RESUME.Dans un objectif d'amélioration de la qualité des soins, nous avons développé une plateforme proposant trois systèmes d'aide à la décision clinique (SADC) basés sur des approches complémentaires, (i) un SADC fondé sur les guides de bonne pratique (GBP) dont l'objectif est de rappeler les recommandations issues de l'état de l'art dans une approche centrée patient, (ii) un SADC fondé sur l'expérience acquise lorsque les utilisateurs cliniciens informés décident de ne pas suivre les GBP et prennent des décisions non conformes pour lesquelles ils doivent fournir une justification, et (iii) un SADC fondé sur la mise en oeuvre d'un raisonnement à partir de cas.Les interactions entre les trois SADC sont contrôlées par une ontologie du domaine.Utilisée comme une structure conceptuelle et terminologique, elle propose un modèle de données générique (entité-attribut-valeur) et un modèle de connaissances utilisés pour le raisonnement ontologique (subsomption) et l'aide à la décision déductive (inférence).La plateforme a été développée pour améliorer la prise en charge du cancer du sein dans le cadre du projet européen DESIREE. ABSTRACT. In order to improve health care quality, we have developed a platform including three clinical decision support systems (CDSSs) based on complementary approaches, (i) a CDSS based on clinical practice guidelines (CPGs) that provides patient-centered state of the art recommendations, (ii) a CDSS based on the experience gained when informed clinician users decide not to followCPGs and make non-compliant decisions that they are asked to justify, and (iii) a case-based reasoning CDSS.The three CDSSs are smoothly interacting under the control of a domain ontology.Used as a conceptual and terminological structure, the domain ontology proposes a generic data model (entity-attribute-value) and a knowledge model used for ontological reasoning (subsumption) and deductive decision support (inferences).The platform has been developed to improve the management of breast cancer patients within the European Commission funded project DESIREE.MOTS-CLES : système d'aide à la décision, ontologie, guides de bonne pratique, raisonnement à partir de cas, cancer du sein.
La détection automatique de la négation fait souvent partie des pré-requis dans les systèmes d'extraction d'information, notamment dans le domaine biomédical. Cet article présente deux contributions liées à ce problème. Nous présentons d'une part un corpus constitué d'extraits de protocoles d'essais cliniques en français et dédié aux critères d'inclusion de patients. Ce corpus est annoté manuellement avec les marqueurs de négation et de leurs portées. Nous présentons d'autre part deux approches, basées sur l'apprentissage supervisé, pour extraire automatiquement les informations liées à la négation. De plus, une des approches est validée grâce à son application aux données de l'état de l'art en anglais : elle montre de très bons résultats en anglais, qui sont supérieurs à ceux présentés dans les travaux existants, et permet d'obtenir des résultats comparables en français. Enfin, nous proposons plusieurs expériences en variant les représentations vectorielles des mots.ABSTRACT.Automatic detection of negated content is often a pre-requisite in information extraction systems, especially in the biomedical domain.This paper proposes two main contributions in this field.It first introduces a corpus built with excerpts from clinical trial protocols in French, describing the inclusion criteria for patient recruitment.The corpus is manually annotated for marking up the negation cues and their scope.Secondly, two supervised learning approaches are proposed for the automatic detection of negation.Besides, one of the approaches is validated on English data from the state of the art: the approach shows very good results and outperforms existing approaches, and it also yields comparable results on the French data.Finally, we propose several experiments with different vector representations of words.
RESUME Dans cet article, nous proposons une approche pour sélectionner des variablesstables dans le contexte de prédiction des diagnostiques secondaires en partant d'une base de données médico-économique, en l'occurrence le PMSI.Les résultats de prédiction se présentent sous forme de guides pour l'activité d'encodage des diagnostiques secondaires dans les départements d'information médicale (DIM).L'approche que nous proposons dans ce papier consiste à exploiter les paradigmes ensemblistes sur les sources de données réduites et équilibrées pour déduire un ensemble stable et fiable de variables utiles à la prédiction.Cet ensemble est construit de façon très indépendante par rapport à l'échantillon de données utilisé pour l'apprentissage du modèle.La qualité des variables est déduite en fonction de la qualité de prédiction des algorithmes de ML.L'évaluation de notre approche sur les données de PMSI montre le réel intérêt de cette proposition et ouvre le débat sur l'application de ces méthodes à ces sources de données très rarement exploitées par la communauté scientifique.ABSTRACT.In this paper, we focus on applying feature selection in the context of secondary diagnoses prediction starting from medico-economic data sources.The results of the prediction is used as guidelines for encoding secondary diagnoses which is a sensitive task in the hospitals requiring a lot of attention in order to be achieved properly.We propose a practical approach to select stable and relevant features from imbalanced datasets.The stability of features is obtained through the convergence of several FS methods to a fair number of features without being impacted by the sampled dataset.The quality of featured shall be deducted from the quality prediction of machine learning algorithms on the selected features.We evaluate the proposed approach on the PMSI database of the CHIC-CM Cet article des Editions Lavoisier est disponible en acces libre et gratuit sur tsi.revuesonline.com40 TSI.Volume 37 -n° 1-6/2018 hospital.Our results are quite interesting and opening discussions for these specific health care data supports.
Mieux connaître les trajectoires hospitalières des patients est essentiel pour planifier les soins.À partir des données administratives, nous extrayons des motifs spatio-temporels et les utilisons pour identifier des profils de délais inter-séjours et d'évolution de tarifs des parcours de soins.Cette approche pourrait favoriser l'amélioration des stratégies de soins.ABSTRACT.A better knowledge of patient hospital flows can be decisive for health planning.We extracted spatio-temporal patterns from the French hospital Prospective Payment System, and used them to identify profiles of care pathways times and costs.This approach may support renewed care management strategies.
Les forums de discussion en sante sont des sources precieuses pour l’education therapeutique. Il est ainsi possible d’etudier le comportement des contributeurs mais aussi leur comprehension de la maladie et leurs besoins face a leurs problemes de sante. Cependant, l’analyse des echanges et des comportements necessite de disposer d’informations demographiques sur les intervenants. Nous presentons une approche combinant des lexiques et des ressources terminologiques a des classifieurs supervises pour identifier la tranche d’âge, le genre des utilisateurs, leur maladie et la relation entre l’auteur du message et le patient. Notre approche est testee sur des forums de discussion en francais lies au diabete. Les resultats obtenus sont variables suivant les informations recherchees. L’identification du genre et de la tranche d’âge est de bonne qualite tandis que l’extraction de la maladie ou du statut du contributeur est plus difficile mais encourageante.
