Cette masterclass propose une introduction structurée aux spécificités des données temporelles en santé et à la manière dont elles peuvent être représentées, analysées et exploitées pour mieux comprendre les trajectoires patients.

L’objectif n’est pas de présenter une nouvelle méthode d’IA « magique », mais de comprendre pourquoi le temps constitue une difficulté particulière dans les données médicales, et quelles approches permettent de mieux le modéliser.

 

Comment ?

La session alternera :

• apports théoriques accessibles
• exemples issus de données et scénarios cliniques
• représentations visuelles de trajectoires patients
• démonstration interactive autour d’OWL-Time et des graphes de connaissances temporels
• ouverture vers l’IA explicable et les approches neuro-symboliques
• échanges et questions avec les participants

La formation est réalisée en direct, en visioconférence.

 

Qui ?

Cette masterclass s’adresse notamment :

• aux étudiants et doctorants en Data Science, IA, informatique ou santé
• aux Data Scientists et AI Engineers travaillant sur des données médicales
• aux chercheurs et ingénieurs R&D
• aux professionnels de MedTech et HealthTech
• aux professionnels de santé souhaitant mieux comprendre les problématiques liées aux données longitudinales et à l’IA

 

Il n’est pas nécessaire d’être médecin.

Une culture générale en Data Science ou intelligence artificielle facilitera certains passages, mais aucun prérequis avancé en ontologies ou en neuro-symbolique n’est nécessaire.

 

Quoi ?

Pendant ces trois heures, nous aborderons notamment :

Observations irrégulières, événements cliniques, traitements, hospitalisations, dispositifs médicaux et évolution des variables biologiques.

Pourquoi une succession de mesures horodatées ne représente pas nécessairement toute la trajectoire clinique d’un patient.

Instants, intervalles, ordre des événements, durée et relations telles que :

before,after,during,overlaps

Comment une ontologie temporelle peut permettre de représenter explicitement les relations temporelles entre événements cliniques.

Passer de données cliniques horodatées à une représentation structurée permettant de faire apparaître des connaissances temporelles qui n’étaient pas explicitement présentes dans les données initiales.

Présentation d’un démonstrateur
→ temporal representation
→ OWL-Time relationships
→ temporal knowledge graph
→ derived temporal knowledge

Nous terminerons par une ouverture sur :

• l’IA explicable
• les trajectoires longitudinales
• les knowledge graphs
• le raisonnement temporel
• les approches neuro-symboliques temporelles

L’objectif sera notamment de comprendre pourquoi prédire un événement à un instant donné et raisonner sur une trajectoire complète sont deux problèmes différents.

 

Combien ?

La masterclass est volontairement limitée à 15 participants afin de conserver du temps pour les échanges et les questions.

Durée totale : 3 heures, avec une courte pause.

Tarif étudiant : 49 €
Tarif professionnel : 89 €

Un justificatif de scolarité 2026-2027 pourra être demandé pour bénéficier du tarif étudiant.

 

Où ?

La masterclass se déroule entièrement en ligne.

Le lien de visioconférence sera transmis aux participants inscrits avant la session.

 

Quand ?

Samedi 14 novembre 2026
9h30 à 12h30

 

Pourquoi participer ?

À l’issue de la masterclass, vous devriez être capable de :

• identifier les principales difficultés liées aux données médicales temporelles
• distinguer série temporelle, événement clinique et trajectoire patient
• comprendre pourquoi un timestamp ne suffit pas toujours à représenter la temporalité
• comprendre les principes d’une représentation temporelle explicite avec OWL-Time
• comprendre l’intérêt des graphes de connaissances temporels
• situer le rôle de l’explicabilité et des approches neuro-symboliques dans l’analyse de trajectoires patients

Cette masterclass s’appuie sur mes travaux de recherche en intelligence artificielle appliquée aux données médicales temporelles et sur des démonstrateurs développés pour rendre ces concepts concrets.