Offre de thèse
CD Prédiction du neurodéveloppement des prématurés à 7 ans grâce à l'intelligence artificielle et aux biomarqueurs issus des données multimodales néonatales
Date limite de candidature
01-06-2025
Date de début de contrat
01-10-2025
Directeur de thèse
SEIDEL MALKINSON Tal
Encadrement
L'encadrement proposé repose sur une expertise avérée, illustrée par un équilibre cohérent entre le nombre de doctorants dirigés et la qualité des publications qui en découlent. L'unité de recherche intègre pleinement l'accueil et l'accompagnement des doctorants dans sa stratégie, en assurant un environnement propice à leur progression scientifique et professionnelle. Un suivi individualisé permettra au doctorant de s'approprier progressivement son projet, d'affiner sa compréhension des enjeux de recherche et de s'adapter aux évolutions potentielles du sujet. Des moyens spécifiques seront déployés pour garantir la maîtrise des outils et des méthodes nécessaires, en lien avec les technologies et méthodologies de l'IA, telles que l'apprentissage automatique, les modèles de deep learning ou encore l'optimisation algorithmique. Le doctorant bénéficiera d'un accès aux infrastructures de calcul, à des formations spécialisées et à des échanges avec des experts du domaine. La valorisation de ses travaux sera encouragée à travers des publications dans des revues internationales (NeuroImage, Early Human Development ou encore Developmental Medicine & Child Neurology) et des conférences (LUE TRAVEL, human brain mapping, le congrès européen de neurologie pédiatrique), à des valorisations industrielles si possible (dépôt de codes APP), et à des publications de base de données. L'implication de l'étudiant dès son Master 2 sur ce projet, dans le cadre d'un stage déjà en cours, lui permet d'acquérir une compréhension approfondie des enjeux scientifiques et techniques, facilitant ainsi une transition fluide vers la thèse. Cette anticipation favorise non seulement une adaptation rapide à la thématique, mais aussi une intégration humaine et scientifique efficace au sein de l'équipe, garantissant un démarrage optimal du projet doctoral. Une attention particulière sera portée à son bien-être matériel et intellectuel, avec un encadrement régulier et structuré, un suivi pour l'élaboration de son carnet de compétences et la mise en place de la convention de formation doctorale conformément aux exigences réglementaires (arrêté du 01/07/2016). L'encadrement réussi d'un doctorant, menant à sa bonne insertion professionnelle, renforce également la visibilité et l'attractivité de l'unité de recherche pour de futurs financements et collaborations. Un bureau partagé est déjà fléché pour ce candidat et un ordinateur avec grande puissance de calcul sera alloué à ce travail. Les collaborations déjà établies permettront aussi d'apporter un soutien multidisciplinaire à l'étudiant. Les formations envisagées durant ce doctorat seront autour de la participation à des conférences grand public, la présentation d'une affiche à l'international, à des congrès internationaux et un séjour en laboratoire à l'étranger, à des formations disciplinaires (écoles d'été) et transverses proposées sur ADUM. En ce qui concerne les débouchés professionnels, le marché de l'intelligence artificielle offre aujourd'hui des perspectives particulièrement attractives, tant dans le domaine académique que privé. Dans le secteur académique, le doctorant pourra envisager une carrière de chercheur ou d'enseignant-chercheur, avec des opportunités de post-doctorat en France ou à l'international, notamment au sein de laboratoires reconnus pour leur expertise en IA et en sciences des données. Dans le secteur privé, les compétences développées dans le cadre de cette thèse sont hautement recherchées par les entreprises spécialisées en IA, les laboratoires de R&D industriels et les startups innovantes. Des débouchés existent notamment dans les secteurs de la santé (imagerie médicale, diagnostic assisté par IA), de la finance (modélisation du risque, trading algorithmique), de l'industrie 4.0 (maintenance prédictive, automatisation des processus) ou encore dans le domaine des véhicules autonomes et de la cybersécurité. L'implication de l'étudiant dès son Master 2 sur ce projet, dans le cadre d'un stage déjà en cours, lui permet d'acquérir une compréhension approfondie des enjeux scientifiques et techniques, facilitant ainsi une transition fluide vers la thèse. Cette anticipation favorise non seulement une adaptation rapide à la thématique, mais aussi une intégration humaine et scientifique efficace au sein de l'équipe, garantissant un démarrage optimal du projet doctoral. Une attention particulière sera portée à son bien-être matériel et intellectuel, avec un encadrement régulier et structuré, un suivi pour l'élaboration de son carnet de compétences et la mise en place de la convention de formation doctorale conformément aux exigences réglementaires (arrêté du 01/07/2016). L'encadrement réussi d'un doctorant, menant à sa bonne insertion professionnelle, renforce également la visibilité et l'attractivité de l'unité de recherche pour de futurs financements et collaborations. Un bureau partagé est déjà fléché pour ce candidat et un ordinateur avec grande puissance de calcul sera alloué à ce travail. Les collaborations déjà établies permettront aussi d'apporter un soutien multidisciplinaire à l'étudiant. En ce qui concerne les débouchés professionnels, le marché de l'intelligence artificielle offre aujourd'hui des perspectives particulièrement attractives, tant dans le domaine académique que privé. Dans le secteur académique, le doctorant pourra envisager une carrière de chercheur ou d'enseignant-chercheur, avec des opportunités de post-doctorat en France ou à l'international, notamment au sein de laboratoires reconnus pour leur expertise en IA et en sciences des données. Dans le secteur privé, les compétences développées dans le cadre de cette thèse sont hautement recherchées par les entreprises spécialisées en IA, les laboratoires de R&D industriels et les startups innovantes. Des débouchés existent notamment dans les secteurs de la santé (imagerie médicale, diagnostic assisté par IA), de la finance (modélisation du risque, trading algorithmique), de l'industrie 4.0 (maintenance prédictive, automatisation des processus) ou encore dans le domaine des véhicules autonomes et de la cybersécurité.
Type de contrat
école doctorale
équipe
contexte
L'intelligence artificielle (IA) s'impose aujourd'hui comme un outil révolutionnaire dans de nombreux domaines scientifiques, et les neurosciences ne font pas exception. Grâce à des approches avancées d'apprentissage automatique et de traitement de données complexes, l'IA permet d'explorer les mécanismes cérébraux, de détecter des biomarqueurs prédictifs et d'améliorer le diagnostic et le suivi des patients souffrant de pathologies neurologiques. L'intégration de données multimodales – issues de l'imagerie, des signaux physiologiques ou encore de la génétique – ouvre la voie à une compréhension plus fine du neurodéveloppement, de la plasticité cérébrale et des trajectoires de santé à long terme. Dans cette dynamique, l'Université de Lorraine et le CHRU de Nancy jouent un rôle central dans le développement et l'application des technologies d'IA en neurosciences. Le cluster ENACT (European Center for Artificial Intelligence-based Neurotechnology), auquel le CHRU de Nancy est associé, soutient fortement la recherche sur l'IA appliquée aux neurosciences et à la santé numérique. En parallèle, le programme interdisciplinaire TRAVEL (comorbidiTies, tRAjectories of liVEs and Longevity), porté par Lorraine Université d'Excellence (LUE), s'intéresse à l'impact des comorbidités sur les trajectoires de vie et mobilise des expertises en neurosciences, santé publique et modélisation des données. C'est dans ce cadre que s'inscrit cette thèse, qui vise à exploiter les avancées de l'IA et l'analyse de données multimodales néonatales pour améliorer la prédiction du devenir neurologique des prématurés. La prématurité, définie par âge gestationnel post-conceptionnel (SAPC) inférieur à 37 semaines, concerne actuellement un peu plus de 6.5% des naissances vivantes en France, soit environ 50 000 à 60 000 nouveau-nés par an [1]. Elle est communément divisée en trois groupes de nouveau-nés : les prématurés modérés ([32-37[ SAPC), les grands prématurés ([28-32[ SAPC) et les très grands prématurés ([23-28[ SAPC). L'amélioration de la prise en charge a permis une augmentation de la survie des prématurés notamment des plus jeunes et une baisse des comorbidités neurologiques (-14% chez les 25-29 SAPC) [2]. Cependant dans cette population les comorbidités restent un problème majeur. Dans la cohorte française EPIPAGE, 60% des survivants nés à 24-26 SAPC étaient retournés à la maison sans morbidité sévère et 97.9% des 32-34 SAPC [3]. Chez ces mêmes enfants, le devenir neurodéveloppemental est considéré comme normal chez 49.8% des 24-26 SAPC et 64% des 32-34SAPC. Toujours dans cette cohorte, à 5.5 ans, le pourcentage d'enfants nés à 24 SAPC sans difficulté neurodéveloppementale était de 10% et celui des 34 SAPC de 50% [4]. Ces chiffres illustrent les défis majeurs liés à l'identification précoce des comorbidités neurodéveloppementales, en particulier lorsque ces dernières sont modérées. En effet, l'évaluation du risque de troubles du neurodéveloppement est réalisée par les cliniciens en utilisant des données cliniques (poids de naissance, âge de naissance, sepsis, bronchodysplasie…) et des données non invasives telles que l'échographie transfontanellaire (ETF), l'imagerie par résonnance magnétique (IRM) cérébrale et l'électroencéphalogramme (EEG). Cependant, cette évaluation est particulièrement difficile pour le clinicien, comme en témoignent les importantes variations des réponses observées lors de simulations sur des vignettes cliniques (réf ? chiffres ?). C'est dans ce contexte que se sont développés des réseaux de soins périnataux en France permettant un suivi systématique de tous les prématurés et nouveau-nés vulnérables. En Lorraine, ce réseau de soin régional a été créé 2008 et s'appelle le Réseau d'Accompagnement des FAmilles En Lorraine ('RAFAEL') [5]. Ces soins périnataux, offrent une surveillance systématique et attentive du développement dans toutes ses dimensions (moteur, sensoriel, cognitif, intellectuel, affectif et psychologique) et permettent le dépistage et la prise en charge précoce des anomalies afin d'optimiser le devenir des prématurés. Ce suivi donne lieu systématiquement a une analyse quantitative du devenir neurodéveloppemental des enfants via des questionnaires dédiés et des échelles standardisées lors de la sortie du registre à 7 ans. Dans cette cohorte de suivi, 51 % des enfants prématurés présentaient des anomalies neurodéveloppementales. Parmi eux, 3,3 % avaient une paralysie cérébrale, 6,2 % souffraient d'une déficience auditive, 50,7 % présentaient des troubles visuels, et 11,3 % manifestaient des troubles du comportement. Concernant les performances scolaires, seulement 31 % des enfants avaient des scores académiques conformes aux normes de la population générale. Malgré une scolarisation en milieu ordinaire pour 94 % des enfants présentant des anomalies neurodéveloppementales, 33 % nécessitaient un soutien éducatif spécifique [6]. Dans les années 1950, les neurophysiologistes français ont été pionniers dans la description et l'utilisation de l'électroencéphalogramme néonatal, notamment le Dr André du CHRU de Nancy [7]. Leur expertise a joué un rôle crucial dans le développement et l'amélioration des techniques d'enregistrement, d'interprétation et d'utilisation de l'EEG chez les nouveau-nés, en particulier ceux nés prématurément. Ils ont notamment établi des recommandations pour la réalisation d'un monitoring EEG des prématurés [8]. L'EEG est un moyen d'exploration du cerveau facile, répétable et non invasif, offrant un intérêt diagnostique et prédictif pertinent dès les premiers stades du développement du nouveau-né. Grâce à sa capacité à détecter précocement des biomarqueurs électriques cérébrales, l'EEG joue un rôle crucial dans le diagnostic des troubles