Ons onderzoek en ontwikkeling voor medische taal
PraxySanté ontwikkelt AI-modellen voor het begrijpen van conversaties en medische taal die worden gebruikt in producten die gemakkelijk toegankelijk zijn voor zorgprofessionals en om klinisch onderzoek te versnellen.
De technologieën voor taalanalyse (NLP, neurale netwerken, deeplearning en vervolgens LLM) zijn sterk ontwikkeld in de afgelopen 15 jaar en zijn nu rijp om producten te bouwen die een nuttige, betrouwbare en beveiligde dienst verlenen aan zorgprofessionals.
Ons onderzoek en ontwikkeling werkt aan deze belangrijkste doelen :
1. Ultra-precieze spraak-naar-tekstmodellen voor het medische domein en een sterke herhaalbaarheid van de door LLM gegenereerde samenvattingen
Praxy.ai trainde zijn eigen spraak-naar-tekstmodellen op het complete medische vocabulaire per taal, meer dan 170.000 medische termen, waarvoor we ongeveer 15.000 uur medische audio's hebben gemaakt
De "Large language models" zijn bijzonder geschikt voor het samenvatten van lange teksten of conversaties. Echter zijn hun resultaten niet van nature nauwkeurig, herhaalbaar en niet in het verwachte formaat. Ons onderzoek en ontwikkeling ontwikkelt de beste praktijken voor het opnieuw trainen en controleren van resultaten om betrouwbare resultaten in de tijd en continue verbetering te garanderen
2. De extractie van gestructureerde gegevens uit medische taal en automatische codering (CIM, LOINC, SNOMED, CCAM, OMOP, ..)
Om zorg en onderzoek in het echte leven te verbinden.
3. Het gebruik van taalmodellen in onze infrastructuur
Om te voldoen aan de HDS-conformiteit, met een optimalisatie van de operationele kosten, investeren we in de optimalisatie van grote taalmodellen voor audio-transcriptie en tekstanalyse, databases
Ontdek onze wetenschappelijke artikelen
Om meer te weten te komen over de door Praxy.ai ontwikkelde modellen
Systeem tegen hallucinaties om de feitelijke inhoud van door AI gegenereerde medische dossiers te garanderen
CORIA TALN beste paper award en gepubliceerd in ACL Anthology
ASR_T5_hybrid_dua
l_encoder_model
_publication.pdf
ASR-LLM Hybride Dual encoder voor medische spraakherkenning van hoge precisie
Een multidisciplinair team uit de gezondheidszorg, AI en softwareontwikkeling en -advies
Damien Forest, CEO & CTO
Damien heeft een loopbaan van 15 jaar in technologie-startups, advies en industrie, met name gemarkeerd door de ontwikkeling van een bedrijf voor autonome robotica (Rovenso), het leiden van de operaties van een WaterTech-bedrijf (Castalie) en onlangs de transformatie van een businessunit in de gezondheidsdiensten (La Poste Santé & Autonomie).
Nadège Alavoine
AI-tech lead
Expert in natuurlijke taalverwerking met een medische achtergrond, Nadège is de architect van verschillende van onze AI-modellen
Benoit Fage,
Full stack engineer, lead back end
Benoit is gepassioneerd door techniek en heeft ervaring in softwareontwikkeling in de energiesector en cybersicherheid.
Julien Paul Vedani,
Advisor patiëntrelaties
Doctor in de wiskunde en actuaris, Julien is ook voorzitter van een patiëntenvereniging met MS. Hij heeft een diploma in democratie en gezondheidszorg - medicijnen - patiëntpartnerschap en helpt ons bij het ontwerpen van producten die patiënten betrekken
Mikael Chelli, Orthopedisch chirurg, co-producteigenaar
Mikael is zowel praktiserend arts (orthopedisch chirurg en traumatoloog) bij ICR als ondernemer en oprichter van de startup Easymedstat die klinisch onderzoek vergemakkelijkt.
Jorge Korgut, Full stack engineer
Jorge is zeer veelzijdig en ontwikkelt onze applicaties voor mobiliteit en videoconferencing
Ons Aouina
AI-wetenschapper
Haar postdoctoraal onderzoek richtte zich op het verbeteren van de psychiatrische zorg door nauwkeurig te identificeren en bij te houden van gegevens van patiënten met een geestelijke gezondheidsstoornis in medische rapporten met behulp van semantische annotatie
Souhir Khessiba
AI-wetenschapper
Onderzoeker wetenschapper en Doctor in de Informatie- en Communicatietechnologie, gespecialiseerd in kunstmatige intelligentie, signaalverwerking en optimalisatie van hyperparameters voor deep learning-netwerken toegepast op biomedische signalen, met speciale aandacht voor de analyse van EEG's en spatio-temporele signalen gerelateerd aan artrose van de knie en de ziekte van Parkinson.
Rashedur Rahman,
Senior AI Scientist
Augustin is veelzijdig en gespecialiseerd in front-end ontwikkeling, met succesvolle ervaringen in de ontwikkeling van een websoftware voor het besturen van autonome robots, of een oplossing voor het verbeteren van de energiedoeltreffendheid