Démonstrateur 2 : Utilisation collaborative de l’apprentissage automatique dans la médecine du sommeil
Partenaires
: Trois centres de médecine du sommeil de trois pays différents (l’hôpital universitaire Charité en Allemagne, l’hôpital universitaire de Kuopio en Finlande et l’hôpital de Dieu en France) participeront à ce démonstrateur. Le développement technique sera soutenu par l’équipe d’informatique médicale de l’hôpital universitaire de Gottingen (Allemagne).
Description du problème
:
La recherche liée à l’apprentissage automatique et à l’apprentissage profond a suscité un grand intérêt ces dernières années dans le domaine de la médecine du sommeil. Les projets de recherche utilisant ces méthodes doivent exploiter une grande quantité de données cliniques sensibles. Cela soulève plusieurs questions, telles que l’ouverture de la recherche, les préoccupations en matière de respect de la vie privée et la sécurité des données, et l’importance de trouver un équilibre entre les deux. Actuellement, les projets de recherche sont censés respecter les principes des données FAIR (trouvables, accessibles, interopérables et réutilisables) et le récent règlement général sur la protection des données de la Commission européenne (GDPR,2016/679). Cependant, l’application du GDPR entrave la mise en œuvre de FAIR et rend le partage de données entre les institutions cliniques ou de recherche très difficile, en particulier dans le cas de données rétrospectives.
Idéalement, le partage des données devrait comporter trois étapes : (1) le cryptage des données, (2) le partage des données avec des plateformes sécurisées et (3) le stockage sécurisé des données. Cependant, le cryptage des données n’a pas reçu l’attention qu’il mérite, bien qu’il soit l’un des éléments clés : si, pour une raison quelconque, les deux autres étapes échouent, le cryptage des données garantit que les données sont toujours protégées et qu’il n’est pas possible d’identifier les personnes. Il serait donc très utile pour l’ensemble de la communauté des chercheurs de disposer d’algorithmes de cryptage des données sophistiqués et validés. En outre, la réalisation d’analyses complexes et d’opérations d’apprentissage automatique sur les données cryptées est également souhaitée pour faciliter l’exploitation conjointe de ces données partagées en toute sécurité.
Application démonstrative prévue:
Le démonstrateur utilisera des données constituées d’enregistrements du sommeil (électroencéphalographie, électrooculographie, électromyographie, signaux respiratoires, signaux d’oxymétrie, ronflements (audio), position de sommeil, effort respiratoire, et éventuellement l’enregistrement vidéo nocturne), de dossiers médicaux de patients et de questionnaires relatifs aux troubles du sommeil au format texte (word, excel, etc.), collectés dans le cadre du projet H2020 SLEEPREVOLUTION. L’objectif du démonstrateur est de montrer qu’après le cryptage, les enregistrements du sommeil peuvent être traités et analysés de la même manière (à l’aide de techniques analytiques complexes et de ML) que les données non cryptées. La solution doit pouvoir être utilisée quel que soit le logiciel d’enregistrement du sommeil ou l’appareil utilisé pour analyser ou collecter les données. Le cryptage devrait également être possible quel que soit le nombre ou la qualité des signaux dans les enregistrements du sommeil. La solution doit comporter une interface utilisateur conviviale et être facilement utilisable dans l’environnement clinique (opérationnel) par les praticiens.