Thèse Révéler la Conscience Cachée dans le Coma Analyse par Apprentissage Automatique de Biomarqueurs Eeg Induits par Stimulation Somesthésique H/F - Université de Bordeaux

Établissement : Université de Bordeaux
École doctorale : Mathématiques et Informatique
Laboratoire de recherche : LaBRI - Laboratoire Bordelais de Recherche en Informatique
Direction de la thèse : Sébastien RIMBERT ORCID 0000000233147231
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

Chaque année, des milliers de patients sont admis en neuroréanimation dans un état de coma après une lésion cérébrale sévère. L'évaluation de leur niveau de conscience repose principalement sur des observations comportementales. Pourtant, des travaux récents montrent qu'une proportion significative de patients apparemment non-répondants présentent en réalité une activité cérébrale volontaire détectable uniquement par des techniques neurophysiologiques avancées, suggérant qu'ils sont en fait conscients. Ce phénomène, appelé dissociation cognitivo-motrice (Cognitive Motor Dissociation, CMD), constitue aujourd'hui un défi majeur pour la médecine de réanimation (Bodien et al., 2024).
L'incapacité à détecter ces formes de conscience non exprimée peut conduire à une sous-estimation du potentiel de récupération neurologique et influencer les décisions thérapeutiques en neuroréanimation. Cette thèse propose de développer une approche innovante combinant la stimulation somesthésique du nerf médian, une analyse EEG avancée et des méthodes d'apprentissage automatique afin de détecter des signatures cérébrales associées à la dissociation cognitivo-motrice chez des patients dans le coma. En effet, l'analyse directe de l'activité cérébrale constitue une approche prometteuse pour identifier des signes d'engagement cognitif chez des patients non communicants. Les interfaces cerveau-ordinateur (Brain-Computer Interfaces, BCI) permettent en effet d'exploiter les signaux électroencéphalographiques (EEG) afin de détecter des signatures cérébrales associées à des processus cognitifs ou intentionnels (Wolpaw et al., 2002).
L'objectif de cette thèse est de développer de nouvelles méthodes permettant de détecter des marqueurs EEG associés à la dissociation cognitivo-motrice chez les patients cérébrolésés sévères, dans le coma. Les travaux s'appuieront sur des données EEG cliniques acquises en neuroréanimation au CHU de Bordeaux, incluant des acquisitions prospectives et des bases de données rétrospectives. La thèse combinera des approches de traitement du signal, de machine learning et d'analyse des dynamiques oscillatoires cérébrales afin de développer des modèles robustes capables de détecter des marqueurs de dissociation cognitivo-motrice dans des conditions cliniques réelles. Concrètement, ces outils pourraient permettre aux équipes de neuroréanimation de détecter précocement des signes d'activité cérébrale intentionnelle chez des patients apparemment non-répondants, d'identifier les patients présentant un potentiel de récupération neurologique plus élevé, et d'apporter des éléments objectifs supplémentaires pour guider les décisions thérapeutiques et l'orientation des soins.

Cette thèse vise à apporter plusieurs contributions scientifiques :
1. Nouveaux biomarqueurs EEG de dissociation cognitivo-motrice
2. Méthodes de machine learning robustes pour EEG clinique bruité
3. Validation en environnement hospitalier réel

Le projet sera réalisé au sein de l'équipe POTIOC (Inria Bordeaux), spécialisée dans les interfaces cerveau-ordinateur et l'apprentissage automatique appliqué aux signaux EEG.

La thèse s'appuiera sur une collaboration étroite avec le service de neuro-anesthésie et neuroréanimation du CHU Pellegrin (Bordeaux), qui fournira l'accès aux données EEG cliniques et contribuera à l'interprétation médicale des résultats.

Ce projet s'inscrit dans la continuité de plusieurs projets de recherche en cours portant sur les BCI somesthésiques et la détection d'états cognitifs latents, notamment dans les domaines de l'anesthésie et de la neuroréanimation.

Les résultats pourront également s'inscrire dans une dynamique de collaboration internationale avec des équipes travaillant sur l'analyse EEG et les interfaces cerveau-ordinateur.

L'objectif principal de cette thèse est de développer de nouvelles méthodes d'analyse EEG permettant de détecter des marqueurs neurophysiologiques associés à la dissociation cognitivo-motrice (Cognitive Motor Dissociation, CMD) chez des patients cérébrolésés sévères dans le coma.

Plus précisément, le projet vise à :

- identifier des biomarqueurs EEG reflétant une activité cérébrale intentionnelle malgré l'absence de réponse comportementale ;
- développer des méthodes de traitement du signal et de machine learning adaptées aux contraintes des données EEG cliniques ;
- concevoir des modèles robustes capables de détecter ces signatures dans des conditions réelles de neuroréanimation ;
- contribuer à l'amélioration des outils d'évaluation de la conscience et de neuro-pronostication chez les patients non communicants.

La méthodologie combinera plusieurs approches complémentaires issues du traitement du signal et du machine learning.
Les données EEG utilisées proviendront d'enregistrements cliniques réalisés en neuroréanimation au CHU de Bordeaux, incluant des acquisitions prospectives ainsi que des bases de données rétrospectives.

Le projet reposera notamment sur :

- l'analyse des réponses cérébrales induites par stimulation somesthésique du nerf médian, utilisée comme sonde fonctionnelle du système sensorimoteur ;
- l'extraction de caractéristiques EEG temporelles, fréquentielles et spatio-temporelles (réponses évoquées, modulations oscillatoires ERD/ERS) ;
- le développement de méthodes de classification adaptées aux données cliniques bruitées et peu abondantes ;
- l'évaluation de modèles d'apprentissage automatique robustes pour la détection de signatures cérébrales associées à une activité cognitive latente.

Ces méthodes seront testées et validées sur des données EEG acquises dans des conditions cliniques réelles.

Le ou la candidat(e) devra posséder :
- un master ou diplôme d'ingénieur en informatique, traitement du signal, intelligence artificielle, neurosciences computationnelles, sciences cognitives ou domaine proche
- des compétences en design d'interfaces cerveau-ordinateur
- des compétences en programmation scientifique (Python, Matlab ou équivalent)
- un intérêt pour l'analyse de données neurophysiologiques (EEG)
- un intérêt pour les applications en santé et le travail interdisciplinaire avec des cliniciens