BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.4.3//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:0-141@lisn.upsaclay.fr DTSTART;TZID=Europe/Paris:20231130T160000 DTEND;TZID=Europe/Paris:20231130T190000 DTSTAMP:20231114T134619Z URL:https://www.lisn.upsaclay.fr/evenements/extraction-dinformations-a-par tir-des-dossiers-patients-informatises-etudes-en-temporalite-confidentiali te-et-impact-environnemental/ SUMMARY:Extraction d'Informations à partir des Dossiers Patients Informati sés : Etudes en temporalité\, confidentialité et impact environnemental DESCRIPTION:Jury\nMaxime AMBLARD (Professeur des Universités\, Université de Lorraine) : Rapporteur &\; Examinateur\nTimothy MILLER (Assistant P rofessor\, Harvard University\, Boston Children's Hospital) : Rapporteur & amp\; Examinateur\nFleur MOUGIN (Professeure des Universités\, Universit é de Bordeaux) : Examinatrice\nFatiha SAIS (Professeure des Universités\ , Université Paris Saclay) : Examinatrice\nBastien RANCE (Maître de conf érences des Universités - Praticien Hospitalier\, HEGP\, Université Par is Cité) : Co-superviseur\nXavier TANNIER (Professeur des Universités\, LIMICS\, Sorbonne Université) : Co-superviseur\nAurélie NÉVÉOL (Direct rice de Recherche\, LISN\, CNRS) : Directrice de thèse\nRésumé\nL'extra ction automatique des informations contenues dans les Dossiers Patients In formatisés (DPIs) est cruciale pour améliorer la recherche clinique. Or\ , la plupart des informations sont sous forme de texte non structuré. La complexité et le caractère confidentiel du texte clinique présente des défis supplémentaires. Par conséquent\, le partage de données est diff icile dans la pratique et est strictement encadré par des réglementation s. Les modèles neuronaux offrent de bons résultats pour l'extraction d'i nformations. Mais ils nécessitent de grandes quantités de données annot ées\, qui sont souvent limitées\, en particulier pour les langues autres que l'anglais. Ainsi\, la performance n'est pas encore adaptée à des ap plications pratiques. Outre les enjeux de confidentialité\, les modèles d'apprentissage profond ont un important impact environnemental. Dans cett e thèse\, nous proposons des méthodes et des ressources pour la Reconnai ssance d'entités nommées (REN) et l'extraction de relations temporelles dans des textes cliniques en français.\nPlus précisément\, nous proposo ns une architecture de modèles préservant la confidentialité des donné es par mimétisme permettant un transfert de connaissances d'un modèle en seignant entraîné sur un corpus privé à un modèle élève. Ce modèle élève pourrait être partagé sans révéler les données sensibles ou le modèle privé construit avec ces données. Notre stratégie offre un b on compromis entre la performance et la préservation de la confidentialit é.Ensuite\, nous introduisons une nouvelle représentation des relations temporelles\, indépendante des événements et de la tâche d'extraction\ , qui permet d'identifier des portions de textes homogènes du point de vu e temporel et de caractériser la relation entre chaque portion du texte e t la date de création du document. Cela rend l'annotation et l'extraction des relations temporelles plus facile et reproductible à travers différ ents types d'événements\, vu qu'aucune définition et extraction préala ble des événements n'est requise.Enfin\, nous effectuons une analyse com parative des outils existants de mesure d'empreinte carbone des modèles d e TAL. Nous adoptons un des outils étudiés pour calculer l'empreinte car bone de nos modèles\, en considérant que c'est une première étape vers une prise de conscience et un contrôle de leur impact environnemental.\n En résumé\, nous générons des modèles de REN partageables préservant la confidentialité que les cliniciens peuvent utiliser efficacement. Nou s démontrons également que l'extraction de relations temporelles peut ê tre abordée indépendamment du domaine d'application et que de bons résu ltats peuvent être obtenus en utilisant des données d'oncologie du monde réel. CATEGORIES:STL,Thèses et HDR LOCATION:LISN Site Belvédère\, Rue du Belvédère Campus universitaire b ât 507 91405 Orsay\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Rue du Belvédère Campus universitaire bât 507 91405 Orsay\, France;X-APPLE-RADIUS=100;X-TITLE=LIS N Site Belvédère:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20231029T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR