Description

Ce cours offre une approche d’apprentissage par la pratique dans le domaine des sciences des données en santé. L'objectif pour les étudiants est d’être capable d'identifier et de mettre en oeuvre les méthodologies adaptées pour répondre à des problématiques polyvalentes en lien avec les données de la recherche biomédicale.
Ce cours est organisé autour de la réalisation de quatre travaux personnels réalisés en petits groupes de travail. Le cours magistral sert à présenter les notions indispensables à la réalisation des travaux personnels. Les TD sont des séances de travail collectif visant à accompagner l’avancée des travaux personnels.
Ce cours constitue une étape importante dans le développement de compétences techniques (capacité à préparer les données, capacité à tirer parti du machine learning et de l'intelligence artificielle,…) et personnelles (approche proactive de la résolution des problèmes, communication efficace, sensibilité métier, curiosité intellectuelle,…) en science des données de santé.

Modalités d'organisation et de suivi

Méthodes pédagogiques :
Pédagogie basée sur l’apprentissage par la pratique. Les étudiants sont accompagnés dans la réalisation d’analyses de données de santé en condition simulant les attentes professionnelles au sein de start-up ou de départements orientés « data analyse ».
L’UE consiste en la réalisation de 4 travaux. Chacun consiste en 2 h de CM et 2h de TD (introduction et conceptualisation du travail), 2h CM et 2h TD (réalisation du travail), 4h TD (restitution) soit 16hCM, 32h TD et le reste (4h par module) de travail perso.
Une partie de l’accompagnement et des TD est dématérialisée à l’aide d’outils de travail à distance.
Le travail en équipe entre étudiants est favorisé et indispensable
Travail personnel indispensable : Une implication forte est demandée aux étudiants pour se familiariser avec les outils et langages de programmation (R et python) utilisés dans ce cours.
Plan :
Travail 1 : Visualization challenge
Introduction de la visualisation de données - travail en petits groupes. Tous les groupes d’étudiants cherchent à créer un dashboard pour représenter et rentre intelligible les données d’une même source (type opendata) de données de santé régulièrement réactualisées. Pour la motivation et la cohésion de la promotion, les groupes sont mis en concurrence dans un challenge avec un vote final pour classer les tableaux de bord créés.
Travail 2 : Prediction challenge
Travail d’introduction à la pratique du machine learning et du deep learning. Tous les groupes d’étudiants disposent d’un même jeu de donnée en lien avec des problématiques de classification ou de régression sur des données de santé. Les groupes sont mis en concurrence dans un challenge de type Kaggle
Travail 3 : Analyse des données d’une étude clinique
Les groupes travaillent à l'analyse et la présentation de données réelles issues d'essais thérapeutiques. Ils disposent de l’ensem ble des documents habituels d’une étude clinique (protocole, eCRF commenté, données, …). Les étudiants sont amenés à se pencher sur toutes les étapes allant de la mise en forme des données transmises par des équipes de data management jusqu’à la mise en forme synthétique des données dans le cadre d’une présentation de résultats.
Travail 4 : Analyse de données observationnelles issues d’un entrepôt de données de santé ou d’un infocentre.
Les groupes travaillent à l'analyse et la présentation de données réelles issues d’un entrepôt de donnée santé ou d’un infocentre biomédical. Les problématiques de nettoyage, visualisation,
analyse de données massives sont abordées. L’objectif est de fournir un compte rendu de type synthèse d’analyse pour répondre à une question à l’aide d’un data-mart.

 

Bibliographie

https://scikit-learn.org/stable/

• https://keras.io
• Müller A.C. & Guido S., Introduction to machine learning with Python, O’Reilly , 2017.
• Chollet F. with Allaire J.J., Deep learning with R, Manning, 2018.

Contacts

Responsable(s) de l'enseignement

• Julien Godet