• Financement : ANR, Communauté Urbaine d'Arras
  • Année de début de thèse :
  • 2023

Description

La thèse proposée aura pour objectif la mise en place d’un système de surveillance permettant de déclencher des alertes destinées aux soignants à partir de l’analyse de paramètres mesurés d’une manière récurrente chez les patients, pendant leur prise en charge hospitalière. Il s’agit de paramètres biologiques, physiologiques et issus de dispositifs médicaux. L’analyse des données ou paramètres des patients est souhaitée en temps continu dès leur admission à l’hôpital. Les alertes seront en rapport avec des anomalies des données-patients (biologiques/physiologiques/dispositifs médicaux) menaçant le pronostic vital. Les principaux enjeux seront :

  • l’interopérabilité des systèmes d’information afin de centraliser les données-patients (biologiques/physiologiques/dispositifs médicaux) et de les analyser conjointement ;
  • la sélection des paramètres à analyser et des valeurs pouvant déclencher une alerte ;
  • la sélection de parcours de soin hospitalier (services de soins) durant lesquels le système appliquera la surveillance ;
  • la définition d’un indice de gravité et d’un indice de fiabilité pour une alerte ;
  • la sélection du ou des destinataire(s) des alertes et la transmission de l’alerte elle- même selon un canal adapté.

Le système de surveillance envisagé s’appuiera sur des méthodes d’intelligence artificielle (apprentissage automatique et IA explicable). Un travail préliminaire d’agrégation de données issues de sources différentes et de nettoyage éventuel des données sera entrepris. Des prédicteurs de divers types (forêts aléatoires, arbres optimisés) seront entraînés et évalués sur ces données. La bibliothèque scikit-learn pourra être utilisée à cet effet. Des explications des prédictions pourront être calculées en utilisant la bibliothèque PyXAI développée au CRIL. Les prédictions et leurs explications seront évaluées par les médecins participant au projet.

Ce projet novateur, dont l’objectif est d’augmenter la sécurité des soins, sera mené avec la collaboration de différents acteurs hospitaliers du centre hospitalier d’Arras. Cette thèse s’inscrit dans le cadre du projet PIA 4 ‘L’ExcellenceS sous toutes ses formes’ MAIA - Maîtriser les Applications de l’Intelligence Artificielle. La santé est l’un trois domaines d’applications phares de ce projet.

Références bibliographiques

  • Bailey TC, Chen Y, Mao Y, Lu C, Hackmann G, Micek ST, Heard KM, Faulkner KM, Kollef MH. A trial of a real-time alert for clinical deterioration in patients hospitalized on general medical wards. J Hosp Med. 2013 May;8(5):236-42. doi: 10.1002/jhm.2009. Epub 2013 Feb 25. PMID: 23440923.

  • Yi Mao, Wenlin Chen, Yixin Chen, Chenyang Lu, Marin Kollef, and Thomas Bailey. 2012. An integrated data mining approach to real-time clinical monitoring and deterioration warning. In Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD ‘12). Association for Computing Machinery, New York, NY, USA, 1140–1148. https://doi.org/10.1145/2339530.2339709

  • Gilles Audemard, Steve Bellart, Louenas Bounia, Frederic Koriche, Jean-Marie Lagniez, Pierre Marquis, On Preferred Abductive Explanations for Decision Trees and Random Forests. in Thirty-First International Joint Conference on Artificial Intelligence {IJCAI-22}, International Joint Conferences on Artificial Intelligence Organization, pp. 643-650, 2022.

  • Ryma Boumazouza, Fahima Cheikh-Alili, Bertrand Mazure, and Karim Tabia. 2021. ASTERYX: A model-Agnostic SaT-basEd appRoach for sYmbolic and score-based eXplanations. In Proceedings of the 30th ACM International Conference on Information & Knowledge Management (CIKM ‘21). https://doi.org/10.1145/3459637.3482321