000
DTEND;TZID=Europe/Paris:20260223T150000
DTSTAMP:20260613T172848
CREATED:20260207T124501Z
LAST-MODIFIED:20260213T165228Z
UID:1923-1771855200-1771858800@www.limics.fr
SUMMARY:Bilal Faye : Vers une intelligence artificielle frugale pour le traitement efficace de données multimodales.
DESCRIPTION:Bilal Faye est ATER à l’Université Sorbonne Paris Nord.\n\nTitre: Vers une intelligence artificielle frugale pour le traitement efficace de données multimodales.\n\nRésumé: Les réseaux de neurones profonds ont permis des avancées majeures en vision par ordinateur\, en traitement automatique du langage et\, plus largement\, dans le traitement de données multimodales. Toutefois\, leur entraînement reste coûteux\, complexe et fortement dépendant de grandes quantités de données annotées. Ce travail s’inscrit dans une démarche visant à développer une intelligence artificielle plus frugale\, en proposant des approches d’apprentissage efficientes qui exploitent des connaissances à priori afin de concevoir des modèles plus sobres. L’objectif est de réduire les besoins en données et en ressources computationnelles tout en maintenant des performances élevées\, ouvrant ainsi la voie à des systèmes multimodaux plus robustes et mieux adaptés aux contraintes réelles.
URL:https://www.limics.fr/event/bilal-faye/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251218T140000
DTEND;TZID=Europe/Paris:20251218T180000
DTSTAMP:20260613T172848
CREATED:20251010T101244Z
LAST-MODIFIED:20251120T073219Z
UID:1834-1766066400-1766080800@www.limics.fr
SUMMARY:Soutenance de thèse Nada Boudegzdame
DESCRIPTION:Titre: Méthodes fondées sur l’intelligence artificielle : Apprentissage automatique\, Suréchantillonnage & Argumentation pour des prescriptions médicales plus intelligentes \nTitle: Artificial Intelligence-Based Methods: Machine Learning\, Oversampling\, & Argumentation for Smarter Medical Prescriptions \nLieu: Université Sorbonne Paris Nord\, campus de Bobigny (plus de détails à venir) \n\n\n\nMots-clés\nApprentissage automatique\, Déséquilibre de classes\, Suréchantillonnage (SMOTE)\, Détection d’anomalies\,\nRéseaux de neurones\, Raisonnement à base d’argumentation\, Aide à la décision clinique\,\nBilan de médication (BM)\, Polymédication\, Prescriptions inappropriées\, Prescriptions intelligentes\,\nPrise de décision collaborative.\n\n\nKeywords\n\nMachine learning\, Class imbalance\, Oversampling (SMOTE)\, Anomaly detection\, Neural networks\,\nArgumentation-based reasoning\, Clinical decision support\, Medication Review\, Polypharmacy\,\nInappropriate prescriptions\, Smart prescriptions\, Collaborative decision-making\n\n\n\n  \n\n\n\nRésumé :\n\n\nLa polymédication chez les patients âgés représente un problème majeur de santé publique\, avec plus de la moitié de cette population en France étant concernée par des prescriptions inappropriées. Cela soulève d’importantes préoccupations en matière de sécurité des patients et engendre des coûts directs estimés à environ 507 millions d’euros par an. Le bilan de médication (BM)\, défini comme “ un entretien structuré avec le patient\, réalisé par le pharmacien en collaboration avec le médecin généraliste dans le but d’optimiser la prise en charge du patient ”\, constitue une solution prometteuse. Ses bénéfices cliniques sont bien documentés\, avec une réduction des hospitalisations d’un tiers et des économies d’environ 273 euros par patient et par an. Cependant\, ces avantages sont limités par les difficultés liées à l’évaluation des risques médicamenteux ainsi que par des obstacles pratiques à la collaboration entre pharmaciens et médecins généralistes. Pour soutenir et améliorer le processus de BM\, le projet ABiMed propose une suite d’outils d’aide à la décision en vue de prescriptions intelligentes.\nCette thèse contribue à ABiMed selon deux axes de recherche complémentaires. Le premier concerne la modélisation prédictive des risques liés aux médicaments\, tels que l’hémorragie\, à partir de données de prescriptions médicales. Ces données sont généralement déséquilibrés\, la classe minoritaire critique étant sous-représentée\, ce qui constitue un défi pour les modèles d’apprentissage automatique. Une approche courante pour atténuer ce problème est le suréchantillonnage (par ex. SMOTE)\, qui enrichie artificiellement la classe minoritaire en dupliquant ou en synthétisant des instances. Cependant\, le suréchantillonnage génère fréquemment des exemples synthétiques irréalistes. Nous montrons que les modèles ont tendance à apprendre à détecter la nature synthétique de ces instances plutôt qu’à classifier correctement la classe minoritaire. Pour y remédier\, nous proposons une méthode permettant d’identifier et d’éliminer les instances synthétiques irréalistes grâce à la détection d’anomalies fondée sur les réseaux de neurones. L’amélioration de la qualité des données d’apprentissage suréchantillonnées accroı̂t ainsi la capacité des modèles à apprendre des paterns authentiques et améliore les performances prédictives.\nLe second axe de recherche se concentre sur l’amélioration de la collaboration clinique lors des BM. En pratique\, la plupart des décisions ne sont pas consensuelles et de nombreuses recommandations des pharmaciens ne sont pas adoptées\, ce qui réduit les bénéfices potentiels des BM.\nL’argumentation fournit une approche structurée\, transparente et explicable pour traiter les désaccords et les conflits de données ainsi que de connaissances (recommandations médicales\, informations sur les médicaments et spécificités du patient) en modélisant des arguments favorables et défavorables. Dans cette thèse\, nous concevons\, implémentons et évaluons un système fondé sur l’argumentation\, intégré dans une plateforme de dialogue au sein d’ABiMed\, afin de soutenir la prise de décision collaborative.\nDans l’ensemble\, ce travail propose une solution pluridisciplinaire aux défis du bilan de médication\, combinant deux approches d’intelligence artificielle : l’apprentissage automatique et le raisonnement à base d’argumentation pour des prescriptions plus intelligentes.\n\n\n\n\n\nSummary:\n\n\nPolypharmacy among elderly patients represents a significant public health issue\, with more than half of this population in France affected by inappropriate prescriptions. This raises considerable patient safety concerns and incurs direct costs estimated at approximately 507 million euros annually. Medication Review (MR)\, defined as “a structured interview with the patient\, carried out by the pharmacist in collaboration with the general practitioner (GP) with the aim of optimizing patient care”\, is a promising solution. While its clinical benefits are well-documented\, including reductions in hospitalizations by one-third and cost savings of about 273 euros per patient per year\, these benefits are compromised by difficulties in drug risk evaluation and practical barriers to collaboration between pharmacists and GPs. To support and enhance the MR process\, the ABiMed project proposes a suite of decision-support tools.