Analyse de trajectoires de santé augmentées par approches multimodales - application au syndrome d'apnée obstructive du sommeil // Analysis of health trajectories enhanced by multimodal approaches - application to obstructive sleep apnea syndrome

Cette thèse, encadrée par Sophie Lambert-Lacroix et Caroline Bazzoli (laboratoire TIMC) ainsi que Renaud Tamisier (CHUGA/HP2), porte sur l'analyse de trajectoires de santé augmentées par des approches multimodales, avec une application au syndrome d'apnée obstructive du sommeil (SAOS).
Une trajectoire de santé retrace l'évolution longitudinale de l'état de santé d'un individu : maladies, traitements, bilans biologiques, signaux physiologiques, comptes-rendus médicaux, etc. Elle se distingue de la simple trajectoire de soin en offrant une vision plus large et dynamique. Le terme « augmentée » désigne ici deux dimensions : l'enrichissement par des données contextuelles (socio-économiques, environnementales) et l'intégration multimodale de sources hétérogènes pour une meilleure compréhension globale du patient.
Le SAOS, pathologie chronique touchant 15 à 20 % des adultes et influencée par des facteurs extra-médicaux (sédentarité, stress, rythme de vie), constitue un cas d'usage idéal, dont l'analyse ne peut se limiter à un seul type de données.
Les approches classiques de modélisation atteignent leurs limites face à des données hétérogènes, évoluant à des échelles temporelles différentes et souvent incomplètes. Les méthodes d'intégration multimodale offrent un cadre adapté, mais soulèvent des questions clés : comment fusionner les données ? À quel niveau ? Trois stratégies existent — fusion précoce, intermédiaire ou tardive — chacune impliquant des compromis entre expressivité, robustesse et interprétabilité. La dimension longitudinale ajoute des défis supplémentaires : alignement temporel, gestion des données manquantes, hétérogénéité des pas de temps. Si les modèles d'apprentissage profond (transformers, réseaux graphiques) ont montré des résultats prometteurs, leur besoin en grandes quantités de données et leur faible interprétabilité freinent leur adoption en contexte clinique. La thèse privilégie donc des approches statistiques classiques couplées à des méthodes de réduction de dimension, tout en les comparant aux modèles profonds pour évaluer le compromis entre performance prédictive et lisibilité clinique.
Cette thèse présente plusieurs objectifs. Le premier est de développer un cadre méthodologique statistique pour l'analyse de trajectoires de santé augmentées, articulant approches exploratoires et prédictives, et capable d'intégrer des données multimodales hétérogènes. Le deuxième objectif est d'appliquer ce cadre à la cohorte SAOS du CHUGA (base EDS MARS), afin d'identifier des sous-groupes de patients aux trajectoires distinctes, d'anticiper les profils non-répondeurs au traitement et de proposer des stratégies thérapeutiques personnalisées. Enfin, la thèse vise à poser les bases d'un cadre générique et modulaire, transposable à d'autres pathologies chroniques ou suivis post-thérapeutiques.
À l'issue de la thèse, les livrables attendus comprennent un cadre méthodologique validé et documenté, distribué sous forme de package R ou Python en open source ; des publications dans des revues de statistique appliquée et une publication clinique ; des communications dans des congrès nationaux et internationaux (CMstatistics, Journées de la Statistique, useR!, Rencontres R) ; et une valorisation clinique directe en lien avec l'équipe du Pr. Tamisier.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis, supervised by Sophie Lambert-Lacroix and Caroline Bazzoli (TIMC laboratory) and Renaud Tamisier (CHUGA/HP2), focuses on the analysis of augmented health trajectories using multimodal approaches, with an application to obstructive sleep apnea syndrome (OSAS).
A health trajectory traces the longitudinal evolution of an individual's health status: diseases, treatments, biological test results, physiological signals, medical reports, etc. It differs from a simple care trajectory by offering a broader and more dynamic perspective. The term 'augmented' refers here to two dimensions: enrichment through contextual data (socioeconomic, environmental) and multimodal integration of heterogeneous sources for a more comprehensive understanding of the patient.
OSAS, a chronic condition affecting 15 to 20% of adults and influenced by non-medical factors (sedentary lifestyle, stress, daily routines), represents an ideal use case whose analysis cannot be limited to a single data type.
Classical modeling approaches reach their limits when faced with heterogeneous data evolving across different time scales and often incomplete. Multimodal integration methods offer a suitable framework, but raise key questions: how and at what level should data be fused? Three strategies exist — early, intermediate, and late fusion — each involving trade-offs between expressiveness, robustness, and interpretability. The longitudinal dimension adds further challenges: temporal alignment, missing data handling, and heterogeneous time steps. While deep learning models (transformers, graph networks) have shown promising results, their need for large volumes of data and their limited interpretability hinder their adoption in regulated clinical settings. The thesis therefore favors classical statistical approaches combined with dimensionality reduction methods, while comparing them to deep learning models to assess the trade-off between predictive performance and clinical interpretability.
This thesis pursues several objectives. The first is to develop a statistical methodological framework for the analysis of augmented health trajectories, combining exploratory and predictive approaches, and capable of integrating heterogeneous multimodal data. The second objective is to apply this framework to the OSAS cohort from CHUGA (EDS MARS database), in order to identify subgroups of patients with distinct trajectories, anticipate profiles of non-responders to standard treatment, and propose personalized therapeutic strategies. Finally, the thesis aims to lay the groundwork for a generic, modular framework that can be transposed to other chronic conditions or post-therapeutic follow-ups.
Upon completion, the expected deliverables include a validated and documented methodological framework distributed as an open-source R or Python package; publications in applied statistics journals and a clinical publication; presentations at national and international conferences (CMstatistics, Journées de la Statistique, useR!, Rencontres R); and direct clinical valorization in collaboration with Prof. Tamisier's team.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Concours allocations

Université Grenoble Alpes

217 MSTII - Mathématiques, Sciences et technologies de l'information, Informatique

Compétence en mathématiques appliquées : apprentissage automatique et statistique computationnelle
Skills in applied mathematics: machine learning and computational statistics