neurologiques chez les nouveau-nés, y compris ceux nés prématurément. En effet, l'EEG change d'aspect tous les 15 jours dans cette population [7,9,10]. Il est d'ailleurs utilisé pour dater les nouveau-nés de terme inconnu issus de déni de grossesse. La présence d'un tracé dysmature, c'est-à-dire prenant un aspect plus jeune que le terme réel ou désorganisé notamment avec des biomarqueurs épileptiques est fortement associée à un moins bon devenir, en témoigne une étude reportant une sensibilité de 83.3%, une spécificité de 88% et une valeur prédictive positive de 90.9% [11]. Cette étude a été confirmée par une méta-analyse retrouvant une sensibilité comprise entre 56 et 77% et une spécificité entre 67 et 88% [12]. Il est important de noter ici que l'enregistrement des 9 électrodes cérébrales lors de l'EEG et couplé à un enregistrement de l'ECG et de la respiration. Bien qu'elle ne soit pas utilisée en routine clinique, l'analyse quantitative de la variabilité cardiaque semble aussi être un prédicteur du devenir neurologique [13]. Ce qui n'est pas étonnant car elle permet une mesure de l'activité du système nerveux autonome qui peut aussi être impacté par un dysfonctionnement cérébral [14]. La surveillance iconographique par ETF régulières et par l'IRM à terme du cerveau du prématuré est faite de manière systématique chez les prématurés afin de surveiller l'apparition d'anomalies cérébrales telles que des saignements (notamment les hémorragies intraventriculaires (HIV), périventriculaires et cérébelleuses), l'apparition de gliose localisée ou plus étendue telle que la leucomalacie périventriculaire (PVL). Avec l'amélioration de la prise en charge des prématurés, les formes majeures sont en forte diminution et laissent place à des formes dont le pronostic est plus difficile à évaluer notamment des anomalies de signal diffuses et des lésions de type gliose très focales [15]. Par exemple dans une étude de 2017, une anomalie globale modérée à sévère à l'IRM néonatale était, indépendamment des variables cliniques, associée à une réduction d'environ 0,5 écart type dans le QI et les compétences en mathématiques, ainsi qu'à une réduction de plus de 0,6 écart type dans le résultat moteur. En revanche, ni une HIV de grade 3-4 ni la PVL kystique n'étaient indépendamment associés à aucun des résultats à 7 ans [16]. Des modèles de prédiction du devenir neurologique, principalement basés sur les données cliniques ont été proposés. Ils ont une aire sous la courbe ROC se situe entre 0.6 et 0.7 montrant la difficulté d'évaluer le devenir neurologique en période néonatale [17]. Il est important de noter ici que la majeure partie de ces modèles essaient de prédire le devenir à court ou moyen terme (principalement le décès en période néonatale et le devenir neurologique à 2 ans) et que ces modèles incluent extrêmement peu de données issues de l'imagerie et encore moins issues de l'EEG néonatal. Or, ces techniques offrent une vision non invasive et détaillée de la structure et du fonctionnement cérébral chez les prématurés. En 2021, une review sur les méthodes de prédiction du devenir concluait qu'il était nécessaire de mettre à jour ceux-ci pour qu'ils restent pertinents cliniquement et que ces modèles de prédiction des risques actuels ne reflétaient pas pleinement les connaissances acquises dans les études longitudinales sur la croissance et le développement [17]. On imagine donc aisément que la prise en compte des données cliniques, de l'imagerie et de l'EEG dans un modèle multimodal pourrait probablement permettre d'avoir une évaluation fine du devenir neurodéveloppemental des prématurés et ce dès la période néonatale (de la naissance à 28j de vie post-terme). Depuis les années 2020, on a vu apparaitre des méthodes utilisant l'intelligence artificielle pour exploiter les données issues de l'EEG et de l'imagerie. Ainsi les derniers modèles de prédiction, utilisant données cliniques et imagerie, ont une aire sous la courbe ROC aux alentours de 0.7-0.8 pour les différents composants du développement (langage, moteur et