Étude de faisabilité et audit Data/IA pour l’optimisation des prédictions post-opératoires (Betty Care)

AIMED2 développe Betty Care, une application de suivi post-opératoire permettant d’accompagner les patients après une chirurgie et d’anticiper le risque de complications. Le système fonctionnait jusqu’alors sur un modèle prédictif simple à variables restreintes et règles métiers prédéfinies. Face au volume croissant de données cliniques collectées, l’entreprise a souhaité faire évoluer sa solution vers du Machine Learning / Deep Learning pour détecter des corrélations complexes et fiabiliser ses alertes prédictives.

AIMED2 a mandaté Junior INSA Services pour réaliser une étude exploratoire approfondie de sa base de données anonymisée. L’objectif : auditer la qualité des données, vérifier la faisabilité technique d’un modèle d’IA et définir la meilleure stratégie algorithmique avant d’engager les développements.

Nos consultants Data & Intelligence Artificielle de l’INSA Toulouse ont articulé la mission autour d’une méthodologie rigoureuse :

• Audit et nettoyage de la base de données : Identification des variables clés (comorbidités, antécédents chirurgicaux, constantes cliniques), détection des valeurs manquantes, doublons et anomalies de distribution.
• Analyse exploratoire et statistiques descriptives : Visualisation des corrélations et évaluation du déséquilibre de classes (proportion réelle de complications post-opératoires observées dans la cohorte).
• Cadrage stratégique du Machine Learning : Évaluation de la contrainte métier orientée « forte sensibilité » (priorité absolue à la détection de tous les patients à risque, quitte à tolérer un taux maîtrisé de faux positifs) et étude de son impact sur la calibration des futurs algorithmes.
• Feuille de route technique : Formulation de recommandations pré-modélisation (encodage, imputation des données manquantes, transformations) et préconisations des architectures algorithmiques adaptées.

Résultat

• 100 % de la base de données qualifiée et structurée pour les futures phases de développement IA.
• Sécurisation des choix algorithmiques : Validation de la faisabilité technique du passage au Machine Learning sans risque de sur-apprentissage lié aux données déséquilibrées.
• Gains de temps et d’investissement : Identification préalable des biais de données évitant des coûts de modélisation inutilement complexes ou erronés.
• Feuille de route exploitable : Livraison d’un plan d’action de préparation des données prêt pour le déploiement de la Brique IA de Betty Care.