Recherche actuelle
Recherche actuelle
Mon postdoctorat au Laboratoire de Mathématiques Blaise Pascal porte sur la modélisation statistique et le machine learning appliqués à des données physiologiques complexes, en collaboration avec la startup IPA et le CNEA. Mes travaux s'organisent autour de trois axes.
Quantification d'incertitude et prédiction conforme. Je développe des méthodes de conformal prediction pour l'aide à la décision, afin de produire des prédictions assorties d'intervalles d'incertitude valides sans hypothèse distributionnelle et non-asymptotiquement.
Machine learning interprétable. Je m'intéresse aux méthodes d'explication post-hoc, en particulier les valeurs de Shapley, pour identifier les déterminants physiologiques sous-jacents aux prédictions et rendre les modèles exploitables par des experts métier.
Modélisation statistique de dynamiques temporelles. Modèles mixtes hiérarchiques et modèles additifs généralisés pour décrire la cinétique d'évolution de variables physiologiques et leurs effets non linéaires.
En juin 2026, j'ai présenté nos travaux aux 57es Journées de la Statistiques:
E. Zabeth, P. Druilhet, N. Azzaoui & O. Brachet, Hypoxie et paramètres cardiaques : une analyse prédictive interprétable par valeurs de Shapley, Actes des 57èmes Journées de Statistique de la SFdS, Clermont-Ferrand (2026).
En décembre 2026, je ferai une présentation lors de la conférence CFE-CMStatistics:
Conformalized Quantile Prediction of Oxygen Saturation for Individualized Altitude Acclimatisation in Elite Athletes, CMStatistics, Berlin (2026)