Aifred Health
Contacter

Combiner sciences et technologies

L’objectif d’Aifred est de combiner l’apprentissage machine et les données du monde réel selon une approche novatrice.

Des ensembles de données cliniques de haute qualité sont utilisés - issus de réponses à des questionnaires soumis aux patients qui participent à des essais cliniques concernant différents traitements. Notre solution ne nécessite aucun test long ni coûteux, ce qui nous permet de mettre en place l’outil dans les cliniques et de l’adapter rapidement ; et ainsi d’améliorer la qualité des soins tout en réduisant les coûts. À problème global, solution globale, et c’est en concevant des versions adaptées de notre modèle d’IA que nous parviendrons à répondre à ce besoin global. AI model will enable us to meet this global need.

Nos recherches publiées

Nous avons établi différents partenariats de collaboration en recherche (États-Unis, Israël, Canada et Royaume-Uni) pour faire progresser nos travaux et sommes attachés aux principes d’innovation libre dans les domaines de la science fondamentale et de rigueur à travers les processus d’examen par les pairs.

Notre technologie repose également sur une approche globale. Outre la dépression, elle pourra être adaptée et appliquée à de nombreuses autres maladies dans le monde, pour lesquelles le choix des traitements représente un défi.

Nous testons rigoureusement nos modèles, afin d’éviter la diffusion d’évaluations biaisées, et expérimentons de nouvelles approches d’interprétation - deux démarches qui sont au cœur de notre engagement en faveur de l’éthique de l’intelligence artificielle.

Éthique de l’intelligence artificielle (4)

  • Golden, G., Popescu, C., Israel, S., Perlman, K., Armstrong, C., Fratila, R., Tanguay-Sela, M., Benrimoh, D. Applying artificial intelligence to clinical decision support in mental health: What have we learned? Health Policy and Technology, Volume 13, Issue 2, 2024, 100844, ISSN 2211-8837, https://doi.org/10.1016/j.hlpt.2024.100844.

  • Benrimoh D, Israel S, Fratila R, Armstrong C, Perlman K, Rosenfeld A, Kapelner A. Editorial: ML and AI Safety, Effectiveness and Explainability in Healthcare. . Front Big Data. 2021 Jul 12;4:727856. doi: 10.3389/fdata.2021.727856. PMID: 34322667; PMCID: PMC8312342.

  • Benrimoh, D., Israel, S., Perlman, K., Fratila, R., & Krause, M. (2018). Meticulous Transparency —An Evaluation Process for an Agile AI Regulatory Scheme . In M. Mouhoub, S. Sadaoui, O. Ait Mohamed, & M. Ali (Eds.), Recent Trends and Future Technology in Applied Intelligence (pp. 869 –880). Springer International Publishing.

  • A new role for the private sector in responsible innovation. David E. Winickoff , Sebastian M. Pfotenhauer , Nina Frahm, David Benrimoh, Hermann Garden, Judy Iles, Thomas R. Insel, Gary E. Marchant (In press, Nature Biotechnology)

Psychiatry (4)

  • Qassim, S., Golden, G., Slowey, D., Sarfas, M., Whitmore, K., Perez, T., Strong, E., Lundrigan, E., Fradette, M.J., Baxter, J., Desormeau, B., Tanguay-Sela, M., Popescu, C., Israel, S., Perlman, K., Armstrong, C., Fratila, R., Mehltretter, J., Looper, K., Steiner, W., Rej, S., Karp, J.F., Heller, K., Parikh, S.V., McGuire-Snieckus, R., Ferrari, M., Margolese, H., Benrimoh, D. A mixed-methods feasibility study of a novel AI-enabled, web-based, clinical decision support system for the treatment of major depression in adults, Journal of Affective Disorders Reports, Volume 14, 2023, 100677, ISSN 2666-9153, https://doi.org/10.1016/j.jadr.2023.100677.

