Les nouveaux-nés prématurés sont vulnérables à des complications comme l’hyperbilirubinémie néonatale et le sepsis tardif (LOS), posant des défis importants dans les unités de soins intensifs néonatals (USIN). Malgré les avancées en matière de soins, la détection précoce et la gestion efficace de ces affections restent complexes. Cette thèse, basée sur l’étude CARESS-Premi (NCT01611740), vise à développer des techniques avancées de traitement des données et des modèles interprétables d’apprentissage automatique afin d’améliorer la prise de décision en USIN, via des systèmes de surveillance non invasifs, continus et en temps réel. Les principales contributions comprennent : (i) une chaîne optimisée de traitement des signaux pour l’analyse ECG en conditions réelles, adaptée aux USIN; (ii) un modèle mathématique patient-spécifique pour la caractérisation de la dynamique postnatale de la bilirubine, avec des paramètres comme biomarqueurs potentiels pour détecter les comorbidités associées ; (iii) une estimation non invasive de la bilirubine utilisant des modèles d’apprentissage automatique à effets mixtes intégrant l’analyse de la variabilité de la fréquence cardiaque (HRV) et des informations physiologiques ; (iv) des modèles pour la détection précoce du LOS via l’analyse de la HRV ; (v) la conception, le déploiement et l’évaluation préliminaire d’un système d’aide à la décision clinique (CDSS) on-the-edge, intégrant du traitement des signaux en quasi-temps réel et des modèles d’inférence dans un contexte USIN. Ces résultats démontrent le potentiel du traitement avancé des signaux physiologiques combiné à l’apprentissage automatique pour optimiser les soins néonatals.