Mieux suivre les patientes atteintes du Lupus grâce au Machine Learning.
Suite au succès d'un POC démontrant qu'il est possible de détecter une rechute grâce à des algorithmes de machine learning, le Commissariat à l'énergie atomique et aux énergies alternatives a fait appel à Loop Crew pour développer plusieurs applications médicales.
Indicateurs clés
12
années de R&D Nucléaire et ML
1
partenariat avec l’APHP
Lauréate
du prix Margaret 2023
Pourquoi Loop Crew ?
Les chercheurs du CEA souhaitaient faire appel à une équipe technique pouvant assurer des développements complexes afin d’intégrer ses algorithmes de ML.
Le développement s’inscrit dans un cadre méthodologique strict pour pouvoir collecter et manipuler des données de santé, conformément à la réglementation européenne.
Comment avons-nous aidé ?
Les chercheurs du CEA faisaient face à un défi médical majeur, développer une solution technologique capable de :
- Prédire les risques de rechute chez les patientes atteintes de Lupus
- Garantir la confidentialité des données médicales
- Créer une application multi-plateformes fiable et sécurisée
Solution mise en place
Approche méthodologique innovante
Loop Crew a proposé une solution de Machine Learning avec une approche méthodologique rigoureuse :
1. Étude technique approfondie
- Analyse des exigences de sécurité et de fiabilité
- Définition des spécifications techniques précises
2. Développement avec du Federated Learning
- Utilisation de React Native pour le développement multi-plateformes
- Implémentation d'une architecture d'apprentissage distribué, permettant d’entrainer des modèles à distance en conservant les données en locales sur les terminaux utilisateurs.
- Préservation de la confidentialité des données médicales
3. Architecture de sécurisation des données
- Hébergement certifié HDS (Hébergeur de Données de Santé)
- Déploiement d'une version iso-production pour tests
- Protocole de déploiement graduel avec validation à chaque étape
Résultats clés
Bénéfices technologiques
- Federated Learning permettant l'apprentissage sans centralisation des données
- Application compatible iOS et Android
- Algorithmes de prédiction des rechutes basés sur l'analyse de données patient
Impact scientifique
- Lancement d’une startup incubée par le CEA, “Hope”, suite au projet
- Lauréate du prix Margaret 2023
- Partenariat stratégique avec l'APHP
Technologies préconisées
L'avis de
CEA
Dans le cadre de notre partenariat de recherche, notre objectif était double : développer un proof of concept innovant pour le suivi des patientes atteintes de Lupus et évaluer la capacité de Loop Crew à répondre à nos exigences techniques les plus strictes.
J'ai particulièrement apprécié la réactivité exceptionnelle de leur équipe, leur capacité à s'adapter rapidement aux contraintes scientifiques du projet et leur respect méticuleux des délais très serrés que nous leur avions imposés. Leur compréhension profonde des enjeux de confidentialité et leur expertise en Machine Learning ont été des atouts déterminants pour mener à bien ce projet complexe
.png)
PhD Hakima QRICHI
Ingénieure-chercheuse CEA ISAS
