Taux d'encadrement : 100%

Thèse : Cifre TERANGA

Dates : 2021-

Machine learning pour la prédiction d’événements de santé modifiables en Établissement d’hébergement pour personnes âgées dépendantes (EHPAD)

Il s’agira dans ce travail d’étudier des algorithmes capables de prédire des événements de santé défavorables qui sont potentiellement modifiables par des interventions de santé appropriées à partir d’un travail d’analyse et d’apprentissage sur la base de données de dossiers patients anonymisés [2,3,4]. L’un des enjeux importants est la prise en compte de la transformation de données d’historiques en données utilisables par un apprentissage statistique. Dans ce cadre, il s’agira de proposer des méthodes basées sur l’analyse en ​complex events [8] ainsi que sur la prédiction structurée [9]. Cette étape d’automatisation d’une partie des pré-traitements sera essentiel à la capacité prédictive des algorithmes proposés.

Dans un premier temps, nous proposons de cibler la prédiction de 3 types d’événements : hospitalisation en urgence, survenue d’une escarre ou d’une fracture du col du fémur. La temporalité de prédiction utile pour un clinicien correspond à 1-2 semaines pour le premier événement, 2-3 mois pour le second, et une période éventuellement plus longue pour le dernier. L’importance des données et le nombre de résidents permettront d’avoir des échantillons d’apprentissage, de validation et d’évaluation de tailles suffisantes sur des données déjà disponibles. Une attention particulière sera donnée aux méthodes capables de générer des explications comme par exemple les modèles graphiques [5,6].

Dans un second temps, la prédiction devra être confrontée aux possibilités d’interventions. Il s’agira donc d’analyser la transformation d’un modèle prédictif à un modèle causal permettant le calcul de l'effet d'interventions. Une attention particulière sera apportée aux modèles permettant une explication des interventions recommandées. [7,10,11] Si l’approche se révèle pertinente, elle pourra être mise en fonctionnement pour générer des alertes visant à attirer l’attention des médecins et des soignants sur des situations à haut risque et de les encourager à mener des interventions préventives des événements ciblés. Un essai clinique en cluster pourra être envisagé pour comparer les incidences des événements ciblés dans des établissements munis d’un tel système à des établissements contrôle n’en ayant pas. Enfin, l’approche pourra aussi être développée pour des événements cibles autres (décompensation cardiaque, infection respiratoire, ...).

Bibliographie

[1] Belmin, Joël, Chassagne, Philippe, Friocourt, Patrick, Gonthier, Régis, Jeandel, Claude, Nourhashemi, Fati et Pfitzenmeyer, Pierre (2016). ​Gériatrie : pour le Praticien ​(Elsevier Health Sciences). 1071 p.
[2] Kaewprag, Pacharmon, Newton, Cheryl, Vermillion, Brenda, Hyun, Sookyung, Huang, Kun et Machiraju, Raghu (2017). ​Predictive models for pressure ulcers from intensive care unit electronic health records using Bayesian networks. ​ BMC Medical Informatics and Decision Making 17 (Suppl 2).
[3] Lebedev, A.V., E. Westman, G.J.P. Van Westen, M.G. Kramberger, A. Lundervold, D. Aarsland, H. Soininen, et al. (2014). ​Random Forest ensembles for detection and prediction of Alzheimer’s disease with a good between-cohort robustness​. NeuroImage : Clinical 6 : 115-25.
[4] Elsevier (2019). ​Outils d’aide à la décision clinique, intelligence artificielle et Big Data au sein de la pratique clinique. ​ Elsevier Connect.
[5] Bishop, Christopher ​Pattern Recognition and Machine Learning (​2006)
[6] Koller,Daphne and Friedman,Nier – ​Probabilistic Graphical Models ​(2010)
[7] Judea Pearl. 2009. ​Causality: Models, Reasoning and Inference (2nd ed.). Cambridge University Press, New York, NY, USA
[8] Eugene Wu, Yanlei Diao, and Shariq Rizvi. 2006. High-performance complex event processing over streams. In ​Proceedings of the 2006 ACM SIGMOD international conference on Management of data​ (SIGMOD '06). ACM, New York, NY, USA, 407-418
[9] Bakir, G. H., Hofmann, T., Schölkopf, B., Smola, A. J., Taskar, B. & Vishwanathan, S. V. N. (eds.) (2007). ​Predicting Structured Data. ​ Cambridge, MA: MIT Press
[10] Judea Pearl. 2019. ​The seven tools of causal inference, with reflections on machine learning. ​ Commun. ACM​ ​62, 3 (February 2019), 54-60. DOI: https://doi.org/10.1145/3241036
[11] Elias Bareinboim and Judea Pearl, 2016. ​Causal inference and the data-fusion problem, ​P NAS,National Academy of Sciences

Ces informations sont issues du site HAL.