  • Popescu C, Golden G, Benrimoh D, Tanguay-Sela M, Slowey D, Lundrigan E, Williams J, Desormeau B, Kardani D, Perez T, Rollins C, Israel S, Perlman K, Armstrong C, Baxter J, Whitmore K, Fradette MJ, Felcarek-Hope K, Soufi G, Fratila R, Mehltretter J, Looper K, Steiner W, Rej S, Karp JF, Heller K, Parikh SV, McGuire-Snieckus R, Ferrari M, Margolese H, Turecki G. Evaluating the Clinical Feasibility of an Artificial Intelligence-Powered, Web-Based Clinical Decision Support System for the Treatment of Depression in Adults: Longitudinal Feasibility Study. JMIR Form Res. 2021 Oct 25;5(10):e31862. doi: 10.2196/31862. Erratum in: JMIR Form Res. 2024 Jan 24;8:e56570. doi: 10.2196/56570. PMID: 34694234; PMCID: PMC8576598.

  • Perlman, K., Benrimoh, D., Israel, S., Rollins, C., Brown, E., Tunteng, J.F., You, R., You, E., Tanguay-Sela, M., Snook, E. and Miresco, M., 2019. A systematic meta-review of predictors of antidepressant treatment outcome in major depressive disorder. Journal of affective disorders, 243, pp.503-515.

  • Snook, E., Perlman, K., Brown, E.H., Langlois-Therien, T., Benrimoh, D., Tanguay-Sela, M., Rollins, C., You, E. and Berlim, M.T., 2021. A systematic meta-review of predictors of adverse effect development in response to antidepressant medications. University of Toronto Medical Journal, 98(2).

Intelligence artificielle (8)

  • Perlman, K., Mehltretter, J., Benrimoh, D., Armstrong, C., Fratila, R., Popescu, C., Tunteng, J.F., Williams, J., Rollins, C., Golden, G., Turecki, G. Development of a differential treatment selection model for depression on consolidated and transformed clinical trial datasets.Transl Psychiatry 14, 263 (2024). https://doi.org/10.1038/s41398-024-02970-4.

  • Benrimoh, D., Tanguay-Sela, M., Perlman, K., Israel, S., Mehltretter, J., Armstrong, C., ... Margolese, H. (2021). Using a simulation centre to evaluate preliminary acceptability and impact of an artificial intelligence-powered clinical decision support system for depression treatment on the physician–patient interaction. BJPsych Open, 7(1), E22.

  • Mehltretter, J., Fratila, R., Benrimoh, D. A., Kapelner, A., Perlman, K., Snook, E., … Turecki, G. (2020). Differential Treatment Benefit Prediction for Treatment Selection in Depression: A Deep Learning Analysis of STAR*D and CO-MED Data. Computational Psychiatry, 4, 61–75.

  • Tanguay-Sela, M., Benrimoh, D., Perlman, K., Israel, S., Mehltretter, J., Armstrong, C., Fratila, R., Parikh, S., Karp, J., Heller, K. and Vahia, I., 2020. Evaluating the Usability and Impact of an Artificial Intelligence-Powered Clinical Decision Support System for Depression Treatment. Biological Psychiatry, 87(9), p.S171.

  • Desai S, Tanguay-Sela M, Benrimoh D, Fratila R, Brown E, Perlman K, John A, Del Pozo Baños M, Low N, Israel S, Palladini L, Turecki G. (2019). Prediction of Suicidal Ideation in the Canadian Community Health Survey - Mental Health Component Using Deep Learning. Pre-print.

  • Mehltretter J, Rollins C, Benrimoh D, Perlman K, Fratila R, Israel S, Wakid M, Miresco M, Turecki G. (2019). Analysis of Features Selected by a Deep Learning Model for Differential Treatment Selection in Depression. Frontiers in Artificial Intelligence, 2, 31.

  • Rosenfeld, A., Benrimoh, D., Armstrong, C., Mirchi, N., Langlois-Therrien, T., Rollins, C., Tanguay-Sela, M., Mehltretter, J., Fratila, R., Israel, S. and Snook, E., 2021. Big Data analytics and artificial intelligence in mental healthcare. In Applications of Big Data in Healthcare (pp. 137-171). Academic Press.

  • Benrimoh D., Fratila R., Israel S., Perlman K., Mirchi N., Rosenfeld A., Knappe S., Behrmann J., Rollins C., You RP. (2018). ‘Aifred Health’, a Deep Learning-Powered Clinical Decision Support System for Mental Health. The Springer Series on Challenges in Machine Learning. Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017) Competition Track.

© 2025 Aifred Santé. Tous droits réservés.