Bonjour à toutes et à tous et bienvenue dans cet épisode audio du Labex Comin Labs. Aujourd'hui, on s'intéresse au projet SPARS, un projet à la croisée de la médecine et du numérique. Son objectif, développer des méthodes d'analyse de données pour mieux comprendre la chirurgie. Pour en parler, nous avons le plaisir d'accueillir Pierre Janin, directeur de recherche INSERM, responsable de l'équipe Médicis et coordinateur du projet SPARS. Bonjour Pierre. Bonjour. Merci d'être avec nous et de nous accorder ce temps précieux. Pour commencer, pouvez-vous nous expliquer en quelques mots ce qu'est le projet SPARS ? Le projet SPARS essaie de comprendre la chirurgie. Il essaie de comprendre la chirurgie principalement sur des aspects techniques, à la fois de la gestuelle et du déroulé, de la séquentialité de la procédure chirurgicale. Pour ça, on utilise des données qui viennent de robots chirurgicaux et on essaie de développer des méthodes qui vont nous aider à mieux comprendre à la fois la variabilité qu'il y a dans les procédures chirurgicales, mais aussi les invariants entre procédures pour permettre aux machines, aux robots chirurgicaux, par exemple, de mieux comprendre la complexité de la chirurgie et donc de mieux l'assister. Concrètement, quelles méthodes ou innovations le projet SPARS développe pour mieux comprendre les gestes chirurgicaux, mais aussi leur variabilité ? En d'autres termes, comment le projet SPARS se différencie-t-il de l'état de l'art ? Alors, en analyse de données, il y a deux principales approches qui existent aujourd'hui. Une approche qui est plutôt ce qu'on appelle l'IA, qui est basée sur l'apprentissage automatique, et puis des approches qui sont basées modèles, où on essaye de construire des modèles explicites et qui permettent de mieux comprendre. Et nous, on travaille sur ces deux stratégies, à la fois sur l'aspect des données cinématiques, qui sont globalement le comportement des instruments, les trajectoires des instruments. On les considère comme des séries temporelles, et on va développer des méthodes qui permettent d'analyser ces séries temporelles. On essaye d'appliquer ces méthodes et d'adapter les méthodes d'analyse de séries temporelles pour classifier les procédures chirurgicales, classifier leurs trajectoires, calculer des moyennes de trajectoires, éventuellement des variations, des écarts-types entre ces trajectoires. Et notamment, là où on regroupe les deux modèles, on s'appuie aussi sur la décomposition procédurale de la chirurgie pour avoir une analyse beaucoup plus fine, une analyse par phase de la chirurgie, par étape de la chirurgie, voire même par action chirurgicale. De l'autre côté, sur l'aspect procédural, sur l'aspect séquence d'activités, qui sont complémentaires, on essaye de développer deux approches en parallèle. Une qui va être de créer ces modèles de variances ou d'invariances à partir de consensus créés par interview d'experts. Ça, c'est une approche qu'on appelle en général top-down. Puis aussi une approche bottom-up, où on va récupérer des données sur des procédures chirurgicales réelles. Et on va essayer de, sur ces trajectoires, sur ces séquences d'activités, sur les données qu'on récupère, on va essayer de construire des modèles qui représentent, elles aussi, la variabilité dans la chirurgie. Encore une fois, une variabilité de réelles procédures chirurgicales. Quand on construit des modèles par approche top-down, d'interview des chirurgiens en leur demandant d'expliquer la var…