Série de Séminaires de Recherche Telfer - Timothy Chan

***Étudiants et étudiantes à la maîtrise ès sciences : cet événement peut compter parmi les six séminaires de recherche auxquels vous devez assister (MHS6991 ou MGT6991).***

Timothy Chan, PhD

Chaque année, des millions de nouveau-nés prématurés ont besoin de lait maternel, l’aliment le plus favorable à leur croissance. À cette fin, des banques de lait maternel récoltent les dons, les traitent et les distribuent. Or, l’apport du lait en macronutriments, essentiels au développement du cerveau, est très variable; par conséquent, il faut combiner de nombreux échantillons pour obtenir un produit suffisamment riche. Or, la moitié des banques de lait en Amérique du Nord ne disposent pas des ressources nécessaires pour mesurer la teneur en macronutriments. Elles mélangent donc les échantillons de manière heuristique.

Nous proposons un cadre axé sur des données, qui conjugue l’apprentissage machine et l’optimisation, en vue de prédire la teneur en macronutriments de chaque échantillon de lait pour composer un produit idéal. Nous recueillons un ensemble de données sur les échantillons remis à notre banque de lait partenaire pour alimenter nos modèles de prédiction. Nous reproduisons rigoureusement les pratiques des banques de lait pour perfectionner nos modèles d’optimisation et évaluer des scénarios opérationnels, comme les modifications observées dans les habitudes des donneuses lors de la pandémie de COVID-19. Enfin, nous déployons un essai pilote auprès de personnel infirmier qui s’étendra sur une année, afin d’observer les pratiques actuelles, puis les pratiques appliquées après notre intervention. Les mélanges d’échantillons produits selon notre méthode atteignent la teneur cible en macronutriments de 23 % à 50 % plus souvent en comparaison avec les données de référence, et la sélection des échantillons prend 67 % moins de temps.

Dans l’ensemble des recherches publiées sur le sujet, cet article est le premier à traiter d’apprentissage machine conjugué aux méthodes d’optimisation. Nous démontrons la faisabilité de la méthode et les améliorations considérables par rapport aux pratiques courantes. Nos observations serviront également pour toutes les applications où l’apprentissage machine et l’optimisation peuvent mieux orienter la prise de décisions.