Topic description
La prothèse totale du genou (PTG) constitue aujourd'hui l'intervention de remplacement articulaire la plus pratiquée, avec des résultats globalement satisfaisants, mais la révision de prothèse totale du genou (rPTG) demeure un enjeu critique, avec des taux d'insatisfaction pouvant atteindre 34 %, principalement en raison de douleurs persistantes et de limitations fonctionnelles.
La thèse proposée vise à développer un modèle de fouille de données multimodal adapté aux patients opérés d'une prothèse de genou, permettant d'identifier des paramètres prédictifs fiables d'insatisfaction post-opératoire. Pour cela, une base de données cohérente et diversifiée sera constituée, incluant imagerie, scores PROM (Patient Reported Outcom Measures), tests psychologiques, ainsi que des données biomécaniques (cinématique et dynamique inverse de la marche et de mouvements fonctionnels).
L'originalité du projet repose sur l'intégration explicite des incertitudes dans les modèles prédictifs, grâce à des approches hybrides combinant apprentissage profond, modèles probabilistes bayésiens et mécanismes d'attention multimodale. Cette stratégie permettra d'exploiter efficacement la diversité des sources de données, d'identifier des biomarqueurs et d'évaluer la confiance associée aux prédictions, en particulier pour les profils de patients atypiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Total knee arthroplasty (TKA) is currently the most commonly performed joint replacement procedure, with overall satisfactory outcomes. However, revision total knee arthroplasty (rTKA) remains a major challenge, with dissatisfaction rates reaching up to 34%, mainly due to persistent pain and functional limitations.
The proposed PhD project aims to develop a multimodal data mining model tailored to patients undergoing knee arthroplasty, with the objective of identifying reliable predictive parameters of postoperative dissatisfaction. To achieve this, a coherent and diverse database will be built, integrating imaging data, PROMs (Patient Reported Outcome Measures), psychological assessments, as well as biomechanical data (kinematics and inverse dynamics of gait and functional movements).
The originality of the project lies in the explicit integration of uncertainty into predictive models, using hybrid approaches that combine deep learning, Bayesian probabilistic models, and multimodal attention mechanisms. This strategy will enable efficient exploitation of heterogeneous data sources, the identification of relevant biomarkers, and the estimation of confidence levels associated with predictions, particularly for atypical patient profiles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/09/
WEB :
Funding category
Other public funding
Funding further details
ANR Financement d'Agences de financement de la recherche
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.