ML pour la revue de littérature clinique

Mission

Développement d’un algorithme d’extraction et de sélection d’articles scientifiques dédié à l’évaluation clinique des dispositifs médicaux. Conception d’un pipeline automatisé combinant web scraping, machine learning et visualisation interactive pour accélérer la constitution des rapports d’évaluation clinique (marquage CE). Recueil automatisé des références scientifiques : extraction, classement et enrichissement des métadonnées depuis PubMed, Google Scholar, ScienceDirect, Embase. Optimisation du process de revue systématique. Classification hybride (humain + ML) des études pertinentes selon des critères d’inclusion/exclusion définis (PICO/PICOS, PRISMA…). Intégration d’un scoring automatisé, module de ranking, et possibilité de sélection manuelle pour garantir qualité et transparence du process réglementaire. Génération de tableaux de bord analytiques et reporting dynamique. Conception d’une interface SaaS en Python/Dash pour la visualisation, le suivi et l’auditabilité de l’ensemble de la démarche, conforme aux exigences réglementaires (MEDDEV 2.7/1, MDCG…). Export multi-formats : BibTeX, CSV, XLSX, au service des utilisateurs métiers (affaires réglementaires, consultants, fabricants DM). Recherche & Développement en intelligence artificielle appliquée au réglementaire santé. Implémentation de méthodes avancées de Natural Language Processing (NLP) pour l’extraction d’informations structurées sur la sécurité et la performance des dispositifs. Approche modulaire : prototypage, tests itératifs, évaluation comparative avec l’état de l’art (Abstrackr, Rayyan, ASReview…).

Contexte et environnement

Collaboration : Start-up deeptech (WEEKI) + cabinet expert Affaires réglementaires (B CONSULTANT), appui d’une équipe universitaire multidisciplinaire. Approche "human-in-the-loop" : L’utilisateur garde la main sur la décision, l’algorithme assiste et explicite chaque étape, favorisant l’appropriation et la confiance. Interopérabilité : Compatibilité avec les référentiels santé (PRISMA, PROSPERO), architecture SaaS scalable (microservices).

Objectifs clés

Technologies et infrastructure