M. Foutse Khomh, co-directeur scientifique à IVADO présentera brièvement le mandat IVADO.

Volet 3 : Apprentissage fédéré et analyse décentralisée données
Modérateur; François Marois, Spécialiste de données / Sys admin

Philippe Després, Professeur titulaire, Université Laval, Chercheur - Centre de recherche de l’IUCPQ-UL 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.

Volet 3 : Apprentissage fédéré et analyse décentralisée données

Amol Verma, Médecin et scientifique en médecine interne générale, Hôpital St. Michael’s et Professeur Temerty de recherche en IA et d’enseignement en médecine, Université de Toronto et Unity Health Toronto 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.

Volet 3 : Apprentissage fédéré et analyse décentralisée données

Michaël Chassé, Intensiviste, CHUM, Professeur agrégé, Département de Médecine, Université de Montréal, Directeur adjoint scientifique aux sciences des données et chercheur, CRCHUM 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.

Volet 3 : Apprentissage fédéré et analyse décentralisée données
Modérateur; Julien Lévesque, Spécialiste de données, CITADEL

Julien Cohen Adad, Chaire de Recherche du Canada en Imagerie par Résonance Magnétique Quantitative, Professeur, Institut de génie biomédical, Polytechnique Montréal, Directeur adjoint, Unité de Neuroimagerie Fonctionnelle, Université de Montréal, Membre académique, Mila - Quebec AI Institute Objectifs d'apprentissage 1. L'analyse d'images IRM en neurologie 2. Le développement logiciel en IA et imagerie médicale 3. L'apprentissage fédéré

Volet 3 : Apprentissage fédéré et analyse décentralisée données

Félix Camirand Lemyre, Professeur agrégé, Université de Sherbrooke, Groupe de recherche interdisciplinaire en informatique de la santéCentre de recherche du CHUS Objectifs d'apprentissage 1. Se familiariser avec les procédures existantes de statistique inférentielle pour l’analyse de données horizontalement distribuées. 2. Reconnaître les différences liées à leur cadre opérationnel. 3. Se sensibiliser aux enjeux propres de leur applicabilité au contexte de données de santé.

Volet 1 : Préparation et mise en qualité des données
Modérateur: Pascal St-Onge, Gestionnaire CITADEL

Pierre-Antoine Gourraud, Professeur à Nantes Université, CHU Nantes, Pôle Hospitalo-Universitaire 11 : Santé Publique, Clinique des données, INSERM et praticien hospitalier en biologie cellulaire au CHU de Nantes 1. Savoir replacer l'enjeu technique des données de santé dans un contexte institutionnel légal, éthique et de gouvernance. 2. Connaître au moins un exemple d'enrichissement de la valeur des données de santé. 3. Analyser les changements induits par le caractère massifs des données de soins nouvellement disponible.

Volet 4 : Encadrement de l’IA et évaluation des impacts
Modératrice: Janie Poirier, avocate
Modératrice: Marie-Ève Cantin, Gestionnaire de projets CITADEL

Pascale Lehoux, Professeur titulaire, École de santé publique de l’Université de Montréal, Vice-présidente scientifique à l’INESSS 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.

Volet 4 : Encadrement de l’IA et évaluation des impacts

Foutse Khomh, Professeur titulaire, Département de génie informatique et génie logiciel , Polytechnique Montréal Objectifs d'apprentissage 1. Reconnaître les propriétés essentielles pour un déploiement responsable de systemes d'IA 2. -La source des defaillances des systemes d'IA - Les risques poses par ces defaillances et les defis de leur evaluation, controle, et mitigation

Volet 4 : Encadrement de l’IA et évaluation des impacts

Catherine Régis, Professeure titulaire à la Faculté de droit de l'Université de Montréal, membre académique associée à Mila Marco Laverdière, Université de Sherbrooke, Université de Montréal et Ordre des optométristes du Québec 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.

Communauté de pratique IA en santé