Thèse 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 H/F

Doctorat.Gouv.Fr

Établissement : Université Claude Bernard Lyon 1
École doctorale : MEGA - Mécanique, Énergétique, Génie Civil, Acoustique
Laboratoire de recherche : LBMC - Laboratoire de Biomécanique et Mécanique des chocs
Direction de la thèse : Laurence CHEZE ORCID 0000000322659781
Début de la thèse : 2026-09-01
Date limite de candidature : 2026-05-17T23:59:59

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.

La prothèse totale du genou (PTG) est la chirurgie de remplacement articulaire la plus courante, avec des résultats satisfaisants notamment en termes de retour à domicile et de maintien de l'activité physique. Cependant, la révision de prothèse totale du genou (rPTG) reste un défi majeur (Geary et al. 2020) : elle est associée à des taux d'insatisfaction élevés (jusqu'à 34 %) (Winther et al. 2023), souvent liés à des douleurs persistantes et des limitations fonctionnelles. Dans ce contexte, la prédiction des résultats postopératoires reste limitée. Les modèles prédictifs existants reposent principalement sur des questionnaires et des données cliniques simples (Batailler et al. 2021). Ils n'intègrent pas des informations biomécaniques pourtant essentielles pour comprendre les mécanismes d'échec. Ce manque d'intégration multimodale constitue aujourd'hui un verrou scientifique majeur dans la prédiction des résultats après révision de prothèse totale du genou. Mais, l'exploitation de données issues de sources variées reste particulièrement complexe pour plusieurs raisons. Tout d'abord, l'obtention de données fiables représente un défi important : il est nécessaire de garantir leur qualité, leur homogénéité et leur structuration afin de permettre leur analyse robuste. Ensuite, les enjeux liés à l'intelligence artificielle et à la fouille de données sont considérables, notamment en raison de la diversité des formats et des typologies des informations à intégrer, ce qui requiert des approches adaptées pour extraire des informations pertinentes et prédictives (Kumar et al. 2024). Enfin, la gestion des incertitudes inhérentes aux mesures et aux modèles constitue un point critique souvent ignoré : ces incertitudes doivent être quantifiées et propagées pour assurer la fiabilité des prédictions et éviter des biais dans l'interprétation des résultats (Seoni et al. 2023).

L'objectif principal de la thèse est de développer un modèle de fouille de données multimodal spécifiquement adapté aux patients subissant une chirurgie de prothèse de genou. Ce modèle devra permettre d'identifier des paramètres prédictifs d'insatisfaction post-opératoire tout en intégrant les incertitudes inhérentes aux mesures et aux modèles afin de garantir la fiabilité des prédictions.

La thèse propose une approche innovante articulée autour de deux axes principaux.

La première étape du projet consiste à créer une base de données multimodale, regroupant des informations cliniques et biomécaniques essentielles pour la prédiction des résultats après révision de prothèse totale du genou. 30 patients à minima seront inclus, en ciblant les profils à risque. Cette base contiendra des données cliniques telles que l'imagerie (CT et radiographies), les scores PROM (Patient-Reported Outcomes Measures) et des tests psychologiques, ainsi que des données biomécaniques issues de l'analyse du mouvement : cinématique et dynamique inverse lors de la marche (via le système KneeKG) et de mouvements fonctionnels tels que la montée d'escalier ou le sit-to-stand (via des systèmes de capture sans marqueur). La première particularité concerne la qualité, l'homogénéité, et l'exhaustivité de ce jeu de données : d'autres informations seront aussi recueillies sur ces patients à différentes échelles (prélèvements sanguin, synovial, cellulaire, usure de l'implant), l'ensemble des acquisitions étant financé par le PEPR SantéNum INSIDE (ANR-25-PESN-0007) dont les Hospices civils de Lyon (HCL) sont partenaires. Enfin, ces données seront mises en forme pour respecter les principes FAIR, afin de faciliter leur diffusion et réutilisation à l'extérieur du projet.

La seconde étape consiste à développer des modèles prédictifs multimodaux intégrant explicitement la quantification et la propagation des incertitudes. Ces modèles exploiteront conjointement les données cliniques, biomécaniques et d'imagerie à travers des architectures hybrides combinant apprentissage profond, modèles probabilistes bayésiens et mécanismes d'attention multimodale. L'innovation principale réside dans l'intégration d'une modélisation probabiliste permettant d'estimer l'incertitude épistémique, c'est-à-dire l'incertitude liée aux limites de connaissances du modèle et à la représentativité des données d'apprentissage (Krimpton et al. 2025). Cette approche permettra d'identifier les situations dans lesquelles le modèle est peu confiant, notamment pour des profils de patients atypiques, et d'améliorer la fiabilité clinique des prédictions. Par ailleurs, une stratégie d'apprentissage multimodal hiérarchique et auto-supervisée sera mise en oeuvre afin d'exploiter efficacement les données partiellement annotées et de maximiser l'information extraite des signaux biomécaniques temporels. Cette démarche permettra l'identification de biomarqueurs numériques latents, sensibles aux déséquilibres mécaniques post-opératoires et aux profils fonctionnels des patients.