cognitif) [18]. Pour l'EEG, les performances des modèles actuels sont similaires [19,20]. Nous pensons qu'un modèle plus holistique prenant en compte les données anatomiques (IRM), les données fonctionnelles (EEG, ECG et respiratoire) et les données cliniques au sens large permettrait d'améliorer encore la capacité de prédiction du devenir neurologique. Le projet se propose de lever certains verrous scientifiques liés à l'évaluation et à la prédiction du devenir neurodéveloppemental des prématurés en utilisant une approche multimodale intégrant données cliniques, anatomiques (ETF et IRM), fonctionnelles (EEG, ECG, respiration). L'originalité de ce projet résident dans son approche intégrative et multimodale, qui va au-delà des modèles existants en combinant des données cliniques, anatomiques (IRM, ETF), fonctionnelles (EEG, ECG, respiration) et des algorithmes d'intelligence artificielle. Actuellement, la prédiction du devenir neurodéveloppemental des prématurés repose principalement sur des modèles utilisant des données cliniques et, dans une moindre mesure, des analyses IRM ou EEG isolées. L'intégration de ces différentes modalités permettra d'améliorer la robustesse et la précision des modèles, en exploitant la complémentarité des signaux pour mieux identifier les biomarqueurs clés des troubles neurodéveloppementaux. Cette approche a un fort potentiel clinique, car elle pourrait permettre d'optimiser le dépistage précoce des nouveau-nés à risque et d'adapter plus rapidement les stratégies de suivi et d'intervention. En structurant cette méthodologie autour d'une analyse rigoureuse des données et d'une validation sur une cohorte bien documentée, ce projet a vocation à fournir un outil innovant et exploitable en pratique clinique, renforçant ainsi la pertinence et la faisabilité d'une soutenance de thèse et de publications scientifiques impactantes dans ce domaine. Question scientifique de ce projet : Dans quelle mesure l'intégration multimodale des données cliniques, anatomiques et fonctionnelles, couplée aux avancées de l'intelligence artificielle, permettra-t-elle d'améliorer significativement la précision des modèles prédictifs du devenir neurodéveloppemental des prématurés et d'optimiser les stratégies de suivi et d'intervention clinique ?spécialité
Sciences de la Vie et de la Santé - BioSElaboratoire
IMoPA - Ingénierie Moléculaire et Physiopathologie Articulaire
Mots clés
Biomarqueurs, Devenir Neurodéveloppemental, Prématurité, Intelligence Artificielle, Données massives et multimodales, Santé numérique
Détail de l'offre
Ce projet vise à développer un modèle prédictif multimodal permettant d'évaluer précocement le risque de troubles neurodéveloppementaux chez les nouveau-nés prématurés. Actuellement, les modèles prédictifs existants se basent principalement sur des données cliniques, avec des performances limitées (AUC < 0.8). Nous proposons d'intégrer des données cliniques, EEG, IRM, ECG et respiratoires pour améliorer la précision de la prédiction du devenir neurologique. L'étude repose sur l'analyse de 500 prématurés issus du réseau Rafael, avec un suivi jusqu'à 7 ans. Après un prétraitement rigoureux des données (filtrage des artéfacts, extraction des caractéristiques EEG et IRM), plusieurs modèles d'apprentissage automatique seront testés et comparés. Une attention particulière sera portée à l'interprétabilité des modèles grâce à la méthode SHAP, afin d'identifier les biomarqueurs clés du développement neurocognitif. L'objectif final est de fournir un logiciel fiable, facilitant l'identification des prématurés à risque, et permettant une prise en charge précoce adaptée. Si les performances des modèles sont satisfaisantes, des approches de deep-learning pourront être explorées pour affiner les prédictions. Ce projet, porté par une équipe experte en neurophysiologie et intelligence artificielle, pourrait significativement améliorer le pronostic des prématurés grâce à un traitement personnalisé, leur qualité de vie à long terme et permettre aussi d'améliorer le suivi de ces nouveau-nés vulnérables.
