Apprentissage en continu de modèles prédictifs à partir de données d’électrocardiogrammes

Les électrocardiogrammes (ECG) jouent un rôle majeur dans le diagnostic d’anomalies du rythme cardiaque. Cependant, la quantité de données produites pour suivre des patients sur de longues durées devient intraitable. Heureusement, l’apprentissage automatique (ML) a été appliqué avec succès sur des tâches comme la détection de battements et la classification de type de battements. Suivant l’approche ML conventionnelle, des modèles sont entraînés sur des données pré-collectées et ne sont plus mis à jour après leur déploiement. Ce projet vise à développer des stratégies permettant de poursuivre l’apprentissage des modèles avec des données récoltées en déploiement. Des indicateurs permettant d’évaluer l’équité seront également développés pour caractériser la performance des modèles sur les différentes sous-populations composant les données de manière à assurer une évolution des modèles bénéfique à tous. Les systèmes résultants seront livrés au partenaire en vue d’être intégrés à leur architecture ML.

Faculty Supervisor:

Audrey Durand

Student:

Partner:

Icentia

Discipline:

Computer science

Sector:

Manufacturing

University:

Université Laval

Program: