Thèse Surveillance Multimodale et Prédiction Précoce de la Défaillance Hémodynamique chez les Patients Septiques à Partir de Signaux Physiologiques Haute Fréquence Représentations Latentes Incerti H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : IBISC - Informatique, BioInformatique, Systèmes Complexes Direction de la thèse : Vincent VIGNERON ORCID 000000159176041 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-06-30T23:59:59 Le sepsis et le choc septique restent associés à une mortalité élevée en unités de soins intensifs, avec une évolution clinique rapide et souvent non linéaire. La prise en charge hémodynamique (remplissage vasculaire, vasopresseurs, ajustements ventilatoires) nécessite d'anticiper les phases de décompensation ; cependant, les outils actuels reposent fréquemment sur des seuils fixes et des scores à faible résolution temporelle, entraînant une fatigue liée aux alarmes et, parfois, une détection tardive.

Parallèlement, les unités de soins intensifs génèrent des signaux continus à haute fréquence (ECG, pression artérielle invasive, pléthysmographie, respiration, SpO) qui contiennent des informations fines sur la perfusion, le tonus vasculaire et la régulation autonome. Le défi consiste à transformer ces flux complexes en indicateurs prédictifs fiables, calibrés et interprétables pour soutenir la décision clinique, tout en prenant en compte les artéfacts, les données manquantes et l'hétérogénéité inter-patients.

High-frequency signals contain early signatures of circulatory dysregulation, detectable before changes in low-frequency variables. Learned latent representations (self-supervised/generative) improve inter-patient generalization and robustness to artifacts. Explicit handling of uncertainty and calibration reduces false positives and makes alerts more actionable. Explainability constrained by physiological knowledge (e.g., variability, pressure--pulse dynamics) strengthens trust and clinical relevance. Overall objective: to develop and validate an end-to-end pipeline from raw data -> representation -> prediction/alert -> explanation' for early detection and prediction of hemodynamic deterioration in septic patients.

Specific objectives:
1. Signal preprocessing and quality: artifact detection, segmentation, multimodal synchronization, missing-value handling, normalization.
2. Learned representations: self-supervised / generative learning (e.g., VAE, contrastive learning, sequence models) to extract latent physiological states' from time windows.
3. Prediction of clinical events: anticipating decompensation (hypotension, vasopressor escalation, perfusion degradation), estimating fluid responsiveness-particularly around Passive Leg Raising (PLR)-and longitudinal tracking of trajectories and state transitions.
4. Uncertainty and calibration: quantifying uncertainty (epistemic/aleatoric), calibrating probabilities, detecting out-of-distribution situations (changes in sensor, protocol, or patient state).
5. Clinical explainability: providing physiology-consistent explanations (temporal/frequency attributions, variability patterns, plausible causal syntheses) and assessing usability in care settings. Axis A -- Data, preprocessing, and signal engineering.'
Adaptive and robust filtering/denoising, signal quality estimation (SQI), and multi-scale window segmentation.
Extraction of classical physiological features (RR variability, arterial-pressure-derived indices, pulse morphology) as a baseline for comparison.
Axis B -- Learned representations for time series
Self-supervision (contrastive learning, masked prediction) and/or generative models (sequential VAEs) to learn latent states. Multimodal fusion (co-attention, late fusion, factorized models) to exploit complementarity among ECG, ABP, PPG, and respiration.
Axis C -- Prediction, uncertainty, and calibration
Sequential models (time Transformers, TCN, RNN/LSTM) plus uncertainty estimation (ensembles, MC dropout, deep evidential, etc.).
Calibration (temperature scaling, isotonic regression) and OOD detection.
Alert-adapted criteria (AUROC, AUPRC, event-based metrics, time-to-detection).
Axis D -- Explainability and clinical evaluation
Temporal/frequency attribution methods (Integrated Gradients, structured perturbations), global and local explanations.
Clinical evaluation: physiological consistency, robustness, and workflow impact study (at a minimum, as a protocol and retrospective analyses).

Solides bases en traitement du signal, en apprentissage automatique et en apprentissage profond, ainsi qu'en analyse de séries temporelles.
Maîtrise de Python (PyTorch) et expérience dans la manipulation de données réelles (bruit, valeurs manquantes).
Intérêt marqué pour l'interface clinique et les problématiques de validation.