Keywords
Biomarkers, Neurodevelopmental Outcomes, Prematurity, Artificial Intelligence (AI), Big and Multimodal Data, Digital Health
Subject details
The objective of this project is to develop a multimodal predictive model for the early assessment of the risk of neurodevelopmental disorders in premature newborns. Existing predictive models are primarily based on clinical data, with limited performance (AUC < 0.8). The proposed approach involves the integration of clinical, electroencephalogram (EEG), magnetic resonance imaging (MRI), electrocardiogram (ECG) and respiratory data to enhance the accuracy of neurological outcome prediction. The study will analyze 500 premature infants from the Rafael network, with a follow-up period of up to seven years. After rigorous data pre-processing (artifact filtering, EEG and MRI feature extraction), several machine learning models will be tested and compared. Particular attention will be paid to the interpretability of the models using the SHAP method, in order to identify key biomarkers of neurocognitive development. The ultimate aim is to provide a software facilitating the identification of premature babies at risk, and enabling appropriate early management. If the performance of the models is satisfactory, deep-learning approaches could be explored to refine predictions. This project, led by a team with expertise in neurophysiology and artificial intelligence, could significantly improve the prognosis of premature babies and their long-term quality of life, as well as improving monitoring of these vulnerable newborns.
Profil du candidat
Nous recherchons un(e) candidat(e) avec une expertise en sciences cognitives, neurosciences et intelligence artificielle.
Compétences attendues :
-Analyse de données biomédicales : Traitement et modélisation de grandes bases de données multimodales.
-Intelligence artificielle et machine learning : Développement et implémentation de modèles prédictifs.
-Connaissances en neurosciences : Compréhension des mécanismes du développement cérébral et des troubles neurodéveloppementaux, ainsi que des méthodes d'analyse en neurosciences computationnelles.
-Compétences en programmation : Maîtrise de Python, R et des bibliothèques associées (TensorFlow, Pandas, NumPy) pour l'analyse statistique et le machine learning.
-Rigueur scientifique et esprit critique : Expérience en méthodologie scientifique, revue de la littérature et rédaction de publications.
-Travail en équipe et communication : Capacité à collaborer avec des cliniciens, chercheurs et ingénieurs en IA dans un contexte interdisciplinaire.
-Un parcours combinant sciences cognitives, neurosciences et intelligence artificielle est particulièrement pertinent pour ce projet, notamment une expérience en modélisation computationnelle, apprentissage machine et analyse de données en neurosciences.
Candidate profile
We are looking for a candidate with expertise in cognitive sciences, neuroscience, and artificial intelligence.
Expected Skills
Biomedical data analysis: Processing and modeling large multimodal databases.
Artificial intelligence and machine learning: Development and implementation of predictive models.
Knowledge in neuroscience: Understanding of brain development mechanisms and neurodevelopmental disorders, as well as computational neuroscience analysis methods.
Programming skills: Proficiency in Python, R, and associated libraries (TensorFlow, Pandas, NumPy) for statistical analysis and machine learning.
Scientific rigor and critical thinking: Experience in scientific methodology, literature review, and publication writing.
Teamwork and communication: Ability to collaborate with clinicians, researchers, and AI engineers in an interdisciplinary setting.
A background combining cognitive sciences, neuroscience, and artificial intelligence is particularly relevant for this project, especially experience in computational modeling, machine learning, and neuroscience data analysis.
Référence biblio
[1] Prématurité · Inserm, La science pour la santé n.d. https://www.inserm.fr/dossier/prematurite/ (accessed March 23, 2024).
[2] Ancel PY, Goffinet F, Kuhn P, Langer B, Matis J, Hernandorena X, et al. Survival and morbidity of preterm children born at 22 through 34 weeks' gestation in France in 2011: results of the EPIPAGE-2 cohort study. JAMA Pediatr 2015;169:230–8. https://doi.org/10.1001/JAMAPEDIATRICS.2014.3351.
[3] Ancel PY, Goffinet F, Kuhn P, Langer B, Matis J, Hernandorena X, et al. Survival and Morbidity of Preterm Children Born at 22 Through 34 Weeks' Gestation in France in 2011: Results of the EPIPAGE-2 Cohort Study. JAMA Pediatr 2015;169:230–8. https://doi.org/10.1001/JAMAPEDIATRICS.2014.3351.
[4] Pierrat V, Marchand-Martin L, Marret S, Arnaud C, Benhammou V, Cambonie G, et al. Neurodevelopmental outcomes at age 5 among children born preterm: EPIPAGE-2 cohort study on behalf of the EPIPAGE-2 writing group n.d. https://doi.org/10.1136/bmj.n741.
[5] RESEAU PERINATAL LORRAIN - RESEAU RAFAEL n.d. https://www.reseauperinatallorrain.fr/reseau-rafael/ (accessed March 23, 2024).
[6] Mercier C, Deforge H, Hascoët JM. Neurodevelopment at seven years and parents' feelings of prematurely born children. Front Pediatr 2022;10:1–12. https://doi.org/10.3389/fped.2022.1004785.
[7] André M, Lamblin MD, d'Allest AM, Curzi-Dascalova L, Moussalli-Salefranque F, Nguyen The Tich S, et al. Électroencéphalographie du nouveau-né prématuré et à terme. Aspects maturatifs et glossaire. Neurophysiologie Clinique 2010;40:59–124. https://doi.org/10.1016/j.neucli.2010.02.002.
[8] Lamblin MD, André M, Auzoux M, Bednarek N, Bour F, Charollais A, et al. Indications de l'électroencéphalogramme en période néonatale: Recommandations du groupe de neurophysiologie clinique de l'enfant. Archives de Pédiatrie 2004;11:829–33. https://doi.org/10.1016/J.ARCPED.2004.01.031.
[9] Lamblin MD, André M. Électroencéphalogramme du nouveau-né à terme. Aspects normaux et encéphalopathie hypoxo-ischémique. Neurophysiologie Clinique 2011;41:1–18. https://doi.org/10.1016/j.neucli.2010.12.001.
[10] Wallois F. Synopsis de la maturation des activités cérébrales chez le nouveau-né prématuré. Neurophysiologie Clinique 2010;40:125–6. https://doi.org/10.1016/j.neucli.2010.02.001.
[11] Le Bihannic A, Beauvais K, Busnel A, De Barace C, Furby A. Prognostic value of EEG in very premature newborns. vol. 97. 2012. https://doi.org/10.1136/adc.2010.204735.
[12] Kong AHT, Lai MM, Finnigan S, Ware RS, Boyd RN, Colditz PB. Background EEG features and prediction of cognitive outcomes in very preterm infants: A systematic review. Early Hum Dev 2018;127:74–84. https://doi.org/10.1016/J.EARLHUMDEV.2018.09.015.
[13] Letzkus L, Picavia R, Lyons G, Brandberg J, Qiu J, Kausch S, et al. Heart rate patterns predicting cerebral palsy in preterm infants. Pediatric Research 2023 2023:1–7. https://doi.org/10.1038/s41390-023-02853-2.
[14] Lundberg S, information SL-A in neural, 2017 undefined. A unified approach to interpreting model predictions. ProceedingsNeuripsCcSM Lundberg, SI LeeAdvances in Neural Information Processing Systems, 2017•proceedingsNeuripsCc n.d.
[15] Guillot M, Sebastianski M, Lemyre B. Comparative performance of head ultrasound and MRI in detecting preterm brain injury and predicting outcomes: A systematic review. Acta Paediatr 2021;110:1425–32. https://doi.org/10.1111/APA.15670.
[16] Anderson PJ, Treyvaud K, Neil JJ, Cheong JLY, Hunt RW, Thompson DK, et al. Associations of Newborn Brain Magnetic Resonance Imaging with Long-Term Neurodevelopmental Impairments in Very Preterm Children. J Pediatr 2017;187:58-65.e1. https://doi.org/10.1016/J.JPEDS.2017.04.059.
