Détection et classification d’alertes pour les évènements indésirables cliniques en combinant ontologie et apprentissage automatique

par Antoine Saab

Projet de thèse en Doc informatique biomedicale

Sous la direction de Jean-baptiste Lamy et de Mohamad Khalil.

Thèses en préparation à Sorbonne Paris Cité , dans le cadre de École doctorale Galilée (Villetaneuse, Seine-Saint-Denis) depuis le 26-03-2019 .


  • Résumé

    Le thème de la détection automatisée des évènements indésirables cliniques (EIC) connait depuis quelques années une augmentation significative des publications. Cette détection se base sur certains « indices » (« triggers ») recherchés dans les bases de données du Système d’Information Hospitalier (SIH), que l’on peut représenter comme des règles associées à un soupçon de iatrogénie. Cette détection automatisée a permis de réduire de façon indicative la consommation de ressources hospitalières nécessaires pour la surveillance des EIC, et d’améliorer la sensibilité et la fiabilité des systèmes de détection. Cependant, l’analyse et l’interprétation de ces données requiert encore le déploiement (au quotidien) de ressources cliniques considérables (infirmieres, medecins...) afin d’utiliser véritablement cette méthode en tant qu’outil de surveillance, notamment à cause des alertes faux positifs. A l’instar d’autres domaines, il serait possible (au moins pour certaines catégories d’EIC (par exemple les infections associées aux soins, l’insuffisance rénale aiguë, etc.) de mettre en place des règles automatiques d’inférence et de classification, afin d’automatiser l’interprétation des alertes et d’augmenter leur fiabilité et validité. Une première approche repose sur l’utilisation d’ontologies formelles associées à un raisonneur comme HermiT. Une seconde approche pourrait être basée sur l’apprentissage de l’intérêt des alertes à partir d’un jeu de données comprenant des alertes classées manuellement par des experts, et en utilisant des algorithmes d’apprentissages classiques : KNN, réseau de neurones, deep learning, Parzen, boosting,... L’objectif de cette thèse est : 1. mettre en place un système ontologique pour caractériser et classer les EIC, 2. créer un système de classification par apprentissage pour prédire l’intérêt d’une alerte, 3. combiner les deux approches précédentes. Chaque approche sera évaluée sur un jeu de données cliniques.


  • Pas de résumé disponible.