\nThis thesis contributes to ABiMed through two complementary research axes. The first addresses the predictive modeling of medication-related risks\, such as hemorrhage\, using medical prescription data. These datasets are typically imbalanced\, with the critical minority class underrepresented\, posing a challenge for machine learning models. A common approach to mitigating this issue is oversampling (e.g.\, SMOTE)\, which augments the minority class by duplicating or synthesizing samples. However\, oversampling frequently generates unrealistic synthetic samples. We show that models tend to learn to detect the synthetic nature of these samples rather than to accurately classify the minority class. To address this\, we propose a method to identify and filter out unrealistic synthetic samples using neural network-based anomaly detection. By improving the quality of the oversampled training data\, this approach enhances the model’s capacity to learn genuine patterns and improves predictive performance.\nThe second research axis focuses on improving clinician collaboration during MR. In practice\, most decisions are not consensual and many pharmacist recommendations go unadopted\, reducing the potential benefits of MR. Argumentation provides a structured\, transparent\, and explainable approach to handling disagreements and conflicting data as well as knowledge (medical guidelines\, drug related information and patient specificities) by modelling supporting and opposing arguments. In this thesis\, we design\, implement\, and evaluate an argumentation-based system into a dialogue platform in ABiMed to support collaborative decision-making.\nAltogether\, this work proposes a multidisciplinary solution to the challenges of MR\, combining two artificial intelligence approaches: machine learning and argumentation-based reasoning.
URL:https://www.limics.fr/event/soutenance-de-these-nada-boudegzdame/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251212T140000
DTEND;TZID=Europe/Paris:20251212T190000
DTSTAMP:20260613T172848
CREATED:20251004T090917Z
LAST-MODIFIED:20251129T154534Z
UID:1821-1765548000-1765566000@www.limics.fr
SUMMARY:Soutenance de thèse Tiphanie Bouchez
DESCRIPTION:Titre : Collaborations interprofessionnelles en santé en situations complexes — De la prise de décision clinique à l’agilité des organisations de soins primaires \nLieu : Limics\, Campus des Cordeliers\, salle de conférence \n\n\n\nMots-clés :\nrelations interprofessionnelles\, équipe de soins\, processus de groupe\,\nprise de décision\, soins de santé primaires\, participation du patient\, COVID-19\n\n\nKeywords:\ninterprofessional relationships\, patient care team\, group processes\,\ndecision-making\, primary health care\, patient participation\, COVID-19\n\n\n\n  \n\n\n\nRésumé :\n\n\nCette thèse explore la collaboration interprofessionnelle en santé dans des situations complexes. A l’échelle d’une équipe de soins à un patient\, nous apportons une revue exhaustive de ce que l’on sait de la prise de décision interprofessionnelle en collaboration\, notamment en soins primaires : elle est déterminée par l’organisation des soins\, les informations disponibles et les dynamiques de groupe. Ces trois déterminants révèlent une organisation insuffisante\, de l’information fractionnée et des rôles professionnels hiérarchiques : ils sont discutés pour proposer des pistes d’optimisation. Dans ce contexte\, nous proposons des outils pour améliorer ces pratiques\, en premier lieu un programme pédagogique interprofessionnel des compétences de collaboration et de partenariat-patient\, appelé iES-Collab. Nous décrivons cette innovation\, des résultats de recherche-action sur l’activité de codesign pédagogique en partenariat patient ainsi que des premières données de retombées sur la perception de compétences des étudiants de quatre cursus en santé. Ensuite\, nous proposons la version traduite d’un questionnaire d’automesure de la collaboration interprofessionnelle destiné aux équipes de soins : le Collaborative practice assessment test (CPAT)\, issu d’une méthode de traduction et adaptation transculturelle validée. Enfin\, nous changeons d’échelle à l’occasion de la pandémie de COVID-19 pour démontrer à l’aide d’une enquête transversale nationale française que les médecins généralistes des équipes de soins primaires interprofessionnelles coordonnées se sont mieux adaptées que dans les autres modalités d’organisation\, notamment pour aller-vers les patients vulnérables et pour accueillir les patients malades ou suspects de COVID-19. Après la description de travaux ultérieurs envisagés sur la prise de décision interprofessionnelle en soins primaires\, nos conclusions sont tournées vers l’action dont le renforcement des moyens attribués aux soins primaires pour améliorer les pratiques collaboratives\, leviers de qualité des soins et d’agilité critique pour le plus grand nombre des usagers de nos sociétés.\n\n\n\n\n\nSummary:\n\n\nThis thesis explores interprofessional collaboration in healthcare in complex situations. At the level of a patient care team\, we provide a comprehensive review of what is known about collaborative interprofessional decision-making\, particularly in primary care: it is determined by the organisation of care\, the information available and group dynamics. These three determinants reveal insufficient organisation\, fragmented information and hierarchical professional roles: they are discussed in order to propose ways of optimising them. We then propose tools to improve these practices\, primarily an interprofessional educational programme on collaboration and patient partnership skills\, called iES-Collab. We describe this innovation\, the results of action research on educational co-design in patient partnership\, and initial data on the impact on the perception of skills among students in four health programms. Next\, we present the translated version of a self-assessment questionnaire on interprofessional collaboration for healthcare teams: the Collaborative Practice Assessment Test (CPAT)\, based on a validated method of translation and cross-cultural adaptation. Finally\, we change scale in light of the COVID-19 pandemic to demonstrate\, using a French national cross-sectional survey\, that general practitioners in coordinated interprofessional primary care teams have adapted better than those in other organisational settings\, particularly in terms of reaching out to vulnerable patients and receiving patients who are ill or suspected of having COVID-19. After describing further work planned on interprofessional decision-making in primary care\, our conclusions focus on action\, including strengthening the resources allocated to primary care to improve collaborative practices\, which are levers for quality of care and critical agility for the greatest number of users in our societies.
