Mieux suivre les patientes atteintes du Lupus grâce au Machine Learning

Contexte et enjeux

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

Complexité technique

Intégration d'algorithmes de Machine Learning complexes dans une application mobile multi-plateformes.

Contraintes réglementaires

Développement d'une solution respectant les normes RGPD et HDS, avec une confidentialité stricte pour les données de santé.

Détection précoce des rechutes

Besoin d'une solution technologique permettant d'anticiper les aggravations de la maladie.

Solution mise en place

Loop Crew a proposé une solution de Machine Learning avec une approche méthodologique rigoureuse :

Étude technique approfondie

1. Analyse des exigences de sécurité et de fiabilité
2. Définition des spécifications techniques précises

‍

Développement avec du Federated Learning

1. Utilisation de React Native pour le développement multi-plateformes
2. Implémentation d'une architecture d'apprentissage distribué, permettant d’entrainer des modèles à distance en conservant les données en locales sur les terminaux utilisateurs
3. Préservation de la confidentialité des données médicales

‍

Architecture de sécurisation des données

1. Hébergement certifié HDS (Hébergeur de Données de Santé)
2. Déploiement d'une version iso-production pour tests
3. Protocole de déploiement graduel avec validation à chaque étape