Conférencier.e.s

Michaël Chassé détient également un doctorat en épidémiologie de l'Université d'Ottawa. Le Dr Chassé est le directeur scientifique du Centre d'intégration et d'analyse des données médicales du CHUM (CITADEL). CITADEL rassemble un groupe de scientifiques et de professionnels spécialisés dans la science des données de santé, la biostatistique, la bioinformatique et l'apprentissage automatique. Il est également directeur scientifique associé de la science des données au Centre de recherche du CHUM.

Ses principaux intérêts de recherche portent sur l'amélioration des méthodes traditionnelles de recherche épidémiologique à l'aide de nouvelles technologies telles que l'apprentissage automatique et les essais cliniques innovants, en particulier dans les domaines liés aux soins critiques tels que le don d'organes, la transplantation d'organes et les transfusions sanguines

Titre de la présentation Les défis du déploiement d'infrastructures fédérées et de l'analyse décentralisée en milieu clinique

Objectifs d'apprentissage

1. Familiariser les participants avec les concepts fondamentaux de l'apprentissage fédéré et de l'analyse décentralisée, ainsi que leur pertinence en milieu clinique.

2. Discuter des obstacles techniques, tels que la synchronisation des données, la compatibilité des systèmes, et les questions de confidentialité et de sécurité, ainsi que certaines questions éthiques et réglementaires liées à l'utilisation de données cliniques.

3. Souligner comment l'apprentissage fédéré et l'analyse décentralisée peuvent contribuer à une meilleure efficacité, une plus grande protection des données et une collaboration accrue entre les institutions.

Titre de la présentation: participation ;a la Table ronde du 8 avril.

Heng Li est professeur adjoint au Département de génie informatique et logiciel de Polytechnique Montréal, où il dirige le laboratoire MOOSE (https://moose.polymtl.ca/). Il est titulaire d'un doctorat. en informatique de l'Université Queen's (Canada), une maîtrise en sciences. de l'Université de Fudan (Chine) et d'un B.Eng. de l'Université Sun Yat-sen (Chine). Avant sa carrière universitaire, il a travaillé dans l'industrie pendant des années en tant qu'ingénieur logiciel chez Synopsys et en tant qu'ingénieur en performances logicielles chez BlackBerry. Ses recherches et celles de ses étudiants visent à relever les défis pratiques liés à la surveillance des logiciels, à l'ingénierie de la qualité des logiciels, aux opérations intelligentes des systèmes logiciels, à l'ingénierie de la qualité des applications d'apprentissage automatique, à l'ingénierie de la qualité des données et à l'ingénierie logicielle quantique.

Titre de la présentation Surveillance des données de séries chronologiques et détection des anomalies

Objectifs d'apprentissage

1. Comprendre les méthodes de traitement de séries chronologiques à intervalles irréguliers (par exemple, dossiers médicaux ou journaux système).

2. Comprendre les méthodes de détection d'anomalies pour les séries temporelles irrégulières.

3. Comprendre les méthodes de test et de maintenance des modèles d'apprentissage automatique pour les données de séries chronologiques.

Dr Puja Myles a suivi une formation de spécialiste de la santé publique et d'épidémiologiste à la suite de sa formation clinique initiale et pratique. Elle était une universitaire en santé publique travaillant avec des données du monde réel pendant de nombreuses années avant de rejoint CPRD. Elle est membre de la Faculté de santé publique (Royaume-Uni), membre senior du Higher Education Academy (Royaume-Uni) et est titulaire d'un doctorat en épidémiologie. Ses domaines de recherche actuels incluent la réalité recherche de données mondiales, qualité des données, données synthétiques et explicabilité de l'IA. Affiliations : Clinical Practice Research Datalink (CPRD), Médicaments et produits de santé Agence de réglementation (MHRA), Royaume-Uni

Titre de la présentation L'explicabilité de l'IA dans le contexte de l'interface IA-Humain

Objectifs d'apprentissage

1. Pourquoi l'explicabilité de l'IA est-elle importante ?

2. La différence entre une IA transparente, interprétable et explicable

3. Approches de la science des données utilisées pour l'explicabilité de l'IA et comment elles se comparent lorsqu'elles sont testées avec utilisateur final clinique.

Catherine Régis est professeure titulaire à la Faculté de droit de l’Université de Montréal, titulaire de la Chaire de recherche du Canada sur la culture collaborative en droit et politiques de la santé, de la Chaire Canada-CIFAR en IA, co-responsable du Hub santé - politique, organisations et droit (H-POD), membre académique associée à Mila (Institut québécois d'intelligence artificielle) et co-présidente du Groupe de travail sur l'IA responsable du Partenariat mondial sur l'IA (PMIA). Elle est également chercheuse au Centre de recherche en droit public, à l'Observatoire international sur les impacts sociétaux de l'intelligence artificielle et du numérique (OBVIA) ainsi que Conseillère spéciale et Vice-rectrice associée à la planification stratégique et à l'Innovation numérique responsable

Titre de la présentation L'encadrement des pratiques des professionnels de la santé en matière d'intelligence artificielle: proposition d'un prototype de code de déontologie

Objectifs d'apprentissage

1. Comprendre les principaux enjeux déontologiques associés à l'utilisation de l'IA en tant que professionnel de la santé;

2. Connaître les approches possibles pour faire face à ces enjeux

3. Se familiariser avec le Prototype de code de déontologie pour les professionnels de la santé en matière d'IA.

Titre à venir

Philippe Després est professeur titulaire au Département de physique, de génie physique et d’optique de l’Université Laval. Il œuvre en recherche axée sur les données et s’intéresse plus particulièrement aux infrastructures numériques et à la gestion des données de recherche selon les principes FAIR. À cet égard, il est conseiller en architecture de données de la plateforme PULSAR.ca, directeur du Centre de recherche en données massives de l’Université Laval et co-responsable de l’axe Santé à l’Observatoire international sur les impacts sociétaux de l’IA et du numérique.