[17] Crilly CJ, Haneuse S, Litt JS. Predicting the outcomes of preterm neonates beyond the neonatal intensive care unit: What are we missing? n.d. https://doi.org/10.1038/s41390-020-0968-5.
[18] Baker S, Kandasamy Y. Machine learning for understanding and predicting neurodevelopmental outcomes in premature infants: a systematic review. Pediatric Research 2022 93:2 2022;93:293–9. https://doi.org/10.1038/s41390-022-02120-w.
[19] Pillay K, Dereymaeker A, Jansen K, Naulaers G, De Vos M. Applying a data-driven approach to quantify eeG maturational deviations in preterms with normal and abnormal neurodevelopmental outcomes n.d. https://doi.org/10.1038/s41598-020-64211-0.
[20] Wang X, Trabatti C, Weeke L, Dudink J, Swanenburg De Veye H, Eijsermans RMJC, et al. Articles Early qualitative and quantitative amplitude-integrated electroencephalogram and raw electroencephalogram for predicting long-term neurodevelopmental outcomes in extremely preterm infants in the Netherlands: a 10-year cohort study 2023. https://doi.org/10.1016/S2589-7500(23)00198-X.
[21] Sorreau L, Decara B, Hazard MC, Szikora A, Fossoud C, Degremont D, et al. Mise au point et recherche de validation d'un outil de repérage des troubles d'apprentissage en classe de CE1. Développements 2015;n° 16-17:61–75. https://doi.org/10.3917/devel.016.0061.
[22] Reseau RAFAEL - suivi à 7 ans n.d. https://www.reseauperinatallorrain.fr/app/download/21615595/Evaluation+7+ans+definitif.pdf (accessed March 23, 2024).
[23] Lamblin MD, André M, Auzoux M, Bednarek N, Bour F, Charollais A, et al. Indications of electroencephalogram in the newborn. Archives de Pediatrie 2004;11:829–33. https://doi.org/10.1016/j.arcped.2004.01.031.
[24] Pan J, Tompkins WJ. A Real-Time QRS Detection Algorithm. IEEE Trans Biomed Eng 1985;BME-32:230–6. https://doi.org/10.1109/TBME.1985.325532.
[25] Niskanen J-P, Tarvainen MP, Ranta-aho PO, Karjalainen PA. Software for advanced HRV analysis. Comput Methods Programs Biomed 2004;76:73–81. https://doi.org/10.1016/J.CMPB.2004.03.004).
[26] Rousseau F, Oubel E, Pontabry J, Schweitzer M, Studholme C, Koob M, et al. BTK: An Open-Source Toolkit for Fetal Brain MR Image Processing 2012. https://doi.org/10.1016/j.cmpb.2012.08.007.
[27] Uus AU, Kyriakopoulou V, Makropoulos A, Fukami-Gartner A, Cromb D, Davidson A, et al. BOUNTI: Brain vOlumetry and aUtomated parcellatioN for 3D feTal MRI n.d. https://doi.org/10.1101/2023.04.18.537347.
[28] Makropoulos A, Robinson EC, Schuh A, Wright R, Fitzgibbon S, Bozek J, et al. The Developing Human Connectome Project: a Minimal Processing Pipeline for Neonatal Cortical Surface Reconstruction Europe PMC Funders Group. Neuroimage 2018;173:88–112. https://doi.org/10.1101/125526.
[29] Guillou J, Duprez J, Nabbout R, Kaminska A, Napuri S, Gomes C, et al. Interhemispheric coherence of EEG rhythms in children: Maturation and differentiation in corpus callosum dysgenesis. Neurophysiol Clin 2024;54. https://doi.org/10.1016/J.NEUCLI.2024.102981.
[30] Kuchenbuch M, Benquet P, Kaminska A, Roubertie A, Carme E, de Saint Martin A, et al. Quantitative analysis and EEG markers of KCNT1 epilepsy of infancy with migrating focal seizures. Epilepsia 2019;60:20–32. https://doi.org/10.1111/epi.14605.