Apprentissage de modèles e la dynamique pour l'aide à la décision en monitorage clinique / Daniel Calvelo Aros ; sous la direction de Max Dauchet

Date :

Editeur / Publisher : [S.l.] : [s.n.] , 1999

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Apprentissage automatique

Monitorage médical

Unités de soins intensifs

Classification Dewey : 629.801

Dauchet, Max (1946-....) (Directeur de thèse / thesis advisor)

Université Lille 1 - Sciences et technologies (Villeneuve-d'Ascq ; 1970-2017) (Organisme de soutenance / degree-grantor)

Relation : Apprentissage de modèles e la dynamique pour l'aide à la décision en monitorage clinique / Daniel Calvelo Aros ; sous la direction de Max Dauchet / Villeneuve d'Ascq : Université Lille 1 - Sciences et technologies , 2013

Relation : Apprentissage de modèles e la dynamique pour l'aide à la décision en monitorage clinique / Daniel Calvelo Aros ; sous la direction de Max Dauchet / Grenoble : Atelier national de reproduction des thèses , 1999

Résumé / Abstract : L'aide à la décision en milieu clinique passe essentiellement par la mise à disposition du praticien d'information synthétique à partir des données techniquement disponibles. Une méthodologie d'analyse de données en soins intensifs est proposée dans l'objectif de synthétiser l'historique des données du monitorage courant. Elle dégage des moyens de visualisation et d'abstraction, tout en retardant l'introduction de la connaissance d'expert. Les données disponibles sont bruitées, quantifiées, filtrées, intermittentes, ce qui oriente les choix et oblige à adapter les traitements. Une chaîne de traitement en trois étapes est exposée et illustrée à partir de données artificielles et réelles. La première étape repose sur l'extraction de la tendance locale, estimée par régression linéaire suivant une méthode efficace par filtrage et approche incrémentale. Cette méthode nécessite la détermination d'une échelle caractéristique d'évolution pour chaque variable. Pour la définir plusieurs critères sont proposés, formalisés puis évalués. Un critère base sur le test statistique de signification des régressions est retenu. La deuxième étape consiste en la symbolisation de la dynamique locale de chaque variable. Elle est basée sur la projection des données à l'échelle caractéristique dans l'espace tendance Vs. Stabilité. Enfin, une étape d'analyse multivariée construit des modèles symboliques locaux par induction d'arbres de décision. La succession des modèles permet de détecter des changements dans la configuration des relations entre les variables. Après une discussion sur les objectifs, les critères retenus, et les difficultés d'évaluation, nous concluons sur l'intégration de ces techniques dans la plate-forme d'aide au diagnostic Aiddiag. Chaque pallier de la chaîne de traitement propose une méthodologie et une représentation, exploitables à des niveaux d'interprétation de plus en plus élevés, et probablement transposables à d'autres flots de données semblables.