Propagation d'épidémies et survie en grande dimension : des modèles statistiques classiques aux méthodes d'apprentissage - TEL - Thèses en ligne Accéder directement au contenu
Hdr Année : 2023

Propagation d'épidémies et survie en grande dimension : des modèles statistiques classiques aux méthodes d'apprentissage

Résumé

This Research Accreditation (HDR) in Mathematics consists of statistics applied to epidemiology and clinical research. Modern technologies make it possible to generate data on thousands of variables or observations, either via the internet that can be used to build a medical signal, or directly from genomic patient data, radiomics, medico-administrative databases, disease surveillance by smart medical devices, etc. This big data requires the development of specific statistical or machine learning methods in order to provide answers to the underlying clinical questions that are robust and reliable. My research work is mainly concerned with data on durations (time to event) and time series of epidemic spread. The particularities of these two types of data present complex challenges which also require simulation studies. The models presented, developed or applied are, among others, classical or survival random forests, support vector machines, autoregressive models, Cox models, SIR (Susceptible-Infectious-Removed) compartmental models, linear and nonlinear mixed models, or joined models. This work mainly concerns medical applications of major public health issues, like influenza, gastroenteritis, COVID19, glioblastoma, tumor growth, or variations of iron and hepcidin during the menstrual cycle.
Cette Habilitation à Diriger des Recherches (HDR) de Mathématiques s'inscrit en statistique appliquée à l'épidémiologie et à la recherche clinique. Les technologies modernes permettent de générer des données sur des milliers de variables ou d'observations, que ce soit via internet qui peut être utilisé pour construire un signal médical, ou directement à partir de données-patients génomiques, radiomiques, des bases de données médico-administratives, de surveillance des maladies par des dispositifs médicaux intelligents, etc. Ces données massives nécessitent le développement de méthodes spécifiques statistiques ou d'apprentissage qui rendent robustes et fiables les réponses aux questions cliniques sous-jacentes. Mon travail de recherche s'intéresse principalement aux données de durées (d'apparition d'événements) et de séries temporelles de propagation d'épidémies. Les particularités de ces deux types de données engendrent des sujets méthodologiques qui nécessitent également des études de simulations. Les modèles présentés, développés ou appliqués sont, entre autres, des forêts aléatoires classiques ou de survie, des méthodes à noyaux adaptées, des modèles autorégressifs, des modèles de Cox, des modèles compartimentaux SIR (Susceptible-Infectious-Removed), des modèles mixtes linéaires et non linéaires, ou des modèles joints. Ce travail concerne essentiellement des applications médicales d'enjeu de santé publique majeur comme la grippe, la gastro-entérite, la COVID19, le glioblastome, la croissance tumorale, ou les variations de quantité de fer et d'hepcidine pendant le cycle menstruel.
Fichier principal
Vignette du fichier
HDR2023.pdf (9.1 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04411941 , version 1 (23-01-2024)

Identifiants

  • HAL Id : tel-04411941 , version 1

Citer

Audrey Lavenu. Propagation d'épidémies et survie en grande dimension : des modèles statistiques classiques aux méthodes d'apprentissage. Applications [stat.AP]. Université de Rennes, 2023. ⟨tel-04411941⟩
44 Consultations
24 Téléchargements

Partager

Gmail Facebook X LinkedIn More