URL:https://www.limics.fr/event/soutenance-de-these-tiphanie-bouchez/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251209T140000
DTEND;TZID=Europe/Paris:20251209T180000
DTSTAMP:20260613T172848
CREATED:20251129T154302Z
LAST-MODIFIED:20251129T154453Z
UID:1915-1765288800-1765303200@www.limics.fr
SUMMARY:Soutenance de thèse Bénédicte Melot
DESCRIPTION:Titre: Évaluation et amélioration des pratiques en antibiothérapie en soins primaires : preuve de concept à partir des données de téléconsultation \nTitle: Assessing and improving antibiotic prescriptions in primary care : a proof of concept using teleconsultation data \nLieu: Limics\, 15 rue de l’école de médecine\, 75006 PARIS
URL:https://www.limics.fr/event/soutenance-de-these-benedicte-melot/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251209T090000
DTEND;TZID=Europe/Paris:20251209T140000
DTSTAMP:20260613T172848
CREATED:20250515T055938Z
LAST-MODIFIED:20251120T073237Z
UID:1710-1765270800-1765288800@www.limics.fr
SUMMARY:Soutenance de thèse Cynthia Abi Khalil
DESCRIPTION:  \n\n\n\nTitle: VIGIL CARE: Development\, validation\, and evaluation of a Nursing Process Decision Support System\n\n\nLieu: Limics\, Campus des Cordeliers\, salle de conférence\n\n\n\n\n\nSummary:\n\n\nNurses are central to patient safety and care quality\, ensuring continuous monitoring\, coordination\, and timely interventions. In intensive care units (ICUs)\, workforce shortages\, heavy workloads\, and high-acuity cases heighten stress and cognitive demands raising the risk of errors and adverse outcomes. This underscores the need for decision support. The Nursing Process (NP) provides a structured framework for clinical reasoning through assessment\, diagnosis\, planning\, implementation\, and evaluation. Accurate Nursing Diagnoses (NDs)\, documented with standardized terminologies such as NANDA-I\, are essential yet hindered by cognitive overload\, complex data environments\, and time pressure. Limited NP integration within electronic health records (EHRs) further restricts decision-making\, reinforcing the value of Clinical Decision Support Systems (CDSSs). NP-focused CDSSs (NP-CDSSs) can improve diagnostic accuracy\, care planning\, and intervention prioritization. Despite the NP-CDSS standard (2016) defining ergonomic\, functional\, and integration requirements\, adoption remains limited. Most systems only partially support NP steps and face barriers including poor workflow fit\, documentation burden\, interoperability gaps\, limited training\, and low user trust. These issues highlight the need for standard-compliant NP-CDSSs enabling accurate ND formulation\, individualized care plans\, and adaptability to diverse digital contexts. We developed VIGIL Care\, an NP-CDSS for ICUs with low digital maturity. It integrates rule-based and machine-learning (ML) decision support\, standardized nursing terminologies\, and NP-CDSS standard principles to generate timely NDs and strengthen clinical reasoning. Using an electronic assessment\, it captures demographic\, clinical\, and functional data. Combined with administrative\, laboratory\, pharmacy\, and billing inputs\, these feed a rule engine that suggests NDs using NANDA-I terminology and displays triggering factors. Nurses can confirm\, reject\, or add diagnoses\, ranked by criticality and adjustable by context. Development followed three steps: (1) Delphi method: 13 ICU experts reduced 277 NANDA-I diagnoses to 32\, prioritizing 18; (2) Indicator refinement: a second panel validated indicators\, retaining 449 and adding 52 with weighted rules; and (3) Prototype development: a web-based tool built to process assessments and generate\, explain\, and rank diagnoses. Pilot testing on pseudonymized ICU cases showed higher sensitivity and specificity versus manual methods. A randomized controlled trial (RCT) with 32 ICU nurses compared diagnostic accuracy with and without VIGIL Care using 12 validated cases. Correctness increased from 73% to 81%\, improving ND accuracy\, sensitivity\, and specificity—especially for complex cases. Some errors (e.g.\, fluid balance) persisted. Initial decision times were longer but declined with practice\, indicating a learning curve. User acceptance was high (87%)\, though occasional automation bias occurred when suggestions were incorrect. Usability (SUS 78%) and satisfaction ratings were strong\, especially for data integration\, explainability\, and workflow fit\, with minor interface concerns. Planned enhancements include full EHR interoperability\, AI-driven diagnostics integrating ML and natural language processing\, improved explainability\, alerts for conflicting data\, workload metrics\, and continuous feedback loops. VIGIL Care also includes ML-based risk prediction (e.g.\, hospital-acquired pressure injuries)\, offering dynamic\, interpretable\, data-driven support that complements rule-based reasoning and reduces cognitive load. By combining intelligent decision support with clinical oversight\, VIGIL Care shows strong potential to optimize reasoning\, foster critical thinking\, and enhance patient-centered care—particularly in ICUs and low-digital-resource environments.
