Modélisation et exploitation efficace de données conversationnelles de santé pour la détection de signaux sanitaires précoces // Modeling and efficient exploitation of conversational health data for the detection of early health signals

En dehors du système de santé des grands établissements médicaux, des plateformes de collecte de données issues de praticiens tel que le réseau Sentinelles permettent une surveillance sanitaire pour la détection ou même la prévision d'une épidémie. Afin de gagner du temps dans la prévision, il serait important d'exploiter des données disponibles en amont, notamment lors des échanges téléphoniques entre les patients et les secrétariats médicaux. La société OuestCall Digital envisage une valorisation scientifique des données conversationnelles de santé à sa disposition. En faisant partie d'une telle démarche, la société souhaite : (i) extraire sémantiquement des données médicales issues de conversations téléphoniques de pré-consultations, les structurer et les stocker pour un accès efficace et sécurisé par les humains habilités et les agents d'IA de confiance, (ii) croiser ces données avec des sources de données supplémentaires accessibles par la société, à l'aide des agents d'IA, et (iii) développer des modèles prédictifs fiables sur les tensions d'accès aux soins et les risques d'épidémies, tout en garantissant un haut niveau de protection des données personnelles.

Aujourd'hui, la plupart des entreprises sont favorables pour une adoption de l'IA agentique. Cela n'indique pas une maturité des technologies, mais plutôt un besoin émergent auquel la recherche doit contribuer. Pour amplifier la capacité et délimiter les risques des agents d'IA, une gestion responsable des données sous-jacentes est primordiale et il reste encore un sujet de recherche ouvert. Dans ce contexte, cette thèse CIFRE avec la société OuestCall Digital vise à relever les défis suivants : D1. Garantir la qualité des données collectées afin d'augmenter la précision des prédictions. D2. Automatiser et sécuriser les processus d'interaction avec des systèmes numériques de santé hétérogènes et de développement de modèles prédictifs. D3. Maîtriser les dépenses financières dans l'utilisation de l'IA agentique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Beyond the healthcare system of major medical institutions, data collection platforms involving practitioners—such as the Sentinelles network—enable health surveillance for the detection or even prediction of epidemics. To gain time in prediction, it is important to leverage data available at an earlier stage, particularly during telephone interactions between patients and medical administrative staff. The company OuestCall Digital plans to derive scientific value from the conversational health data at its disposal. Through this initiative, the company aims to: (i) semantically extract medical data from pre-consultation phone conversations, then structure and store it for efficient, secure access by authorized personnel and trusted AI agents; (ii) cross-analyze these data with additional sources accessible to the company, using AI agents; and (iii) develop reliable predictive models regarding healthcare access strain and epidemic risks, while ensuring a high level of personal data protection.

Today, most companies favor the adoption of agentic AI. This does not really reflect a technological maturity, but rather an emerging need that research must contribute to. Responsible management of the underlying data is crucial—and remains an open area of research—for enhancing the capabilities of AI agents while bounding associated risks. In this context, the current CIFRE PhD project, conducted in partnership with OuestCall Digital, aims to tackle the following challenges: D1. Ensuring the quality of collected data to improve prediction accuracy. D2. Automating and securing the processes for interacting with heterogeneous digital health systems and for developing predictive models. D3. Controlling the financial costs associated with the use of agentic AI.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Cifre

CIFRE ANRT

Université de Toulouse

475 EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse

Master 2 ou diplôme d'ingénieur en informatique Solides formations ou expériences en gestion de données et en IA Solides compétences en développement logiciel Excellentes capacités rédactionnelles
Master 2 or Engineering degree in Computer Science Solid background or experience in data management and AI Strong software development skills Strong writing skills