Exploration des données de la médecine personnalisée par des techniques de Data Mining

Exploration of personalized medicine data by Data Μining techniques

• Auteur / Autrice : Hafid Kadi
• Direction : Olivier Lézoray
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/12/2021
• Etablissement(s) : Normandie en cotutelle avec Université Mustapha Stambouli Mascara
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Laboratoire : Groupe de recherche en informatique, image, automatique et instrumentation de Caen (1995-....)
• Partenaire(s) de recherche : établissement de préparation : Université de Caen Normandie (1971-....)
• Jury : Président / Présidente : Samira Chouraqui
• Jury : Examinateurs / Examinatrices : Olivier Lézoray, Sofiane Boukli Hacene, Khalifa Djemal, Boudjelal Meftah, Hubert Cardot
• Jury : Rapporteurs / Rapporteuses : Sofiane Boukli Hacene, Khalifa Djemal

Mots clés

Mots clés contrôlés

Classification

Séries chronologiques

Médecine

Structures de données (informatique)

Exploration de données

Médecine personnalisée

Mots clés libres

Représentation de données

Réduction de données

Personalized medicine

Data Mining

Data representation

Medical decision making

Time series

Data reduction

Clustering

Résumé

La médecine personnalisée est actuellement en fort développement, de par son adoption dans le monde entier et principalement dans les pays développés. Les profils des patients constituent en effet le point principal sur lequel est fondé le but de cette médecine. Cette dernière vise à aider les médecins et les praticiens de la santé à prévoir des maladies, à prendre des décisions précises et à individualiser les traitements d’une manière adéquate. De plus, le profil d’un patient peut comporter une variété importante de données que ce soient des données génétiques, des biomarqueurs clés, l’historique de traitements, les facteurs environnementaux et les préférences comportementales, des images (IRM, Radio, …), etc. L’exploration de ces données par les outils de la fouille de données nécessite une suite d’opérations pour former et extraire les connaissances cachées parmi ces données. L’intérêt d’un tel processus d’automatisation de la décision médicale et d’extraction des connaissances est généralement confirmé par sa précision. Il ne faut néanmoins pas éluder les contraintes liées à la rapidité de calcul de celles-ci, pour permettre leur usage pratique.Ces travaux de thèse, intitulés « Exploration des données de la médecine personnalisée par des techniques de Data Mining », nous a conduit à la définition de deux activités importantes de la médecine personnalisée : la première porte sur la représentation de données et la seconde sur la prise de la décision médicale. Par conséquent, deux problèmes ont été identifiés. Le premier concerne la perte de données et d’information lors de la phase de représentation de l'information. Le deuxième concerne le choix de la série des traitements la plus appropriée à appliquer pour la prise de décision. La solution de la première problématique a été résolue par la proposition d’un modèle de représentation de données par région et par dispersion. Pour la deuxième problématique, nous avons proposé un modèle de prise de décision médicale réalisé reposant sur une classification de données issues de la médecine personnalisée. Ce modèle repose sur l’application de notre modèle de représentation de données et plusieurs suites de traitement et de classification. L’expérimentation de nos modèles et les résultats obtenus justifient l’utilité et la précision de nos approches. Ces solutions avantageuses, en particulier le modèle de représentation de données, peuvent être utilisées comme une plateforme exploitable pour d’autres tâches telles que l’analyse de données médicales.

Personalized medicine is currently in strong development, by its adoption all over the world and mainly in developed countries. The profiles of the patients are indeed the main point on which is based the purpose of this medicine. The latter aims to help doctors and health care practitioners to predict diseases, make accurate decisions and to individualize the treatment adequately. In addition, a patient's profile can include a wide data variety, among genetic data, key biomarkers, treatment history, environmental factors and behavioral preferences, images (MRI, X-ray, etc.), etc. The exploration of this data by data mining tools requires a series of operations to train and extract the knowledge hidden among this data. The advantage of such a medical decision automation process and knowledge extraction is usually confirmed by its accuracy. However, we must not omit the constraints related to the calculation speed of these, to allow their practical use.This thesis work, entitled « Exploration des données de la médecine personnalisée par des techniques de Data Mining », has led us to define two important activities in personalized medicine: the first focuses on data representation and the second on making medical decisions. Therefore, two problems were identified. The first concerns the loss of data and information during the information representation phase. The second concerns the choice of the most appropriate treatment series to apply for decision making. The solution of the first problem was solved by the proposal of a model for the data representation by region and by dispersion. For the second problem, we have proposed a model of medical decision-making based on a data classification from personalized medicine. This model is based on the application of our data representation model and several treatment and classification suites. Our models' experimentation and the obtained results justify the usefulness and accuracy of our approaches. These beneficial solutions, in particular the data representation model, can be used as an exploitable platform for other tasks such as medical data analysis.