L’ÉTS accueille deux chaires de recherche spécialisées en intelligence artificielle appliquée à la santé 

Grâce à un financement de 1,5 M$ sur trois ans de la part du Fonds de recherche du Québec – santé (FRQS), l’École de technologie supérieure (ÉTS) accueillera deux nouvelles chaires de recherche sur l’intelligence artificielle appliquée au domaine de santé.  Éric Granger, professeur au Département de génie des systèmes, et Rita Noumeir, professeure au Département de génie électrique, seront les titulaires de ces deux chaires de recherche qu’ils codirigeront avec leurs collègues de l’Université de Montréal et de l’université Concordia.  

Ce programme de chaires, qui s’appuie sur l’expertise de deux cotitulaires dans des domaines complémentaires, vise à former du personnel qualifié qui sera apte à travailler dans un domaine combinant l’intelligence artificielle et la santé. 

« L’ÉTS est la seule université à avoir obtenu deux chaires de recherche dans le cadre de ce programme qui prévoyait au départ en financer une seule pour tout le Québec. Ce double octroi démontre que nos chercheurs ont acquis une expertise très pointue en science des données. Leur contribution scientifique renforcera sans conteste le rayonnement international de ce pôle stratégique. L’ÉTS, c’est aussi le génie au service de la santé pour un avenir plus sain », a déclaré François Gagnon, directeur général de l’ÉTS. 

Chaire de recherche sur le développement et validation de systèmes d’aide à la décision clinique à l’aide de l’intelligence artificielle

Les travaux qui seront codirigés par la professeure Rita Noumeir, de l’ÉTS, et le professeur Philippe Jouvet, rattaché à l’Université de Montréal et au Centre de recherche du CHU Sainte-Justine, aideront les professionnels de la santé et les gestionnaires à prendre plus rapidement des décisions dans un contexte de soins.  

À ce titre, les unités de soins intensifs représentent un milieu idéal pour réaliser des travaux de recherche en médecine personnalisée, car on y collecte un nombre important de données sur les patients*, et celles-ci le sont à une grande fréquence. De plus, ces données peuvent être reliées aux observations, notes et résumés d’actes médicaux qui sont consignés dans le dossier électronique du patient. Bref, elles contiennent une masse importante d’information intégrée, amalgamée et analysée qui permettrait d’améliorer les soins par le développement d’algorithmes et de méthodes basés sur l’intelligence artificielle. 

Par ailleurs, la diversité des formats sous lesquels se présentent ces données - il peut s’agir d’examens de laboratoire, de signaux physiologiques, d’images radiologiques ou de notes médicales –, l’absence ou l’imprécision de certaines autres requièrent le développement de nouvelles méthodes de traitement des données afin de soutenir la prise de décision dans les soins.   

Les deux cotitulaires et leur équipe chercheront à résoudre ces enjeux. Au final, ils comptent créer un algorithme performant qui permettra non seulement d’évaluer en temps réel l’état du patient et son niveau de détresse, mais aussi de réduire les taux de réadmission aux soins intensifs et de mieux gérer le flux des patients entre les unités de soins.  

« Le financement que nous avons reçu sera presque entièrement versé sous forme de bourses à des étudiants qui pourront développer leur expertise dans le domaine de l’intelligence artificielle appliquée à la santé », a tenu à préciser la professeure Noumeir. 

* Cette collecte de données sera encadrée par un comité d’éthique et les patients devront consentir à leur utilisation aux fins de recherche.  

Chaire de recherche en intelligence artificielle et santé numérique pour le changement des comportements de santé 

Comment peut-on aider les personnes à suivre un plan de traitement ou à adopter des habitudes de santé plus saines lorsqu’elles recourent à un service de santé en ligne sans intervention humaine? Voilà la question à laquelle tenteront de répondre les professeurs Éric Granger, professeur au Département de génie des systèmes de l’ÉTS, et Simon Bacon, professeur en psychologie comportementale de l’université Concordia et chercheur au Centre de recherche du CIUSSS du Nord de l’île de Montréal. 

Des études ont démontré que l’ambivalence d’une personne, c’est-à-dire le tiraillement entre son désir de changer et les motifs qui l’empêchent de le faire, a une incidence sur sa capacité à adopter des comportements plus sains. Or, les expressions non verbales fournissent des indices subtils sur l’ambivalence d’une personne, et celles-ci ne sont pas prises en compte lors d’une intervention en ligne, car il n’y pas d’être humain pour les interpréter.  

Cela pourrait changer grâce aux travaux du professeur Granger, un spécialiste en sciences des données.  Le professeur et son équipe comptent élaborer un algorithme en mesure d’interpréter le langage non verbal des utilisateurs de ces services. En détectant son ambivalence et même sa détresse ou sa démotivation, le service adapterait ses interventions de manière à ce qu’elles soient personnalisées à l’état émotif de l’utilisateur.  

D’ici là, il faudra d’abord passer au crible une quantité importante de données multimodales extraites de vidéos. Grâce à des modèles spécialisés en apprentissage profond, il sera possible d’assigner avec précision un état émotif à une combinaison de données provenant de diverses sources (par exemple, des images et des sons) qui regroupent, par exemple l’expression du visage, l’intonation de la voix, la gestuelle ou la posture. Il faudra aussi améliorer la performance des réseaux de neurones profonds dans la reconnaissance des expressions, car bien que ces derniers soient performants dans plusieurs types d’application, ils ont tendance à se dégrader lorsqu'il existe un nombre réduit de données et une diversité de sources. 

Le fruit de ces recherches permettra d’établir des interventions qui auront une incidence sur la modification des comportements en santé, notamment sur l’inactivité physique et la mauvaise alimentation qui représentent jusqu’à 80 % du risque de maladies chroniques non transmissibles.