Thèse : "Prédiction des besoins en services des aînés", CIFRE à Mines St-Etienne / LIMOS (UMR CNRS)
Forum 'Emplois' - Sujet créé le 2017-04-10
Prédiction des besoins en services des aînés : constitution automatique d’une « Box Fragilité »
Direction : Vincent Augusto (directeur de thèse), Xiaolan Xie (codirecteur de thèse)
Encadrement : Raksmey Phan (coencadrant de thèse), ??? (EOVI)
Entreprise : EOVI MCD
Laboratoire : Mines Saint-Etienne, UMR CNRS 6158 LIMOS
Spécialité scientifique : Génie Industriel
Démarrage : 1 er Octobre 2017
Sujet
Eovi Mcd mutuelle est une mutuelle de santé interprofessionnelle nationale. Elle est régie par le code
de la mutualité et propose des offres de complémentaire santé, prévoyance, retraite et épargne. Elle
mène différentes actions de prévention et de promotion de la santé et intervient auprès du grand
public ou en entreprise en proposant des opérations de sensibilisation à la nutrition, l'apprentissage
des premiers secours ou en participant aux Journées de la forme.
Dans cette optique, une nouvelle offre vise à développer le concept de « Box Fragilité », à destination
des personnes âgées fragiles. Cette offre vise à proposer un ensemble de services parmi une large
offre permettant d’aider la personne âgée au quotidien. Un service peut être caractérisé par un
dispositif à installer dans le domicile de la personne concernée (système de détection de chute par
exemple avec appel d’urgence vers un proche) ou par une offre de type prévention (suivi par un
médecin spécialiste, monitoring à distance de la tension artérielle, etc.).
L’objectif principal de cette thèse vise à développer un système expert permettant de caractériser un
avec un certain degré de confiance le besoin pour une nouvelle personne fragile qui pourrait avoir
besoin de la « Box Fragilité ». Concrètement, il s’agit de déterminer la probabilité avec laquelle la
personne pourrait avoir besoin de chacun des services de l’offre « Box Fragilité ». Pour cela, une
analyse des données fournies par EOVI MCD sera réalisée, afin de déterminer des profils pour les
personnes fragiles ayant bénéficié des services dans le passé. En fonction des résultats de l’analyse
des données, il s’agit de développer une méthode de type machine learning pour proposer une
prédiction du bouquet de services adéquat pour tout nouveau patient.
L’objectif secondaire de cette thèse vise à proposer un modèle d’évaluation de performances
permettant (i) de valider les modèles de prédiction proposés précédemment, et (ii) de dégager des
indicateurs suffisamment robuste pour estimer la pertinence d’une offre en lien avec la « Box
Fragilité ». L’évaluation de performances pourra être réalisée au travers de la simulation et sera
couplée avec une analyse économique. Un plan d’expérience devra être développé afin de tester un
ensemble de scénarios. Une analyse de sensibilité devra être proposée. Enfin, les indicateurs de coût
et de coût-efficacité pourront être analyse afin d’orienter les offres en lien avec la « Box Fragilité »
(quels bouquets de services prédéfinis, à quel prix, avec quels partenaires...).
Ces objectifs devront être atteints dans un horizon de trois ans (thèse CIFRE). Les étapes principales
de ce travail de recherche sont les suivantes :
1. Collecte de données, extractions, formalisation mathématique de l’offre « Box Fragilité »
2. Benchmark d’approches classiques de machine learning (arbres de décision, classification,
clustering...)3. Développement d’une approche de prédiction par optimisation discrète spécifique au cas
d’étude proposé par EOVI
4. Modélisation et simulation de la prise en charge des personnes fragiles avec les offres
proposées
5. Analyse de sensibilité et plan d’expérience via la simulation
Cette recherche vise à développer des approches innovantes en machine learning dans le cas
particulier des données de santé et à proposer des validations grâce à des approches combinant
modélisation/simulation et évaluation médico-économique. Pour cela, le candidat pourra compter
sur l’expérience de l’équipe de recherche de l’école des Mines dans le domaine, ainsi que sur les
outils et méthodes théoriques développées dans le cadre de recherches fondamentales, également
développées par l’équipe.
Profil
Le candidat devra disposer de solides connaissances en data science (machine learning, fouille de
données, fouille de processus, intelligence artificielle), en génie industriel (modélisation d’entreprise,
simulation de flux, évaluation de performance), en recherche opérationnelle (modélisation
mathématique, optimisation) et en informatique (programmation en C/C++, Java, connaissance de
librairies mathématiques, statistiques, optimisation).
Envoyer CV, lettre de motivation, relevés de notes des 3 années précédentes (y compris celle en
cours) à augusto@emse.fr en prévision d’un entretien.
Le sujet pourra être sujet à modifications en fonction des contraintes de l’entreprise.