URL:https://www.limics.fr/event/soutenance-de-these-cynthia-abi-khalil/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251124T100000
DTEND;TZID=Europe/Paris:20251125T170000
DTSTAMP:20260613T172848
CREATED:20251120T084401Z
LAST-MODIFIED:20251120T084657Z
UID:1876-1763978400-1764090000@www.limics.fr
SUMMARY:Séminaire annuel interne\, Dourdan 2025
DESCRIPTION:Date : 24 et 25 novembre\nCliquez ici pour le programme du séminaire annuel de Dourdan
URL:https://www.limics.fr/event/seminaire-annuel-interne-dourdan-2025/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251031T140000
DTEND;TZID=Europe/Paris:20251031T190000
DTSTAMP:20260613T172848
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
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20251013T140000
DTEND;TZID=Europe/Paris:20251013T153000
DTSTAMP:20260613T172848
CREATED:20250611T095604Z
LAST-MODIFIED:20250703T075216Z
UID:1723-1760364000-1760369400@www.limics.fr
SUMMARY:Jérémy Florence\, Univ. Paris Cité: Refining risk stratification using CMR in patients with hypertrophic cardiomyopathy
DESCRIPTION:Title: « Refining risk stratification using CMR in patients with hypertrophic cardiomyopathy ».\nAbstract: Hypertrophic cardiomyopathy (HCM) is the most common genetic heart disease\, characterized by ventricular hypertrophy\, myocyte disarray\, and interstitial fibrosis\, often resulting from sarcomere gene variants. Patients experience adverse events such as heart failure (HF)\, stroke\, arrythmias and sudden cardiac death (SCD) leading to an increased risk of mortality. Late gadolinium enhancement (LGE) detected by cardiovascular magnetic resonance (CMR) imaging has emerged as a valuable method for the quantification of myocardial scarring. The presence and extent of LGE are both associated with a heightened risk of all-cause mortality in HCM patients. However\, despite broad acceptance and recent inclusion in the ACC/AHA and ESC guidelines\, optimal cutoff values for LGE quantification remain debated. Furthermore\, several studies on non-ischemic cardiomyopathies have demonstrated that specific features of LGE\, such as its location and pattern\, may play a crucial role in risk stratification\, which is pivotal for providing tailored care and optimized decision-making regarding medications and preventive implantable cardioverter-defibrillator (ICD). However\, there is a lack of data on the prognostic impact of these specific LGE features in HCM and very few studies have explored simultaneously the role of LGE extent\, location and pattern in predicting outcomes for this population. Given the importance of improving risk stratification in HCM patients to guide personalized treatment decisions\, particularly regarding medications and ICD\, our aim is to assess the incremental prognostic value of the “LGE granularity” concept —encompassing LGE extent\, location\, and pattern — in predicting all-cause mortality in a patients with HCM.
URL:https://www.limics.fr/event/jeremy-florence/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250929T140000
DTEND;TZID=Europe/Paris:20251006T153000
DTSTAMP:20260613T172848
CREATED:20250929T074358Z
LAST-MODIFIED:20250929T074457Z
UID:1797-1759154400-1759764600@www.limics.fr
SUMMARY:Thomas Meyer : Symbolic AI in the era of LLMs
DESCRIPTION:Titre: Symbolic AI in the era of LLMs\n\nAbstract:\nRecent spectacular advances in Artificial Intelligence (AI) focus strongly on the sub-area of AI known as machine learning. In this talk\, I will remind participants that there are several other sub-disciplines of AI\, and that it is important for the field to maintain and grow expertise in all aspects of AI. I will then proceed to practise what I preach by introducing Symbolic AI as one of the pillars of AI. The talk will conclude with some suggestions on how Symbolic AI can benefit from research in machine learning\, and vice versa.\n\nBio-sketch:\nProfessor Thomas (Tommie) Meyer is a professor in Computer Science at UCT\, the NRF SARChI research chair in Symbolic Artificial Intelligence\, the co-director of the national Centre for Artificial Intelligence Research\, and one of only three South African Computer Scientists to have been awarded an A rating by the NRF. He is the (co-) author of more than 200 peer-reviewed research outputs and has overseen 7 postdoctoral fellowships\, and supervised 7 PhD students and 20 Master’s students to completion. He is currently supervising 6 PhD students and 9 Master’s students. He is an elected member of the Academy of Science of South Africa\, an elected fellow of the African Academy of Sciences\, and the recipient of the 2025 Pioneer Award of the South African Institute for Computer Scientists and Information Technologists.
URL:https://www.limics.fr/event/thomas-meyer-symbolic-ai-in-the-era-of-llms/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250922T140000
DTEND;TZID=Europe/Paris:20250922T153000
DTSTAMP:20260613T172848
CREATED:20250607T162906Z
LAST-MODIFIED:20250901T055734Z
UID:1720-1758549600-1758555000@www.limics.fr
SUMMARY:Thomas Papastergiou
DESCRIPTION:Thomas Papastergiou est maître de conférence au LIPN\, USPN. Ses recherches portent sur l’intelligence artificielle et recouvrent une série d’applications biomédicales allant du diagnostic à la conception de médicaments nouvellement synthétisés. \nTensor Decomposition for Multiple Instance Learning in Medical Applications \nTensors are multidimensional data structures that naturally model multi-way medical data such as pathology images and patients’ physiological monitoring signals. Tensor decompositions can be leveraged to provide valuable insights for analyzing medical data.Multiple Instance Learning (MIL) is a learning paradigm in which each object (bag) is represented by multiple feature vectors (instances)\, in contrast to the classical paradigm where each object is represented by a single feature vector.In this talk\, we will present a distributed optimization algorithm for the tensor completion task (i.e.\, reconstructing a tensor from partially observed entries—for example\, reconstructing an image from only 10% of its pixels). Next\, we will introduce an MIL learning algorithm\, TensMIL\, which is based on tensor decomposition for seamless feature extraction and MIL classification\, making it suitable for diverse types of medical data.Finally\, we will showcase several applications of the TensMIL algorithm\, including pathology image classification\, frailty prediction from physiological signals collected from elderly monitoring\, and activity classification of NDM-1 inhibitors. \nDécomposition en tenseurs pour l’apprentissage à instances multiples dans les applications médicales \nLes tenseurs sont des structures de données multidimensionnelles qui permettent de modéliser naturellement des multi-way données médicales\, telles que les images pathologiques et les signaux physiologiques issus de la surveillance des patients. Les décompositions en tenseurs peuvent être exploitées afin de fournir des informations précieuses pour l’analyse des données médicales. L’apprentissage à instances multiples (Multiple Instance Learning\, MIL) est un paradigme d’apprentissage dans lequel chaque objet (bag) est représenté par plusieurs vecteurs de caractéristiques (instances)\, contrairement au paradigme classique où chaque objet est représenté par un seul vecteur de caractéristiques. Dans cet exposé\, nous présenterons un algorithme d’optimisation distribuée pour la tâche de complétion de tenseurs (c’est-à-dire la reconstruction d’un tenseur à partir d’observations partielles — par exemple\, reconstruire une image à partir de seulement 10 % de ses pixels). Ensuite\, nous introduirons un algorithme d’apprentissage MIL\, TensMIL\, basé sur la décomposition en tenseurs pour une extraction fluide des caractéristiques et une classification MIL adaptée à différents types de données médicales. Enfin\, nous illustrerons plusieurs applications de l’algorithme TensMIL\, notamment la classification d’images pathologiques\, la prédiction de la fragilité à partir de signaux physiologiques issus de la surveillance de personnes âgées\, ainsi que la classification de l’activité des inhibiteurs de la NDM-1.
