Analyse de données cliniques et revue scientifique pour l’élaboration de rapports d’évaluation conformes pour dispositifs médicaux.
Assurance conformité réglementaire MDR/IVDR pour dispositifs médicaux.
Exploitation des données cliniques pour démontrer la sécurité, l’efficacité et les avantages des dispositifs médicaux.
Affaires réglementaires
Evaluation clinique
EFOR Group – Paris, France
Oct. 2022 maintenant
En tant que consultante, j’accompagne les fabricants de dispositifs médicaux (Classe I à III) dans l’optimisation de leurs activités cliniques et le développement de stratégies d’évaluation clinique robustes.
Details:
Élaboration d’états de l’art conformes à MEDDEV 2.7/1 Rev. 4
Rédaction d’autres documents liés à l’évaluation clinique
Machine Learning
Recherche
Traitement du signal
Neurosciences
INRIA Bordeaux Sud-Ouest, Equipe POTIOC – Bordeaux, France
Oct. 2018 Dec. 2021
Supervised by Fabien Lotte and Camille Jeunet
J’ai participé au projet ERC Starting Grant : BrainConquest, qui vise à créer une nouvelle génération d’interfaces cerveau-ordinateur (BCI) permettant aux utilisateurs d’apprendre à coder correctement leurs commandes.
Plus précisément, mon objectif était de créer un modèle statistique de prédiction des performances des utilisateurs de BCI basé sur :
Enseignement à l’école d’ingénieurs Arts et Métiers de Bordeaux, MATHS-INFOS, 64h/an (2 ans)
Machine Learning
Recherche
École Supérieure d’Ingénierie Cognitive ENSC, Bordeaux, France
2020 144 heures de formation
Recherche
Neurosciences
BME Paris, Université PSL, Université Paris-Descartes et Arts et Métiers ParisTech, Paris, France
2016-2018 M1 et M2
Recherche
Neurosciences
Traitement du signal
INSERM,Institut des Neurosciences et Systèmes. Marseille, France
Mars 2017 - Juin 2017 Stage Master 1
Supervisée par Viktor Jirsa et Space Petkoski
J’ai travaillé sur le projet The Virtual Brain Project. Ce projet développe un cadre complet pour modéliser le cerveau en utilisant des méthodes computationnelles basées sur des principes de bioingénierie.
Traitement du signal
ENSEIRB-MATMECA, Bordeaux, France
2012 - 2015 3 ans
Traitement du signal
Recherche
IOptima Ltd., Tel Aviv, Israël
Mars 2015 - Septembre 2015 6 mois
Stage dans une startup développant un laser pour le traitement du glaucome.
Traitement du signal
Recherche
ENSEIRB-MATMECA, Bordeaux, France
Octobre 2014 - Janvier 2015 4 mois
En collaboration avec l’Institut du Rythme Cardiaque et de Modélisation, Hôpital Haut-Lévèque, Pessac, France
Visualisation 3D des cathéters cardiaques en variant les champs électriques et magnétiques.
Recherche
Saft Industry, Bordeaux, France
Juin 2014 - Septembre 2014 4 mois
Travail au sein de l’équipe développant les batteries lithium-ion pour l’Airbus A350 (amélioration du système de sécurisation des cartes électroniques).
Classes préparatoires spécialisées en mathématiques et physique
Lycée Saint-Louis, Paris, France
2010 - 2012 2 ans
Les interfaces cerveau-ordinateur (ICO) sont des outils de communication et de contrôle qui permettent à leurs utilisateurs d’interagir avec un ordinateur via leur activité cérébrale (mesurée, généralement, à l’aide de l’électroencéphalographie - EEG). Une catégorie prometteuse d’ICO est l’ICO basée sur les tâches mentales (TM). Les TM-ICO utilisent les modifications de l’activité cérébrale induites par les TM effectuées par l’utilisateur (par exemple, l’imagination de mouvements, le calcul mental ou la rotation mentale d’un objet) pour les transformer en commandes de contrôle. Contrôler une TM-ICO nécessite l’acquisition de compétences et donc un entraînement approprié. En effet, l’utilisateur doit générer des signaux cérébraux stables et distincts pour chaque tâche, faute de quoi il ne sera pas en mesure de contrôler le système. En effet, le système ne sera pas en mesure de reconnaître quelle tâche l’utilisateur est en train d’effectuer. Produire de tels signaux cérébraux est une compétence à acquérir et à maîtriser. L’objectif de cette thèse est de contribuer à la compréhension de l’entraînement des utilisateurs d’ICO en réalisant d’abord une étude expérimentale de l’apprentissage. Dans une première partie, nous avons proposé et évalué la conception d’une TM-ICO multi-classes pour entrainer un utilisateur tétraplégique sur le long terme. Nou avons utilisé une nouvelle méthode de classification: les classifieurs riemanniens adaptatifs. Nous avons également observé que notre pilote a appris à améliorer l’ICO en produisant des signaux EEG correspondant de plus en plus à la distribution des données d’entraînement du classificateur, plutôt qu’en améliorant à discriminer ses signaux. Cette étude nous a également permis de constater la difficulté de la mise en place d’un protocole fiable dédié à un entraînement ICO à long terme. La seconde partie de notre travail est consacrée à la compréhension des performances des TM-ICO à l’aide de modèles computationnels prédictifs. Nous avons proposé différents modèles pouvant prédire les performances de différents utilisateurs de ICO au cours de l’entraînement basés sur des caractéristiques liées aux ICO. Comme une ICO est un système de communication entre un utilisateur et une machine, ces caractéristiques sont liés à la fois au profil de l’utilisateur at aux facteurs extraits d’algorithmes utilisés pour construire/calibrer le système. Nos résultats suggèrent qu’il est possible de prédire les performances des utilisateurs d’ICO en utilisant les caractéristiques neurophysiologiques d’un utilisateur, mais aussi les caractéristiques neurophysiologiques combinées à des caractéristiques stables (des traits) de l’utilisateur. De plus, nos études ont révélé que l’étude des caractéristiques extraites des méthodes utilisées pour construire/calibrer le système pourraient être intéressantes pour mieux comprendre pourquoi certains sujets ont des difficultés à contrôler une ICO. En effet, des modèles fiables de performances ont été révélés en utilisant de telles caractéristiques.
