STAGE - Ingénieur de recherche en statistiques avancées : Analyse causale de l'effet d'un traitement (H/F)

Au sein du département Corporate Strategy & Research, vous intégrerez l'équipe Living Twins for Practitioners, riche de compétences en médecine, biologie, mathématique et informatique, et qui conduit plusieurs projets en oncologie, neurologie et cardiologie.

Dans le cadre de la diversification de nos activités en santé, vous ferez partie de l’équipe « Clinical Decision » et serez responsable de la mise en place de méthodes statistiques et de Machine Learning permettant :

·        de mesurer l’effet causal d’un traitement ou d’une intervention sur un outcome prédéfini,

·        de quantifier mathématiquement cet effet,

·        et d’interpréter et de conclure statistiquement sur le résultat de cette analyse.

Le but de ce stage sera d’étudier les différentes approches d’inférence causale existantes (approches statistiques et approches de Machine Learning/Deep Learning) telles que les approches basées sur un équilibrage de la représentation (ou representation balancing) [Johansson, Shalit, and Sontag's (2016)] ou les approches basées sur les réseaux antagonistes (ou adversarial) : [Yoon, Jordon, and Van Der Schaar's (2018)].

Vous serez en charge d’appliquer ces approches sur un cas clinique et d’apporter une analyse statistique et critique de ces différentes approches.

Un exemple d’application clinique à mettre en place lors du stage sera lié à l’analyse causale de l’effet d’un traitement sur le risque d’évènement clinique en oncologie.

Références

[Johansson, Shalit, and Sontag's (2016)] Fredrik Johansson, Uri Shalit, and David Sontag. ‘’Learning representations for counterfactual inference’’. In: International conference on machine learning. PMLR. 2016, pp. 3020-3029.

[Yoon, Jordon, and Van Der Schaar's (2018)] Jinsung Yoon, James Jordon, and Mihaela Van Der Schaar. ‘’GANITE: Estimation of individualized treatment effects using generative adversarial nets’’. In: International conference on learning representations. 2018.

Vos missions

Votre contribution consistera à :

·        Effectuer un état de l’art des méthodes d’inférence causale ;

·        Prendre en main la base de données de patients qui sera utilisé lors du stage, la nettoyer et faire des études descriptives des données ;

·        Implémenter (en langage Python) une ou plusieurs méthodes d’inférence causale existante(s) pour répondre au problème posé ;

·        Appliquer et comparer les méthodes sur ces données, et apporter une analyse critique de ces méthodes ;

·        A la suite de ces résultats, il s’agira de mettre en place une nouvelle méthodologie pour l’inférence causale (i.e. définition et implémentation) qui est spécifique au cas clinique étudié, et de comparer la nouvelle méthodologie développée avec les méthodes existantes dans la littérature ;

·        Rédiger une synthèse des résultats obtenus.