URL:https://www.limics.fr/event/thomas-papastergiou/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250915T090000
DTEND;TZID=Europe/Paris:20250915T140000
DTSTAMP:20260613T172848
CREATED:20250515T055914Z
LAST-MODIFIED:20251010T102210Z
UID:1707-1757926800-1757944800@www.limics.fr
SUMMARY:Soutenance de thèse Manon Chossegros
DESCRIPTION:Title: Enhancing hematological image analysis with generalizable\, interpretable\, and adaptable AI models \nLieu: Limics\, Campus des Cordeliers\, salle de conférence \n\n\n\nMots-clés :\nApprentissage profond\,Leucocytes\,Explicabilité\,Généralisabilité\,Classification\,Semi-supervision\n\n\nKeywords:\nDeep Learning\,White blood cells\,Explainability\,Generalisability\,Classification\,Semi-supervision\n\n\n\n  \n\n\n\nRésumé :\n\n\n\nL’étude d’un échantillon sanguin peut être réalisée au moyen de plusieurs tests. Parmi ceux-ci\, on appelle cytologie l’observation des cellules sanguines au microscope. L’objectif de ce procédé est d’évaluer la quantité de chaque type de cellules sanguines et de repérer de potentielles anomalies morphologiques. Les récentes avancées en vision par ordinateur ont permis d’automatiser cette étape\, cependant\, les algorithmes posent d’importants problèmes de généralisabilité\, d’expliquabilité et d’adaptabilité. Autrement dit\, l’implémentation en pratique clinique est limitée par le manque de robustesse des modèles sur des images venant de conditions d’acquisition différentes\, par les difficultés à expliquer les raisons qui ont poussé leur prédiction et par les compétences limitées du modèle sur des tâches pour lesquelles il n’a pas été entraîné. L’objectif de cette thèse est de développer un système qui soit robuste\, transparent et déployable en conditions cliniques. Pour cela\, nous proposons tout d’abord de standardiser le style des images à l’aide d’une transformation colorimétrique simple combinée à de l’ajustement fin sur différents jeux de données. La procédure permet d’améliorer la robustesse du modèle tout en préservant l’aspect visuel de la cellule et en limitant le coût de calcul ainsi que le temps d’annotation pour l’expert. Ensuite\, nous développons un réseau basé sur une architecture multimodale qui prendrait en compte à la fois les images complètes et les caractéristiques morphologiques de la cellule\, extraites au préalable. Cette structure de modèle nous permet de quantifier le rôle de chaque caractéristique dans la prédiction\, et ainsi de comprendre les critères principaux de décision. Enfin\, nous élaborons une approche semi-supervisée\, où le modèle utilise des images d’annotées et non annotées. Les catégories de cellules sont représentées de manière hiérarchique\, témoignant de la différentiation du globule blanc. Cela présente le double avantage de donner plus de flexibilité au système d’annotation et de générer des représentations d’images plus versatiles\, qui peuvent ensuite être réutilisées pour différentes tâches. En denier lieu\, nous élargissons la perspective pour mettre en lumière comment les progrès récents de l’intelligence artificielle nous permettent d’envisager le patient sous un angle plus global. Nos contributions non seulement répondent à certains enjeux de généralisabilité\, d’interprétabilité et d’adaptabilité\, mais sont aussi prometteuses pour de futures recherches. Elles sont notamment pertinentes pour des problématiques actuelles de réduction de l’effet de batch dans les modèles de fondation\, d’amélioration de l’explicabilité des larges modèles multimodaux et d’introduction de connaissance biomédicale dans des modèles peu supervisés.\n\n\n\n\n\n\nSummary:\n\n\n\nThe study of a blood sample is performed through several different tests. Among them\, cytology analysis is the visual observation of blood cells under the microscope. The purpose of this step is to evaluate the respective proportion of different types of blood cells and to identify potential morphological anomalies. With the surge of computer vision\, the analysis of images can be automated; however\, algorithms are characterized by important limitations in terms of generalizability\, interpretability\, and adaptability. In other words\, the implementation of AI models in clinical practice is restricted by their lack of robustness across images taken under different conditions\, the difficulties they show when having to explain the reasons behind their predictions\, and their reduced performance in tasks for which they were not trained. The objective of this thesis is to develop a robust\, transparent\, and deployable AI system applied to hematology. Hence\, we first propose a simple color transform operation to normalize the style of images\, coupled with fine-tuning strategy. This method enhances model robustness across different datasets\, while preserving the visual aspect of the cells\, and remaining easy-to-apply and computationally affordable. Second\, we design a multimodal architecture that leverages both cell images and morphological features\, extracted beforehand. This network allows scoring the importance of each feature for model prediction\, which explains the main decision criteria. Third\, we explore reduced supervision setup\, by training the model with both labeled and unlabeled images. The categories of white blood cells are hierarchically organized to align with the differentiation of the cell and allow flexible annotation. The resulting image embeddings are more adaptable for various tasks and provide a better representation of cell biology. Finally\, we broaden the point of view to highlight how recent progress in AI paves the way for a more global understanding of the patient. Our contributions addressed not only some of the generalizability\, interpretability\, and adaptability issues but also satisfactorily apply to further research. In particular\, they could be relevant for current important topics such as the reduction of batch effect for foundation models\, the improvement of explainability in large multimodal models\, and the integration of biomedical knowledge in self-supervised models.
