Universität Basel
Basel
Poste de doctorant en apprentissage automatique pour la santé pulmonaire des prématurés (100 %)
- 29 octobre 2026
- 100%
- 4000 Basel
À propos de cette offre
Département de génie biomédical (DBE), Université de Bâle
Groupe : Analytics & Informatics for Child Health (AICH) en collaboration avec l'Hôpital universitaire pour enfants de Bâle (UKBB)
Date de début : novembre 2026 ou selon accord
Durée : 4 ans
À propos de nous
Le groupe Analytics & Informatics for Child Health (AICH) développe des méthodes d'IA/AA, des outils numériques et des pipelines de données sécurisés pour faire progresser les soins pédiatriques. Nous travaillons à l'intersection de la médecine clinique, de l'apprentissage automatique et de la recherche intensive en données, en collaboration étroite avec les hôpitaux, les équipes informatiques cliniques et les partenaires de recherche de l'Université de Bâle.
Le projet
La naissance prématurée touche environ 14 millions de nourrissons chaque année et constitue un facteur de risque majeur de maladie respiratoire à vie. Les définitions actuelles de la dysplasie bronchopulmonaire (DBP) sont catégoriques et prédisent mal les résultats à long terme. Il manque des marqueurs robustes en début de vie pour identifier les nourrissons à plus haut risque de maladie pulmonaire associée à la prématurité (MPAP).
Ce projet utilise la cohorte Basel-Bern Infant Lung Development (BILD), qui combine la fonction pulmonaire infantile, le métabolomique de l'haleine, les marqueurs urinaires de stress oxydatif, l'historique clinique, l'exposition à la pollution atmosphérique à haute résolution et le suivi longitudinal de la fonction pulmonaire jusqu'à l'adolescence. L'objectif est un cadre de stratification du risque continu, basé sur la physiologie, pour remplacer les définitions catégoriques de la DBP et informer un programme de suivi respiratoire pour les enfants prématurés en Suisse.
Le doctorant dirigera la composante apprentissage automatique : intégration des données cliniques, physiologiques, environnementales et des biomarqueurs pour identifier les signatures précoces, les aetiotypes et les traits traitables de la MPAP, avec validation externe dans des cohortes d'Italie et d'Australie.
Groupe : Analytics & Informatics for Child Health (AICH) en collaboration avec l'Hôpital universitaire pour enfants de Bâle (UKBB)
Date de début : novembre 2026 ou selon accord
Durée : 4 ans
À propos de nous
Le groupe Analytics & Informatics for Child Health (AICH) développe des méthodes d'IA/AA, des outils numériques et des pipelines de données sécurisés pour faire progresser les soins pédiatriques. Nous travaillons à l'intersection de la médecine clinique, de l'apprentissage automatique et de la recherche intensive en données, en collaboration étroite avec les hôpitaux, les équipes informatiques cliniques et les partenaires de recherche de l'Université de Bâle.
Le projet
La naissance prématurée touche environ 14 millions de nourrissons chaque année et constitue un facteur de risque majeur de maladie respiratoire à vie. Les définitions actuelles de la dysplasie bronchopulmonaire (DBP) sont catégoriques et prédisent mal les résultats à long terme. Il manque des marqueurs robustes en début de vie pour identifier les nourrissons à plus haut risque de maladie pulmonaire associée à la prématurité (MPAP).
Ce projet utilise la cohorte Basel-Bern Infant Lung Development (BILD), qui combine la fonction pulmonaire infantile, le métabolomique de l'haleine, les marqueurs urinaires de stress oxydatif, l'historique clinique, l'exposition à la pollution atmosphérique à haute résolution et le suivi longitudinal de la fonction pulmonaire jusqu'à l'adolescence. L'objectif est un cadre de stratification du risque continu, basé sur la physiologie, pour remplacer les définitions catégoriques de la DBP et informer un programme de suivi respiratoire pour les enfants prématurés en Suisse.
Le doctorant dirigera la composante apprentissage automatique : intégration des données cliniques, physiologiques, environnementales et des biomarqueurs pour identifier les signatures précoces, les aetiotypes et les traits traitables de la MPAP, avec validation externe dans des cohortes d'Italie et d'Australie.
Votre poste
- Développer et appliquer des méthodes d'AA multimodales pour intégrer les données cliniques, métabolomiques de l'haleine, biomarqueurs, fonction pulmonaire et exposition environnementale.
- Modéliser les trajectoires de la fonction pulmonaire de l'enfance à l'adolescence, en se concentrant sur les enfants prématurés modérés à tardifs.
- Effectuer une validation externe avec différentes cohortes et évaluer la généralisabilité.
- Publier dans des revues d'AA et cliniques/respiratoires ; présenter lors de conférences internationales.
- Travailler en étroite collaboration avec des cliniciens, épidémiologistes et spécialistes de l'exposition ; contribuer à un code reproductible et bien documenté.
Votre profil
- Master en informatique, science des données, statistiques, génie biomédical ou domaine connexe.
- Compétences solides en programmation Python ; maîtrise des frameworks d'AA (PyTorch, scikit-learn) et modélisation statistique.
- Curiosité pour l'impact de la petite enfance sur la santé à vie, et motivation à développer des AA réellement utilisables par les cliniciens.
- Expérience avec des données tabulaires ou longitudinales, données manquantes et validation de modèles. Une expérience avec des petits échantillons ou données cliniques/épidémiologiques est un atout majeur.
- Intérêt pour l'AA interprétable, le clustering/phenotyping ou la modélisation de séries temporelles/trajectoires.
- Intérêt pour la recherche clinique et la santé respiratoire ou pédiatrique ; pas de formation médicale requise.
- Rigueur, autonomie et capacité à communiquer avec des collaborateurs non techniques.
- Maîtrise de l'anglais (oral et écrit). L'allemand est un avantage mais pas obligatoire.
Nous vous offrons
- Un doctorat à l'interface de l'apprentissage automatique, de la médecine clinique et de la santé environnementale, avec un impact translationnel direct.
- Accès à une cohorte de naissance longitudinale unique couvrant de l'enfance à l'adolescence, ainsi qu'à des cohortes de validation internationales.
- Supervision étroite et collaboration avec des experts cliniques et techniques.
- Accès à une infrastructure HPC de pointe.
- Inscription à l'École doctorale des sciences médicales et de la santé (GMHS), avec formations et opportunités de conférences.
- Culture d'équipe bienveillante et conditions d'emploi conformes à l'Université de Bâle.
Candidature / Contact
Veuillez soumettre les documents suivants en un seul PDF :
Les candidatures doivent être envoyées via le portail de candidature de l'Université de Bâle.
Veuillez soumettre les documents suivants en un seul PDF :
- CV
- Lettre de motivation (max. 1 page) décrivant votre motivation et expérience pertinente
- Relevés de notes MSc et BSc
- Coordonnées de 2-3 références
- (Optionnel) Liens vers GitHub, thèse ou travaux techniques antérieurs
Les candidatures doivent être envoyées via le portail de candidature de l'Université de Bâle.
Universität Basel
4000 Bâle
4000 Bâle
