Publications

Application of Transformer Neural Networks for Data Cleaning in Emergency Room Logs: A Case Study From the Bordeaux University Hospital

Russon D, Gil-Jardiné C, Marcel L, Chanel L, Faure S, Maury B, Chenais G, Lagarde E

IEEE Journal of Biomedical and Health Informatics · 29(11):8484–8496

Reconstruction par réseaux Transformer des journaux d’activité des urgences du CHU de Bordeaux, évaluée contre une référence annotée par des experts.

doi.org/10.1109/JBHI.2025.3586325 PMID 40627474 Copier la citation

Harnessing Moderate-Sized Language Models for Reliable Patient Data Deidentification in Emergency Department Records: Algorithm Development, Validation, and Implementation Study

Dorémus O, Russon D, Contrand B, Guerra-Adames A, Avalos-Fernandez M, Gil-Jardiné C, Lagarde E

JMIR AI · 4:e57828

Désidentification fiable de dossiers d’urgence par des modèles de langue assez compacts pour être déployés sur les serveurs de l’hôpital.

doi.org/10.2196/57828 PMID 40605780 Copier la citation

Evaluating pedestrian crossing safety: Implementing and evaluating a convolutional neural network model trained on paired aerial and subjective perspective images

Russon D, Guennec A, Naredo-Turrado J, Xu B, Boussuge C, Battaglia V, Hiron B, Lagarde E

Heliyon · 11(4):e42428

Évaluation automatisée de neuf facteurs de risque sur les passages piétons français, à partir d’images aériennes et de vues au niveau de la rue appariées.

Corrigendum publié Heliyon 11(14):e43902

doi.org/10.1016/j.heliyon.2025.e42428 PMID 40028551 Copier la citation

Balancing Predictive Performance and Explainability for COVID-19 Data

Rodriguez-Idiazabal L, Avalos M, Russon D, Barrio I, Quintana-López JM

65ᵉ Congrès mondial de statistique de l’ISI

Arbitrage entre performance prédictive et explicabilité sur des données COVID-19.

inria.hal.science Copier la citation

Serious games to address cognitive bias and patient flow in emergency departments

Avalos M, Elorga-Castagnet N, Russon D, Larrue F, Gil-Jardiné C

5ᵉ conférence ENLIGHT Teaching & Learning, Uppsala

Jeux sérieux pour travailler les biais cognitifs et le flux patient auprès des soignants en formation.

inria.hal.science Copier la citation

Detecting Human Bias in Emergency Triage Using LLMs: Literature Review, Preliminary Study, and Experimental Plan

Avalos M, Cohen D, Russon D, Davids M, Dorémus O, Chenais G, Tellier E, Gil-Jardiné C, Lagarde E

FLAIRS-37 · 37(1)

Revue et protocole expérimental sur l’usage de modèles de langue pour repérer les biais humains — genre, âge, statut socio-économique — dans le triage aux urgences.

doi.org/10.32473/flairs.37.1.135586 Copier la citation

AI-Driven Emergency Patient Flow Optimization is Both an Unmissable Opportunity and a Risk of Systematizing Health Disparities

Russon D, Avalos M, Guerra-Adames A, Gil-Jardiné C, Lagarde E

FLAIRS-37

Position : optimiser un flux de patients, c’est décider qui attend — et un gain moyen peut masquer une dégradation pour certains groupes.

doi.org/10.32473/flairs.37 Copier la citation

Réflexions pour la conception d’un protocole expérimental de détection des biais dans le triage d’urgence hospitalière à l’aide de modèles de langage

Guerra-Adames A, Avalos M, Cohen D, Russon D, Davids M, Dorémus O, Chenais G, Tellier E, Gil-Jardiné C, Lagarde E

EvalLLM 2024, Toulouse

Conception d’un protocole expérimental de détection des biais dans le triage, par modèles de langue.

hal.science Copier la citation

Health Effects of Wildfires Reported in Emergency Medical Communication Centres: An Ecological Study in Gironde District, France, during the Summer of 2022

Eklöf S, Lagarde E, Tellier E, Russon D, Pradeau C, Laflamme L, Gil-Jardiné C

Preprints.org

Étude écologique des appels au centre de régulation médicale avant, pendant et après les incendies de Gironde de l’été 2022.

doi.org/10.20944/preprints202311.0133.v1 Copier la citation