Clinical

Les systèmes d’aide à la décision clinique en anesthésie se limitent généralement à un simple seuillage ou à la détection de variations. De plus, les stratégies de commande en boucle fermée existantes sont souvent peu adaptées aux besoins pratiques des anesthésiologistes.

Ce projet vise à exploiter le potentiel des méthodes de commande, d’optimisation et d’apprentissage afin de proposer des approches originales permettant de fusionner les différentes données mesurées et de concevoir des systèmes avancés de détection et de contrôle répondant à certains défis cliniques.
Une liste non exhaustive de ces défis comprend :

• Présences de fortes incertitudes dans les systèmes biomédicaux : les modèles physiologiques sont souvent hypothétiques et leurs paramètres sont décrits par des distributions de probabilité.
• Fiabilité des mesures : les mesures peuvent être affectées par des interactions médicamenteuses compromettant leur interprétabilité (par exemple, l’influence de la kétamine sur l’indice bispectral), ou liées à des phénomènes cliniques mal compris tels que l’analgésie (absence de douleur), qui ne dispose pas d’indicateur direct et doit souvent être déduite de plusieurs signaux cliniques.
• Faible persistance d’excitation dans les entrées : les profils d’infusion des médicaments sont soumis à diverses contraintes cliniques, ce qui limite l’identifiabilité des paramètres des modèles.
• Événements critiques impactant les performances de commande : par exemple, une hémorragie pouvant modifier les concentrations de médicaments dans le sang et affecter ainsi la dynamique du système.

Le projet Clinical vise à aborder certaines de ces complexités via des approches d’apprentissage, de commande probabiliste et stochastique, ainsi que de commande prédictive (Model Predictive Control). Il exploitera à la fois des données cliniques et des simulateurs physiologiques afin de concevoir des stratégies de commande plus réalistes et adaptées à la pratique, prenant en compte le retour des anesthésistes.