STAGE - Ingénieur.e Recherche inférence causale (F/H) Groupe Talents Handicap

Dassault Systèmes, l'entreprise de la 3DEXPERIENCE, est un « accélérateur de progrès humain ». Elle propose aux entreprises et aux particuliers des environnements virtuels collaboratifs qui leur permettent d'imaginer des innovations plus durables. En développant un jumeau virtuel du monde réel, grâce à la plateforme 3DEXPERIENCE et à ses applications, Dassault Systèmes donne à ses clients les moyens de repousser les limites de l'innovation, de l'apprentissage et de la production.

Les 20000 collaborateurs de Dassault Systèmes travaillent à créer de la valeur pour nos 270000 clients de toutes tailles, dans toutes les industries, dans plus de 140 pays. Pour plus d'informations, visitez notre site www.3ds.com/fr

Lieu du stage : Valbonne (Sophia-Antipolis, 06)

Au sein du département Corporate Strategy & Research, vous intégrerez l'équipe « Clinical Decision », au sein d'un département riche de compétences en médecine, biologie, mathématique et informatique, et qui conduit plusieurs projets en oncologie, neurologie et cardiologie.

Dans le cadre de la diversification de nos activités en santé, ce stage s'inscrit dans le prolongement direct de travaux déjà engagés sur l'inférence causale : il s'agira désormais de coupler ces méthodes à la construction de jumeaux numériques (digital twins) de patients, afin d'enrichir l'estimation et la simulation de l'effet d'un traitement. Vous serez responsable de la mise en place de méthodes statistiques et de Machine Learning permettant :

• de mesurer l'effet causal d'un traitement ou d'une intervention sur un outcome prédéfini,
• de simuler les trajectoires individuelles de patients sous différents scénarios contrefactuels de traitement à l'aide de jumeaux numériques,
• de quantifier mathématiquement cet effet à l'échelle individuelle et de sous-populations,
• et d'interpréter et de conclure statistiquement sur le résultat de cette analyse.

Le but de ce stage sera d'articuler deux familles de méthodes complémentaires - l'inférence causale et les jumeaux numériques - afin de constituer une boucle de rétroaction entre la stratification des patients et la simulation de leurs trajectoires sous traitement, comme le décrit la littérature récente [Ruhrberg Estévez, Peck, McKinney et al. (2026)].

Vos missions

Dans un premier temps, vous prolongerez le travail déjà réalisé sur l'inférence causale en vous appuyant notamment sur les approches d'estimation d'effets de traitement hétérogènes (CATE), telles que l'équilibrage de la représentation (representation balancing) [Johansson, Shalit et Sontag (2016)], les approches antagonistes (adversarial) [Yoon, Jordon et Van Der Schaar (2018)], ou encore les forêts causales [Athey et Wager (2019)].

Dans un second temps, vous étudierez et implémenterez des méthodes de jumeaux numériques permettant d'estimer les résultats contrefactuels à partir de données longitudinales, par exemple l'approche SyncTwin [Qian, Zhang, Bica, Wood et van der Schaar (2021)], et vous explorerez leur usage pour la construction de bras de contrôle synthétiques ou hybrides, ainsi que pour la poursuite de la simulation de la trajectoire des patients sortis d'étude.

Vous serez en charge d'appliquer et de combiner ces approches sur un cas clinique et d'apporter une analyse statistique et critique de ces différentes méthodes. Un exemple d'application clinique à mettre en place lors du stage sera lié à l'analyse causale de l'effet d'un traitement sur le risque d'évènement clinique en oncologie, en s'appuyant sur les sous-groupes identifiés par inférence causale pour guider la simulation par jumeaux numériques.

Votre contribution consistera à :

• Effectuer un état de l'art des méthodes d'inférence causale et de jumeaux numériques (digital twins) appliquées à l'estimation d'effets de traitement ;
• Prendre en main la base de données de patients qui sera utilisée lors du stage, la nettoyer et réaliser des études descriptives des données ;
• Implémenter (en langage Python) une ou plusieurs méthodes d'inférence causale existantes pour répondre au problème posé ;
• Implémenter une ou plusieurs approches de jumeaux numériques permettant de simuler les trajectoires individuelles et les scénarios contrefactuels des patients ;
• Coupler les deux approches en une boucle de rétroaction : utiliser les sous-groupes issus de l'inférence causale pour cibler les trajectoires à simuler, puis réinjecter les sorties de simulation pour affiner l'estimation de l'effet du traitement ;
• Appliquer et comparer les méthodes sur ces données, et apporter une analyse critique de leurs hypothèses, de leur robustesse et de leurs limites (confusion résiduelle, recouvrement, mauvaise spécification, décalage de distribution) ;
• À la suite de ces résultats, mettre en place une nouvelle méthodologie combinant inférence causale et jumeaux numériques (i.e. définition et implémentation) spécifique au cas clinique étudié, et la comparer aux méthodes existantes de la littérature ;
• Rédiger une synthèse des résultats obtenus.

Références

[Ruhrberg Estévez, Peck, McKinney et al. (2026)] Silas Ruhrberg Estévez, Richard Peck, Eoin McKinney et al. « Causal inference and digital twins: a roadmap for the future of clinical trials ». In: npj Digital Medicine (2026).

[Johansson, Shalit et Sontag (2016)] Fredrik Johansson, Uri Shalit, and David Sontag. « Learning representations for counterfactual inference ». In: International conference on machine learning. PMLR. 2016, pp. 3020-3029.

[Yoon, Jordon et Van Der Schaar (2018)] Jinsung Yoon, James Jordon, and Mihaela Van Der Schaar. « GANITE: Estimation of individualized treatment effects using generative adversarial nets ». In: International conference on learning representations. 2018.

[Qian, Zhang, Bica, Wood et van der Schaar (2021)] Zhaozhi Qian, Yao Zhang, Ioana Bica, Angela Wood, and Mihaela van der Schaar. « SyncTwin: Treatment Effect Estimation with Longitudinal Outcomes ». In: Advances in Neural Information Processing Systems, vol. 34, pp. 3178-3190, 2021.

[Athey et Wager (2019)] Susan Athey and Stefan Wager. « Estimating Treatment Effects with Causal Forests: An Application ». In: Observational Studies 5, pp. 37-51, 2019.

Vos qualifications

Actuellement en Master 2 / Bac+5 en Ecole d'ingénieur ou Université, vous recherchez un stage entre 5 et 6 mois.

Compétences techniques souhaitées :

• Biostatistiques / Statistiques / Mathématiques appliquées ;
• Machine learning / Deep learning ;
• Modélisation de données longitudinales et/ou de survie (un plus) ;
• Langage Python ;
• Anglais courant ;
• Une connaissance en biologie et/ou en médecine est un plus.
  Compétences professionnelles souhaitées :
• Autonomie
• Motivation
• Esprit critique et d'initiative
• Bon sens de la communication

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au cœur de l'innovation technologique, portée par une forte croissance depuis plus de 40 ans.

Principaux avantages et bénéfices :

• Environnement collaboratif et innovant
• Collaboration internationale
• Diversité des technologies, produits et solutions
• Engagement en faveur de la diversité et de l'inclusion