URL:https://www.limics.fr/event/soutenance-de-these-manon-chossegros/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250908T140000
DTEND;TZID=Europe/Paris:20250908T153000
DTSTAMP:20260613T172848
CREATED:20250826T151817Z
LAST-MODIFIED:20250826T152513Z
UID:1741-1757340000-1757345400@www.limics.fr
SUMMARY:Eduardo Fermé: An introduction to Belief change
DESCRIPTION:Eduardo Fermé\, full professor of computer science at the Universidade da Madeira in Portugal\, is spending one month as a visiting researcher at Limics.\n\nHe is internationally recognized for his research in Artificial Intelligence\, particularly in knowledge representation and the formalization of common-sense reasoning — key pillars of explainability in modern AI applications.\n\nTitle: An introduction to Belief change\n\nAbstract: The 1985 paper by Carlos Alchourrón (1931–1996)\, Peter Gärdenfors\, and David Makinson (AGM)\, “On the Logic of Theory Change: Partial Meet Contraction and Revision Functions”\, was the starting-point of a large and rapidly growing literature that employs formal models in the investigation of changes in belief states and databases. In this talk\, the first 40 years of this development are briefly summarized. The topics covered include equivalent characterizations of AGM operations\, extended representations of the belief states\, change operators not included in the original framework\, iterated change\, applications of the model\, its connections with other formal frameworks\, and criticism of the model.
URL:https://www.limics.fr/event/eduardo-ferme-an-introduction-to-belief-change/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250707T140000
DTEND;TZID=Europe/Paris:20250707T150000
DTSTAMP:20260613T172848
CREATED:20250328T110049Z
LAST-MODIFIED:20250328T110049Z
UID:1665-1751896800-1751900400@www.limics.fr
SUMMARY:Présentations des stagiaires : Dhia Eddine Boukchab\, Carole Masgnaux\, Antoine Bonnier
DESCRIPTION:
URL:https://www.limics.fr/event/presentations-des-stagiaires-dhia-eddine-boukchab-carole-masgnaux-antoine-bonnier/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250704T140000
DTEND;TZID=Europe/Paris:20250704T153000
DTSTAMP:20260613T172848
CREATED:20250605T121646Z
LAST-MODIFIED:20250606T113607Z
UID:1715-1751637600-1751643000@www.limics.fr
SUMMARY:Janan Arslan: MAESTRO: Morphology Analysis with Explainable Spatial Transcriptomics for Robust Observation
DESCRIPTION:MAESTRO will be an integrated pipeline for biomarker discovery and gene expression analysis\, combining advanced imaging technologies with spatial transcriptomics (ST) and artificial intelligence (AI). The system will be designed to process data from various imaging modalities\, such as ultrasound localization microscopy\, to identify disease-specific molecular signatures and their spatial relationships and connection with gene expressions. In addition to spatial analysis\, the pipeline will also consist of the following elements to assess their influence on disease trajectory and\, ultimate\, refine our understanding around personalized treatments: (1) shape analyses\, (2) visual exploration of gene and biomarker distributions in both 2D and 3D models\,  (3) extraction and interpretation of novel features discovered using our own pre-designed explainable artificial intelligence (XAI) methods\, and (4) develop disease-specific mathematical models by combining AI-based discoveries with concepts in cell mechanobiology.
URL:https://www.limics.fr/event/janan-arslan-maestro-morphology-analysis-with-explainable-spatial-transcriptomics-for-robust-observation/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250623T140000
DTEND;TZID=Europe/Paris:20250623T150000
DTSTAMP:20260613T172848
CREATED:20250328T105931Z
LAST-MODIFIED:20250328T105931Z
UID:1662-1750687200-1750690800@www.limics.fr
SUMMARY:Présentations des stagiaires : Chaima Abdellaoui\, Fiona Porsan\, Aniss Guedjali
DESCRIPTION:
URL:https://www.limics.fr/event/presentations-des-stagiaires-chaima-abdellaoui-fiona-porsan-aniss-guedjali/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250616T140000
DTEND;TZID=Europe/Paris:20250616T150000
DTSTAMP:20260613T172848
CREATED:20250328T105830Z
LAST-MODIFIED:20250328T105830Z
UID:1659-1750082400-1750086000@www.limics.fr
SUMMARY:Présentations des stagiaires : Rory Schofield\, Abdelmalek Makhir\, Samya Adrouji
DESCRIPTION:
URL:https://www.limics.fr/event/presentations-des-stagiaires-rory-schofield-abdelmalek-makhir-samya-adrouji/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250526T140000
DTEND;TZID=Europe/Paris:20250526T150000
DTSTAMP:20260613T172848
CREATED:20250401T143711Z
LAST-MODIFIED:20250401T143711Z
UID:1668-1748268000-1748271600@www.limics.fr
SUMMARY:Hugues Berry\, Présentation du nouveau Pôle IA de l'Inserm
DESCRIPTION:
URL:https://www.limics.fr/event/hugues-berry-presentation-du-nouveau-pole-ia-de-linserm/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250512T100000
DTEND;TZID=Europe/Paris:20250512T160000
DTSTAMP:20260613T172848
CREATED:20250430T065744Z
LAST-MODIFIED:20250430T070248Z
UID:1678-1747044000-1747065600@www.limics.fr
SUMMARY:Journée séminaire Limics - M3P (médicament)
DESCRIPTION:Le Limics porte un axe thématique qui concerne le Médicament. Cet axe utilise les approches d’ingénierie des connaissances et d’intelligence artificielle développées au Limics dans le cadre d’usage autour du médicament. Ce cas d’usage distingue (1) une recherche sur la formalisation des connaissances sur le médicament\, ses propriétés et ses effets indésirables\, (2) une recherche sur l’aide à la décision dans le domaine thérapeutique (prescription\, arrêt de traitement\, substitution\, sécurisation\, stratégie thérapeutique\, et explicabilité des décisions via la visualisation) et (3) une recherche sur les méthodes de détection de situations iatrogènes médicamenteuses (des effets indésirables médicamenteux\, interactions) à partir de données de vie réelle\, en particulier les médias sociaux pour la pharmacovigilance. \nDans le cadre de l’animation de ce thème\, nous proposons une série de journées dédiées à ces sujets. \nLa première journée aura lieu le12 mai 2025 dans les locaux des Cordeliers du Limics (Centre des cordeliers\,  15 rue de l’École de médecine\, 75006 ou en visio) de 10h à 16h et elle portera sur des travaux sur la définition univoque du médicament et de ses composants par une représentation formelle\, la vision européenne et des travaux applicatifs. \nL’enjeu de disposer en France d’une ressource formelle sur le médicament\, de qualité\, interopérable avec des standards internationaux normalisés a permis d’initier  la construction du référentiel unique interopérable du médicament grâce à un effort joint de l’Agence du Numérique en Santé (ANS) et de l’Agence nationale de sécurité du médicament (ANSM) en partenariat avec le Limics. \nNous proposons au cours de cette journée de présenter l’état actuel de ce référentiel\, son intérêt dans des projets de recherche d’informatique médicale du limics. La deuxième partie de la journée sera consacrée à des travaux permettant d’élargir le sujet à des solutions ontologiques englobant le référentiel et de s’interesser à d’autres représentations du médicament pouvant être liée à ce référentiel \nOrganisatrices \n\nCatherine Duclos\, PUPH à l’AP-HP\, Hôpital Avicennes\, Limics\nMarie-Christine Jaulent\, Directrice de Rechercher à l’Inserm\, Limics\n\nInscription \nNous serons ravis de vous accueillir en présentiel. L’inscription est obligatoire car notre salle a une capacité limitée\, merci de vous inscrire ici en cochant la case si vous serez présent.