Université de Rennes 1 Fouille de texte et extraction d'informations dans les données cliniques Text mining and information extraction in clinical data TALNétiquetage de séquencenégationincertitudeclassification multi-étiquettetextes cliniques NLPsequence labelingnegationspeculationmulti-label classificationclinical narratives Exploration de données Avec la mise en place d'entrepôts de données cliniques, de plus en plus de données de santé sont disponibles pour la recherche. Si une partie importante de ces données existe sous forme structurée, une grande partie des informations contenues dans les dossiers patients informatisés est disponible sous la forme de texte libre qui peut être exploité pour de nombreuses tâches. Dans ce manuscrit, deux tâches sont explorées~: la classification multi-étiquette de textes cliniques et la détection de la négation et de l'incertitude. La première est étudiée en coopération avec le centre hospitalier universitaire de Rennes, propriétaire des textes cliniques que nous exploitons, tandis que, pour la seconde, nous exploitons des textes biomédicaux librement accessibles que nous annotons et diffusons gratuitement. Afin de résoudre ces tâches, nous proposons différentes approches reposant principalement sur des algorithmes d'apprentissage profond, utilisés en situations d'apprentissage supervisé et non-supervisé. With the introduction of clinical data warehouses, more and more health data are available for research purposes. While a significant part of these data exist in structured form, much of the information contained in electronic health records is available in free text form that can be used for many tasks. In this manuscript, two tasks are explored: the multi-label classification of clinical texts and the detection of negation and uncertainty. The first is studied in cooperation with the Rennes University Hospital, owner of the clinical texts that we use, while, for the second, we use publicly available biomedical texts that we annotate and release free of charge. In order to solve these tasks, we propose several approaches based mainly on deep learning algorithms, used in supervised and unsupervised learning situations. Electronic Thesis or DissertationText fr application/pdf1 : 1441 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/b309a5c9-02f0-41b3-b4ee-c2efbb218593 Dalloux Clément 1990-02-03 FR 188274065 cdalloux@gmail.com 2020REN1S050 http://www.theses.fr/2020REN1S050 2020-12-07 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiClaveauVincentintervenant_1075988216 MATHSTICecoleDoctorale_1 204770424 IRISA partenaireRecherche_1 026386909 ddc:004 ClaveauVincentUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) IRISA ASCII PDF 1475202