Développement d'un modèle de fouille de données multimodal permettant d'identifier des paramètres prédictifs d'insatisfaction de patients opérés d'une prothèse de genou // Development of a multimodal data mining model to identify predictive parameters of

La prothèse totale du genou (PTG) constitue aujourd'hui l'intervention de remplacement articulaire la plus pratiquée, avec des résultats globalement satisfaisants, mais la révision de prothèse totale du genou (rPTG) demeure un enjeu critique, avec des taux d'insatisfaction pouvant atteindre 34 %, principalement en raison de douleurs persistantes et de limitations fonctionnelles.

La thèse proposée vise à développer un modèle de fouille de données multimodal adapté aux patients opérés d'une prothèse de genou, permettant d'identifier des paramètres prédictifs fiables d'insatisfaction post-opératoire. Pour cela, une base de données cohérente et diversifiée sera constituée, incluant imagerie, scores PROM (Patient Reported Outcom Measures), tests psychologiques, ainsi que des données biomécaniques (cinématique et dynamique inverse de la marche et de mouvements fonctionnels).

L'originalité du projet repose sur l'intégration explicite des incertitudes dans les modèles prédictifs, grâce à des approches hybrides combinant apprentissage profond, modèles probabilistes bayésiens et mécanismes d'attention multimodale. Cette stratégie permettra d'exploiter efficacement la diversité des sources de données, d'identifier des biomarqueurs et d'évaluer la confiance associée aux prédictions, en particulier pour les profils de patients atypiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Total knee arthroplasty (TKA) is currently the most commonly performed joint replacement procedure, with overall satisfactory outcomes. However, revision total knee arthroplasty (rTKA) remains a major challenge, with dissatisfaction rates reaching up to 34%, mainly due to persistent pain and functional limitations.

The proposed PhD project aims to develop a multimodal data mining model tailored to patients undergoing knee arthroplasty, with the objective of identifying reliable predictive parameters of postoperative dissatisfaction. To achieve this, a coherent and diverse database will be built, integrating imaging data, PROMs (Patient Reported Outcome Measures), psychological assessments, as well as biomechanical data (kinematics and inverse dynamics of gait and functional movements).

The originality of the project lies in the explicit integration of uncertainty into predictive models, using hybrid approaches that combine deep learning, Bayesian probabilistic models, and multimodal attention mechanisms. This strategy will enable efficient exploitation of heterogeneous data sources, the identification of relevant biomarkers, and the estimation of confidence levels associated with predictions, particularly for atypical patient profiles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/09/2026
WEB : https://lbmc.univ-gustave-eiffel.fr/nous-rejoindre/theses

Autre financement public

ANR Financement d'Agences de financement de la recherche

Université Claude Bernard Lyon 1

162 MEGA - Mécanique, Énergétique, Génie Civil, Acoustique

Compte tenu des spécificités du financement, le/la candidat(e) doit être de nationalité autre que française et primo-arrivant en France pour la thèse (ou doit être en France depuis moins d'un an au début de la thèse). Une bonne connaissance du français est requise (pour faciliter les interactions avec les patients et le personnel paramédical). Le/la candidat(e) idéal(e) pour cette thèse doit avoir un diplôme de Master ou Ingénieur avec des compétences en Biomécanique, expérimentations in vivo, fouille de données, et statistiques. Il doit également avoir de bonnes capacités à travailler en équipe et une forte motivation pour mener des recherches interdisciplinaires dans le domaine de la santé. Outre l'équipe encadrante, le/la candidat(e) aura des échanges réguliers avec les autres partenaires du projet INSIDE, en particulier ceux qui utiliseront ses travaux. Une bonne connaissance de l'anglais écrit et parlé est aussi requise (pour l'analyse bibliographique et la valorisation des travaux sous la forme de publications et conférences internationales).
Given the specific requirements of the funding scheme, the candidate must be of non French nationality and must be arriving in France for the first time for the PhD (or must have been in France for less than one year at the start of the PhD). A good command of French is required, as it will facilitate interactions with patients and healthcare staff. The ideal candidate should hold a Master's degree or an Engineering degree with strong skills in biomechanics, in vivo experimentation, data mining, and statistics. The candidate should also demonstrate strong teamwork abilities and a high level of motivation for conducting interdisciplinary research in the health domain. In addition to the supervisory team, the candidate will have regular interactions with the other partners of the INSIDE project, particularly those who will make use of the research outputs. A good command of written and spoken English is also required (for literature review and for disseminating the research through publications and international conferences).