Endométriose : recommandation de contenu pour les patientes
Personnaliser le contenu pour améliorer la qualité de vie
Context
Le client développe une application mobile pour l’accompagnement des patientes atteintes d’endométriose.
L’application adapte déjà le parcours des patientes en fonction de leurs symptômes. La société nous a mandaté pour améliorer ces parcours et intégrer un outil de recommandation personnalisé avec l’IA.
Objectifs
Recommander du contenu pertinent permettant d’améliorer les niveaux de symptômes des patients.
Réalisation
Étape 1 : Audi des besoins et de la pertinence de l’IA
Nous avons accompagné la startup afin d’identifier les besoins et d’analyser la pertinence d’intégrer des algorithmes d’apprentissage dans leur application. Pous cela, nous avons pris en compte l’ensemble des enjeux liés à la mise sur le marché d’un dispositif médical, ainsi que les contraintes techniques et financières de la société.
Étape 2 : Analyses statistiques des données collectées
Suite à une étude prospective menée sur une cohorte de patientes volontaires, des données d’usage de l’application ont été collectées par la société sur plusieurs mois. Nous avons créé une base de données SQL et avons réalisé une analyse exploratoire de ces données.
Cette étude a permis de mieux comprendre les comportements et habitudes des utilisatrices dans l’application, mais également de mieux cadrer les pistes d’amélioration de l’application.
Étape 3 : Développement d’un algorithme de recommandation
A partir de ces données, nous avons développé un algorithme de recommandation de contenu. Cet algorithme utilise une méthode de ranking statistique basé sur la capacité d’un contenu à améliorer les niveaux de symptômes des patientes.
Une méthode de consensus est ensuite appliquée afin de personnaliser la recommandation à chaque patiente.
Équipe adalab
Une ingénieure de recherche spécialisée en analyse de données de santé et dispositifs médicaux.
Un docteurs en neurosciences cognitives spécialisé en machine learning.
Durée : 26 jours
Expertises engagées : SQL, statistiques, machine learning, algorithmie