\nSi vous voulez suivre le séminaire mais ne pouvez être présent\, vous pouvez demander le lien aux organisatrices (si vous avez reçu une annonce par email\, le lien y est également).\nLe programme \n10h– Accueil des participants \n10h30 – 11 h30  – Le référentiel unique et interopérable du médicament en France : méthodologie de construction\, contrôle qualité\, couverture\, mise à disposition\, usages\nYann Briand (ANS)\,  Laurence Lefevre (ANSM) Catherine Letord (DESAN\, CHU Rouen)\, Catherine Duclos (Limics) \n11h30 -12h30 –  Quelques applications nécessitant un référentiel du médicament dans les projets du Limics \n\nPsyHamm : Jean Charlet\nRemiames : Catherine Duclos\nAbimed : Romain Leguillon\n\n14h-15h – Intégrer le référentiel dans une vision plus large I \n\nFormalismes : Ontologies et graphes de connaissances (Thomas Francart\, Sparna)\nDonnées liées sur le médicament (Raphael Sergent – Accurids)\n\n15h-16h – Intégrer le référentiel dans une vision plus large II \n\nLe projet UNICOM (P.Mazeau\, R. Vander Stichele) (à confirmer)\nExpériences d’alignement du médicament français à la terminologie standard utilisée dans OMOP (RxNorm Extension) (A. Menu\, HDH\, Mélanie Sambres Limics)
URL:https://www.limics.fr/event/journee-seminaire-limics-m3p-medicament/
LOCATION:Limics\, 15 rue de l’école de médecine\, 75006 PARIS
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250428T140000
DTEND;TZID=Europe/Paris:20250428T150000
DTSTAMP:20260613T172848
CREATED:20241220T155826Z
LAST-MODIFIED:20250422T112658Z
UID:1619-1745848800-1745852400@www.limics.fr
SUMMARY:Ariel Cohen\, Introduction to Weak Supervision & Applications
DESCRIPTION:Introduction to Weak Supervision & Applications \nThe recent digitization of patient health records and their collection\, in a near real-time basis\, in Clinical Data Warehouses (CDWs) offer new perspectives for research\, steering activities and policy making. Although promising\, taking advantage of Electronic Health Records (EHR) is still a current challenge. Particularly\, textual data are very rich in information but their exploitation remains extremely difficult. The development of efficient methods of information extraction from unstructured data for further use is\, therefore\, essential.\nNatural language processing (NLP) techniques applied to health care notes have already shown satisfactory results in the literature\, especially with supervised learning approaches. However\, this good performance depends strongly on the existence of many annotated records and\, moreover\, these annotations must be performed by domain experts. This annotation task is in practice a bottleneck for the development of research because the experts’ available time is a scarce and expensive resource. Furthermore\, the majority of annotated datasets issued from clinical notes could not be shared and reused due to patient privacy regulations. \nThe challenge of acquiring labelled training data has driven the search for alternatives to traditional supervised machine learning. There are new engineering and mathematical methodologies that focus on minimising the expert annotation task\, especially the weak supervision approaches. Programmatic weak supervision encompasses a wide range of techniques that aim to learn from data where the supervision comes from labelling functions. Among those techniques\, the distant supervision approach allows the use of multiple data sources to build annotated datasets automatically\, consequently\, much faster than what can be produced by manual annotation. However\, this programmatic annotation is imperfect\, producing “silver standard” datasets with partially unreliable labels\, also called noisy labels. Many machine learning algorithms\, including the most recent such as Deep neural networks (DNNs)\, are susceptible to overfit on noisy labels; Therefore\, several efforts and methods have been developed to be able to learn from noisy labels with DNNs. \nThere is also an increasing interest in the use of Large Language Models (LLM) to solve NLP tasks of information extraction in the medical domain without the need of an expert labelled training set. Even though\, to date\, they present several limitations: first\, it has been shown that these models are not as performant as smaller supervised contextual models (e.g. BERT). Second\, the operational cost of deploying these huge resource demanding models in a CDW with more than 11M patients is not conceivable from an industrial perspective. The need for a dedicated\, state-of-the-art hardware and the energy consumption of it makes\, at date\, prohibitively expensive the massive use of this technology for inference purposes. On the other hand\, recent publications suggest that these models are suitable for the labelling task and they could accelerate the development of smaller specialized models. \nThe primary goal of our work is to explore how weak supervision approaches can be developed within a CDW to reduce the annotation workload for medical professionals and speed up NLP model development\, while addressing the constraints typical of this industrial environment. Our research will be developed using multiple real-world use cases\, and aims to answer the following research questions: Can weak supervision methods be applied in a Clinical Data Warehouse context to accelerate the development of NLP models? How can we leverage information redundancy present in certain portions of Electronic Health Records with a CDW to create labelling functions to obtain a programmatically annotated corpus (silver standard) which allows us to fit a model using distant supervision? How can we take advantage of Large Language Models in the annotation phase of training sets\, and how can we use these datasets for the development of smaller\, specialized models ready for deployment in a Clinical Data Warehouse? Which are the most effective training techniques for handling these silver standard datasets?
