Yakini TCHOUKA : "Dé-identification des comptes rendus médicaux pour les tâches d’apprentissage automatique : application à l’association des codes CIM-10"

Résumé : La recherche médicale occupe une place primordiale au sein de la recherche scientifique. Les avancées technologiques, particulièrement liées à l'avènement de l'apprentissage automatique, ouvrent la voie à l'exploration de problématiques médicales qui étaient autrefois hors de portée. Les données textuelles non structurées, telles que les lettres de liaison entre les médecins, les rapports opératoires, etc., servent souvent de point de départ pour de nombreuses application médicales. Les informations contenues dans ces données permettent des analyses médicales afin d'améliorer la prise en charge, de faciliter l'étude des pathologies, etc. Cependant, pour des raisons évidentes de protection de la vie privée, les chercheurs n'ont pas légalement le droit d'accéder à ces documents tant qu'ils contiennent des données sensibles, telles que définies par les législations telles que le RGPD. La dé-identification, c'est-à-dire la détection et la suppression de toutes les informations sensibles, est donc une étape nécessaire pour faciliter le partage de ces données entre le domaine médical et celui de la recherche. Au cours de la dernière décennie, plusieurs démarches ont été proposées pour dé-identifier des données textuelles médicales. Cependant, bien que la détection des entités soit une tâche bien connue dans le domaine du traitement automatique du langage naturel, elle présente quelques défis particuliers dans le contexte médical. De plus, les méthodes de substitution existantes proposées dans la littérature accordent souvent peu d'importance à la pertinence médicale des données dé-identifiées ou ne sont pas très résistantes aux attaques.

L'objectif de cette thèse est donc triple : Tout d'abord, mettre en place un système efficace de détection des entités sensibles dans les données médicales pour permettre ensuite de correctement les substituer. Ensuite, proposer des stratégies de génération de substituts qui intègrent l'utilité médicale des données, minimisant ainsi la différence d'utilité entre les données originales et les données dé-identifiées et qui garantissent mathématiquement une protection de la vie privée. Et enfin, évaluer l'utilité du système de dé-identification dans un contexte d'application lié aux problématiques médicales.

Composition du jury :

Cyril Grouin, Ingénieur de recherche, HDR, CNRS, Orsay, Rapporteur

Catuscia Palamidessi, Directrice de recherche, INRIA Rapporteuse, Présidente du jury

Antoine Boutet, Maître de Conférences, INSA Lyon, Examinateur

David Laiymani, Maître de Conférences, UFC, Invité

Philippe Selles, Médecin, HNFC, Invité

Localisation : Amphithéâtre B, UFR Sciences et Techniques - 16, Route de Gray -25000 Besançon