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:20251209T090000
DTEND;TZID=Europe/Paris:20251209T140000
DTSTAMP:20260614T022054
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:20251209T140000
DTEND;TZID=Europe/Paris:20251209T180000
DTSTAMP:20260614T022054
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:20251212T140000
DTEND;TZID=Europe/Paris:20251212T190000
DTSTAMP:20260614T022054
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:20251218T140000
DTEND;TZID=Europe/Paris:20251218T180000
DTSTAMP:20260614T022054
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
END:VCALENDAR