Passer au contenu

/ Consortium Santé Numérique

Je donne

Rechercher

Navigation secondaire

Équipe soutien et conseil en santé numérique (ÉSSN)

Nos spécialistes de données en santé soutiennent la mise en œuvre de projets fédérateurs en santé numérique et veillent au transfert de connaissances entre les membres du Consortium Santé Numérique.

Vous êtes chercheuse ou chercheur en santé dans l’écosystème UdeM ? Consultez nos spécialistes de données pour vos projets en santé numérique 

Services

Évaluation et structuration des données pour en assurer une pleine exploitation. Mise en place d’une architecture de données moderne pour accélérer la prise de décisions.

Solutions IA personnalisées et adaptées pour des données en santé structurées et non-structurées.

Formation et supervision technique visant à rendre les équipes de recherche autonomes pour la gestion et l’exploitation de données.

Révision de documents scientifiques : présentations et publications scientifiques, demandes de subvention de projets de recherche et d’infrastructures.

Analyse bibliométrique pour promouvoir la collaboration et la synergie au sein de l’écosystème par l’extraction, la gestion et la visualisation des données.  

 

Spécialistes

Kamran Afzali

Conseiller principal recherche - spécialiste de données

kamran.afzali@umontreal.ca

Domaine d'expertise - Sciences sociales

Psychologue quantitatif et scientifique des données, Kamran a obtenu son doctorat en psychologie et poursuivi ses études postdoctorales sur l'application des méthodes computationnelles en neurosciences. Fort de sa formation en sciences sociales et humaines, il se passionne pour le développement de solutions en santé numérique abordables et responsables, allant de l'analyse avancée à la mise en œuvre de tableaux de bord interactifs. Il est également motivé par l'intégration des principes FAIR dans le contexte des données du cerveau afin de promouvoir une recherche de haute qualité et reproductible. 

Khedidja Seridi

Conseillère principale recherche - spécialiste de données

khedidja.seridi@umontreal.ca

Domaine d'expertise - Informatique

Titulaire d’un PhD en informatique, Khedidja possède plusieurs années d’expérience en développement de solution en recherche opérationnelle et en science des données. Durant son PhD, Khedidja a travaillé sur l’analyse des données génomiques, notamment les données d’expression génétique, et cela en utilisant des approches de data mining et d’optimisation. Elle a également contribué à une variété de projet qui portent sur l’analyse de données et la prise de décision dans le domaine du transport et de la logistique.

Pascale Béliveau

Conseillère principale recherche - spécialiste de données

pascale.beliveau@umontreal.ca

Domaine d'expertise - Génie biomédical

Ingénieure en génie logiciel, Pascale s’est spécialisée en ingénierie biomédicale en poursuivant ses études supérieures en imagerie médicale à Polytechnique Montréal et au National Institute of Health. Elle est motivée par les avancées en intelligence artificielle et est impliquée en tant que membre organisatrice de la communauté de pratique IA en Santé initié au CR-CHUM.  

Yves Terrat

Conseiller principal recherche - spécialiste de données

yves.terrat@umontreal.ca

Domaine d'expertise - Génétique

Généticien et microbiologiste de formation, Yves s’est spécialisé dans la manipulation de données massives de type “omiques”. Il s’intéresse maintenant à tous les aspects techniques liés à la santé numérique comme le développement d'algorithmes d’intelligence artificielle ou la gestion des données de recherche. Au-delà de ces aspects techniques, il s’implique activement dans la diffusion des principes de science ouverte dans la communauté des chercheur.e.s en santé numérique au Québec.  

Expertises

Développement d'applications : C++/C/C#, Java et Python

Développement d'applications web : PHP, Python, R, HTML, CSS et Javascript

Développement d'interfaces utilisateur : Matlab, Qt, Shiny 

Conception et développement de bases de données : PostgreSQL et MySQL

Gestion et analyse des données massives : Spark, Spark SQL

Apprentissage machine : Tensorflow, Keras, Pytorch, Scikit-learn, Tidymodels

Outils d'imagerie : ImageJ, FIJI, 3DSlicer, Osirix, Nilearn

Statistiques : R, Matlab, Mplus et IBM SPSS 

Analyse des données omiques : Assemblage de novo et guidés, mapping, analyses statistiques comparatives de gènes, génomes ou voies métaboliques