URL:https://www.limics.fr/event/ariel-cohen/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250331T140000
DTEND;TZID=Europe/Paris:20250331T150000
DTSTAMP:20260613T172848
CREATED:20241219T164757Z
LAST-MODIFIED:20250115T100720Z
UID:1613-1743429600-1743433200@www.limics.fr
SUMMARY:Charles Assaad\, IPLESP\, Causal inference using DAGs and SCGs
DESCRIPTION:Abstract:\nStructural Causal Models (SCMs) offer a powerful framework for understanding and reasoning about causal relationships\, particularly in the context of total effects. In this presentation\, we will explore a range of established tools for identifying total effects using fully specified Directed Acyclic Graphs (DAGs) derived from SCMs. These tools will be illustrated through two epidemiological studies that demonstrate their practical application. \nHowever\, many fields—such as epidemiology and genetics—encounter significant challenges in fully specifying these graphs. To address these limitations\, we introduce Summary Causal Graphs (SCGs)\, an abstraction of DAGs that are simpler to construct. Unlike traditional DAGs\, SCGs may include cycles and vertices that do not correspond directly to individual random variables\, making them more flexible for complex systems. \nAdditionally\, we will present novel methods for reasoning about and identifying total effects using SCGs\, even in scenarios involving cycles\, thereby extending the applicability of causal inference to less structured settings.
URL:https://www.limics.fr/event/charles-assaad-iplesp/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250317T140000
DTEND;TZID=Europe/Paris:20250317T150000
DTSTAMP:20260613T172848
CREATED:20250220T135808Z
LAST-MODIFIED:20250220T135808Z
UID:1654-1742220000-1742223600@www.limics.fr
SUMMARY:Jean-Baptiste Lamy : Marquage CE et aide à la décision clinique pour les nuls
DESCRIPTION:
URL:https://www.limics.fr/event/jean-baptiste-lamy-marquage-ce-et-aide-a-la-decision-clinique-pour-les-nuls/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250210T140000
DTEND;TZID=Europe/Paris:20250210T150000
DTSTAMP:20260613T172848
CREATED:20241220T105518Z
LAST-MODIFIED:20250130T165229Z
UID:1616-1739196000-1739199600@www.limics.fr
SUMMARY:Manon Chossegros: "How can we use hierarchical classification to improve the representation of white blood cell images by foundation models?"
DESCRIPTION:Title:\nHow can we use hierarchical classification to improve the representation of white blood cell images by foundation models? \nSummary:\nIn this presentation I will first make an introduction about what is hierarchical classification and how can it be implemented in Deep Learning.\nI will also introduce DinoV2 architecture that is current state-of-the-art foundation model for images. \nThen I will show how it applies to the problem of white blood cell classification\, and what is the added value of hierarchy in this context.
URL:https://www.limics.fr/event/manon-chossegros/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20250120T140000
DTEND;TZID=Europe/Paris:20250120T150000
DTSTAMP:20260613T172848
CREATED:20241124T181939Z
LAST-MODIFIED:20250106T145252Z
UID:1584-1737381600-1737385200@www.limics.fr
SUMMARY:Alaedine Benani : données synthétiques pour les Nuls (+ présentation du sujet de thèse)
DESCRIPTION:Alaedine is a new PhD student at Limics\, and will present his research subject\, as well as a focus on synthetic health data. \nThis presentation explores the role of synthetic data as a promising solution to overcome regulatory barriers in healthcare machine learning. By detailing its methodology\, including regulatory compliance\, reduced re-identification risks\, and usability for ML training\, two key methods\, Octopize and SDV (CT-GAN)\, will be examined to illustrate how synthetic data can replicate realistic datasets while addressing specific limitations. Practical applications within the Prīsm project and examples from scientific literature highlight the transformative potential of synthetic data in healthcare and beyond.
URL:https://www.limics.fr/event/alaedine-benani/
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20241216T140000
DTEND;TZID=Europe/Paris:20241216T153000
DTSTAMP:20260613T172848
CREATED:20240911T142751Z
LAST-MODIFIED:20240911T142751Z
UID:1487-1734357600-1734363000@www.limics.fr
SUMMARY:Claire-Ange Maréchal & Gaia Jouanna\, Pôle Communication de l'Inserm
DESCRIPTION:
URL:https://www.limics.fr/event/claire-ange-marechal-gaia-jouanna-pole-communication-de-linserm/
END:VEVENT
END:VCALENDAR