Objectifs par rapport aux acquis d'apprentissage du programme

• Décrire, organiser, analyser et hiérarchiser des phénomènes observés dans le domaine médical.
• Maîtriser l'expression des réalités biologiques en valeurs absolues ou relatives, les ordres de grandeurs, les proportions, la probabilité.
• Savoir abstraire; comprendre et appliquer la traduction mathématique des grands modèles et phénomènes biologiques.
• Comprendre et pouvoir utiliser les différentes représentations graphiques des valeurs numériques et de leurs relations.
• Percevoir la répartition dans l'espace, maîtriser les représentations bi- et tridimensionnelle et être capable de les interconvertir.
• Appréhender la chronologie d'un phénomène et maîtriser les échelles de temps et leurs représentations.
• Connaître l'examen physique normal, savoir reconnaître et décrire les signes cliniques.
• Maîtriser les approches moléculaires, morphologiques et fonctionnelles des états normaux et pathologiques.
• Etre capable de décrire ces états et les examens techniques permettant de les quantifier dans les différentes approches, ainsi que les caractéristiques opérationnelles de ces examens.
• Savoir intégrer les notions issues de ces différentes approches dans un problème biomédical complexe.
• Pouvoir expliquer les relations entre les modifications moléculaires, morphologiques et fonctionnelles et les états pathologiques, leurs symptômes et signes cliniques.
• Posséder une capacité relationnelle développée dans une perspective médicale.
• Maîtriser les règles de base du français et ou anglais (grammaire, ponctuation, connecteurs...).
• Savoir utiliser un vocabulaire riche reliant avec précision les concepts et les mots, maîtriser les préfixes et suffixes utilisés dans le domaine médical.
• Pouvoir adapter son choix lexical et syntaxique au registre de la communication (vulgarisation, communication médicale ou scientifique).
• Pouvoir synthétiser, expliciter, argumenter.
• Pouvoir écouter et faire preuve d'empathie.
• Pouvoir travailler en équipe.
• Avoir développé une aptitude au raisonnement
• Connaître et appliquer les principes de base du raisonnement (obtention des données, analyse, synthèse, comparaison, règle de trois, syllogisme, analogie, logique booléenne,...).
• Comprendre et savoir utiliser le raisonnement statistique fréquentiste et bayésien.
• Pouvoir utiliser une hypothèse dans un raisonnement inductif, déductif ou abductif.
• Développer un esprit critique, savoir tester et contrôler ses conclusions, en connaître le domaine de validité, envisager des hypothèses alternatives.
• Savoir intégrer le raisonnement dans la démarche clinique.
• Pouvoir gérer le doute et l'incertitude.
• Etre capable de gérer les ressources
• Pouvoir gérer son temps.
• Pouvoir établir des priorités.
• Comprendre l'organisation du système de santé et sa dimension sociétale.
• Intégrer une dimension économique dans son raisonnement clinique.
• Promouvoir la santé.
• Maîtriser une approche globale de la santé intégrant la prévention et le dépistage.
• Identifier des problèmes de santé communautaire dans les divers enseignements.
• Connaître les bases de l'éducation à la santé.
• Gérer sa formation
• Avoir développé une curiosité pour le domaine médical.
• Etre capable de trouver efficacement une information scientifique.
• Savoir lire, interpréter, critiquer un article scientifique.
• Pouvoir comparer différentes sources d'information.
• Etre un praticien responsable.
• Savoir baser son raisonnement sur les données de la littérature scientifique (evidence-based-medicine).
• Savoir intégrer une dimension humaine dans son approche du patient.
• Respecter la diversité de genre, d'opinion et de culture.
• Savoir intégrer une dimension éthique dans son raisonnement.
• Faire preuve de loyauté (aux faits, à l'équipe, à la propriété intellectuelle, secret médical...)
• Avoir de bonnes connaissances de l'anglais scientifique
• Etre capable de comprendre et de résumer un article scientifique en anglais.

Acquis d'apprentissage de l'UE

À l'issue de ce module, les étudiants seront en mesure de :
Explorer et préparer des bases de données médicales pour l'analyse, en gérant les valeurs manquantes, en détectant les anomalies et en utilisant des outils de visualisation pour analyser les relations entre les variables.
Formuler des objectifs d'analyse clairs et des hypothèses pertinentes pour guider l'exploration des données et la sélection des algorithmes de machine learning appropriés.
Mettre en pratique les concepts et les techniques appris dans le module I pour créer, entraîner, régler et valider des modèles de machine learning adaptés aux problèmes de santé spécifiques.
Évaluer la qualité et la robustesse des modèles de machine learning en utilisant des métriques appropriées et des techniques de validation croisée.
Présenter les résultats de l'analyse d'IA dans un format scientifique, en rédigeant des rapports clairs et concis et en créant des graphiques et des visualisations pour illustrer les découvertes.
Critiquer les résultats de l'analyse d'IA, en identifiant les limites, les biais potentiels et les implications éthiques et réglementaires des modèles créés.
Collaborer efficacement en groupe pour résoudre des problèmes de santé réels à l'aide de l'intelligence artificielle, en partageant les connaissances et en intégrant les compétences de chacun.
 

Contenu de l'UE : descriptif et cohérence pédagogique

Contenu du module :
Phase d'exploration des bases de données : Dans cette phase, les étudiants apprendront à explorer et à comprendre les bases de données médicales. Ils acquerront des compétences en préparation et en nettoyage des données, en gestion des valeurs manquantes et en détection des anomalies. Les étudiants se familiariseront également avec des outils de visualisation des données pour analyser les tendances, les distributions et les relations entre les variables.
Phase d'idéation : Lors de cette étape, les étudiants réfléchiront à la manière d'analyser les données en utilisant les algorithmes d'IA appris dans le module I. Ils apprendront à définir des objectifs d'analyse clairs et à formuler des hypothèses pertinentes pour guider leur exploration des données. Ils étudieront également comment sélectionner les algorithmes et les techniques de machine learning les mieux adaptés aux problèmes spécifiques et aux données disponibles.
Phase de modélisation : Dans la phase de modélisation, les étudiants mettront en pratique les concepts et les techniques appris pour créer des modèles de machine learning avec les bases de données médicales. Ils apprendront à entraîner, régler et valider leurs modèles pour optimiser leurs performances. Les étudiants découvriront également comment évaluer la qualité et la robustesse de leurs modèles en utilisant des métriques appropriées et des techniques de validation croisée.
Phase de présentation des résultats : Enfin, les étudiants apprendront à présenter leurs résultats d'analyse d'IA dans un format scientifique. Ils découvriront comment rédiger des rapports clairs et concis décrivant la méthodologie utilisée, les résultats obtenus et leur interprétation. Les étudiants se familiariseront également avec la création de graphiques et de visualisations pour illustrer leurs découvertes de manière efficace. Cette phase mettra également l'accent sur la critique des résultats, en soulignant les limites et les biais potentiels des modèles et en discutant des implications éthiques et réglementaires de leur travail.
 
 

Compétences préalables

Sans objet