Titre de votre présentation Infrastructures numériques en imagerie médicale : une approche inspirée des principes FAIR

Objectifs d'apprentissage

1. Connaître et comprendre les principes FAIR

2. Comprendre l’importance des infrastructures numériques en sciences des données

3. Comprendre les défis et les enjeux liées à la valorisation des renseignements de santé

Détentrice d’un baccalauréat en design industriel, Mme Pascale Lehoux a complété un doctorat en santé publique en 1996. Après une formation postdoctorale en Science & Technology Dynamics à l’Université d’Amsterdam et au Conseil d’évaluation des technologies de la santé du Québec (CÉTS), elle a entamé en 1998 une carrière universitaire au Département d’administration de la santé de l’Université de Montréal. Elle a été titulaire de la Chaire de recherche du Canada sur les innovations en santé de 2005 à 2015. Son programme de recherche de 7 ans sur l’innovation responsable en santé (intitulé In Fieri) a été financé par le biais du fort concurrentiel volet Fondation des Instituts de recherche en santé du Canada en 2015. En 2019, Mme Lehoux s’est faite décernée la médaille du 30^ième anniversaire de l’Agence Canadienne des médicaments et des technologies de la santé. Elle a publié deux livres et plus de 160 articles scientifiques avec révision par les pairs. Elle a été membre du Conseil d’administration de l’Institut national d’excellence en santé et services sociaux (INESSS) de 2018 à 2023 et co-responsable de la fonction « Recherche et création » de l’Observatoire international des impacts sociétaux de l’intelligence artificielle et du numérique (OBVIA) de 2018 à 2022. Elle est actuellement Vice-présidente scientifique à l’INESSS.

Titre de la présentation Comment mesurer le degré de responsabilité des solutions numériques opérant avec ou sans IA et évaluer leur valeur pour les systèmes de santé.

Objectifs d'apprentissage

1. Distinguer les principales dimensions du cadre d’appréciation de la valeur de l’INESSS.

2. Cerner les dimensions de valeur spécifiques à l’IA du point de vue de l’innovation responsable en santé.

3. Se familiariser avec l’Outil d’évaluation de la responsabilité des solutions numériques opérant avec ou sans IA.

Dr Cohen-Adad a complété son doctorat en 2008 à l'Université de Montréal et a poursuivi une bourse postdoctorale de trois ans au Centre MGH Martinos de l'Université Harvard. Il est maintenant professeur agrégé à Polytechnique Montréal, directeur du NeuroPoly Lab (https://www.neuro.polymtl.ca/), directeur associé de l'Unité fonctionnelle de neuroimagerie de l'Université de Montréal, membre du Mila - Institut d'IA du Québec, et titulaire d'une chaire de recherche du Canada en imagerie par résonance magnétique quantitative. Le Dr Cohen-Adad possède une formation en physique IRM, en analyse d'images médicales et en développement de logiciels. Ses recherches portent sur le développement de techniques d'IRM multiparamétriques pour quantifier la microstructure du cerveau et de la moelle épinière. Ces développements incluent des bobines d'IRM, l'acquisition à ultra-haut champ (7 Tesla), des techniques quantitatives (imagerie de diffusion, transfert d'aimantation, IRM fonctionnelle) et des logiciels de traitement d'images (repérage multimodal, segmentation, correction de mouvement). Son laboratoire a créé et gère plusieurs progiciels open source pour traiter les données d’images médicales, notamment Spinal Cord Toolbox. En collaboration avec plusieurs hôpitaux internationaux, il a appliqué ces techniques avancées d'IRM à l'étude de patients atteints de lésions médullaires et de sclérose en plaques. Le Dr Cohen-Adad consacre également des efforts à rassembler la communauté en organisant des ateliers annuels via la plateforme www.spinalcordmri.org.

Titre de la présentation Développement de logiciel pour l'IA en imagerie médicale : un succès manqué

Objectifs d'apprentissage

1. L'analyse d'images IRM en neurologie

2. Le développement logiciel en IA et imagerie médicale

3. L'apprentissage fédéré

Titre de la présentation:

Amol Verma est médecin et scientifique en médecine interne générale à l’hôpital St. Michael’s et professeur Temerty de recherche en IA et d’enseignement en médecine à l’Université de Toronto. Il est chercheur en services de santé et étudie et améliore les soins hospitaliers à l'aide de données cliniques électroniques. Amol a cofondé et codirige GEMINI, le plus grand réseau de recherche de données cliniques hospitalières au Canada, qui collecte des données provenant de plus de 30 hôpitaux en Ontario. Amol a suivi une formation médicale à l'Université de Toronto, une maîtrise à l'Université d'Oxford en tant que boursier Rhodes et des bourses de recherche du Collège royal des médecins et chirurgiens du Canada, du Canadian Frailty Network et de l'AMS Healthcare AI and Compassion 2020. Camaraderie. Il est membre du groupe d'experts du Conseil des académies canadiennes sur le partage des données de santé, responsable clinique provincial de l'amélioration de la qualité en médecine interne générale auprès de Santé Ontario et vice-président du Conseil des chercheurs de l'Alliance de recherche numérique du Canada.

Titre de la présentation Leçons tirées de GEMINI, un réseau de partage de données hospitalières

Objectifs d'apprentissage

1. Décrire une approche de gouvernance des données qui permet un vaste réseau de partage de données hospitalières.

2. Reconnaître les applications efficaces du partage de données hospitalières.

3. Comprendre les opportunités de l'intelligence artificielle à l'aide des données hospitalières. Je suis végétarien.