APPLICATION DES SYSTEMES STRUCTURES A L’ETUDE DU

Marie-Therese

Description

Sujet de Thèse Reconnaissance automatique d’occurrence d’évènements à partir de variables temporelles : Application à la surveillance de patients en unités de réanimation Responsable : Sylvie CHARBONNIER Email : [e-mail] Tel : [phone] Co-encadrant : Sylviane GENTIL Email : [e-mail] Tel : [phone] Site web du département : http : //www.lag.ensieg.inpg.fr Financement : demandé obtenu : MOTS-CLES : Surveillance, diagnostic, fusion de données, paramètres physiologiques, analyse de tendance CADRE ET OBJECTIFS DU SUJET : Contexte Les patients hospitalisés en unités de réanimation sont soumis à une surveillance étroite de la part du personnel soignant. Un grand nombre de paramètres physiologiques sont enregistrés en ligne à des fréquences élevées (une mesure par seconde) sur ces patients. Ces enregistrements produisent des flots de données temporelles importants, que le personnel soignant doit analyser à chaque visite du patient. Les services de ranimation sont en demande d’outils d’aide à l’interprétation de ce flot de données, afin de limiter la charge cognitive que leur interprétation représente. Objectifs Fréquemment, l’occurrence d’un évènement médical (modification de l’état du patient, complication médicale, geste médical effectué par le personnel, …) va se traduire par des modifications des ...

Informations

• Publié par: Bejuf
• Nombre de lectures: 26
• Langue: Français

Extrait

Département Automatique – GIPSA-lab, B.P. 46, 38402 Saint Martin d’Hères cedex

Sujet de Thèse

Reconnaissance automatique d’occurrence d’évènements à partir de variables

temporelles : Application à la surveillance de patients en unités de réanimation

Responsable

:

Sylvie CHARBONNIER

Email : [e-mail]

Tel : [phone]

Co-encadrant :

Sylviane GENTIL

Email :

[e-mail]

Tel :

04 76 82 62 39

Site web du

département

: http : //www.lag.ensieg.inpg.fr

Financement :

demandé

obtenu :

MOTS-CLES :

Surveillance, diagnostic, fusion de données, paramètres physiologiques, analyse de tendance

CADRE ET OBJECTIFS DU SUJET :

Contexte

Les patients hospitalisés en unités de réanimation sont soumis à une surveillance étroite de la part du

personnel soignant. Un grand nombre de paramètres physiologiques sont enregistrés en ligne à des

fréquences élevées (une mesure par seconde) sur ces patients. Ces enregistrements produisent des

flots de données temporelles importants, que le personnel soignant doit analyser à chaque visite du

patient. Les services de ranimation sont en demande d’outils d’aide à l’interprétation de ce flot de

données, afin de limiter la charge cognitive que leur interprétation représente.

Objectifs

Fréquemment, l’occurrence d’un évènement médical (modification de l’état du patient, complication

médicale, geste médical effectué par le personnel, …) va se traduire par des modifications des

paramètres physiologiques enregistrés au cours du temps. On observe alors l’apparition d’une forme

temporelle multivariable particulière, que l’on peut définir comme la signature de l’évènement.

L’objectif d’un système de diagnostic est donc de reconnaitre de manière automatique et en ligne

l’apparition de cette signature. Les verrous scientifiques à lever sont liés à l’aspect multi-variable du

problème (l’occurrence de l’évènement se traduit par des modifications sur plusieurs paramètres

physiologiques) ainsi qu’à l’aspect temporel (l’occurrence de l’évènement affecte les variables sur un

période temporelle de durée variable).

Un outil méthodologique qui semble bien adapté à la reconnaissance en ligne de formes temporelle

multivariables est l’analyse de tendance. La tendance se définit comme une succession d’épisodes

temporels consécutifs décrivant l’évolution temporelle d’une variable. Une méthode d’extraction de

tendance en ligne a été développée au laboratoire GISPA-lab. Elle réalise une transformation

numérique/symbolique d’un paramètre physiologique en des termes linguistiques directement

interprétable par un médecin (stable, croissant, décroissant). Le signal est décomposé en ligne en

deux grandeurs : la tendance qui décrit l’évolution temporelle du signal et le résidu qui contient les

informations filtrées par la tendance.

Département Automatique – GIPSA-lab, B.P. 46, 38402 Saint Martin d’Hères cedex

L’objectif de ce sujet de thèse est de développer une méthodologie de reconnaissance en ligne

d’évènements médicaux à partir de la tendance et du résidu. La première partie du travail consistera à

développer une version adaptative de la méthode d’extraction de tendance développée au GIPSA-lab,

ainsi qu’à mettre en oeuvre des outils d’analyse du résidu. La deuxième partie consistera à définir une

méthode pour reconnaître les formes temporelle monovariable à partir de la tendance et du résidu et à

proposer une méthode de fusion pour aboutir à une détection multivariable.

La mise en oeuvre et la validation des méthodes seront réalisées à partir de données réelles

provenant d’enregistrements de patients hospitalisés à l’unité de réanimation de l’hopital Lyon-Sud,

ainsi que d’enregistrements effectués lors d’expériences animales (porcs), au cours desquelles des

complications médicales ont été provoquées sur l’animal.

Collaboration

Ce travail est effectué en partenariat avec l’unité de réanimation de l’hopital Lyon-Sud ainsi qu’avec

l’unité de réanimation de l’hôpital de Lille.

REFERENCES :

Bakshi, B.R., Stephanopoulos G., « Representation of process trends IV. Induction of real-time

patterns form operating data for diagnosis and supervisory control »,

Comp. Chem. Engng

.

Vol. 18, p.

303-332, 1994.

Charbonnier S. “Multivariable event detection in Intensive Care Units”,

6th IFAC Symposium on

Modelling and Control in Biomedical Systems

, September 20-22, 2006, Reims, France

Charbonnier S., Garcia-Beltan C., Cadet C., Gentil S. "Trends extraction and analysis for complex

system monitoring and decision support"

Engineering Applications of Artificial Intelligence

Vol

18, n°1, pp 21-36, 05

Colomer J., Melendez J., Gamero F. I., « Qualitative representation of process trends for situation

assessment based on cases »,

Proceedings of 25th IFAC World Congress b’02

, Barcelona (Espagne),

2002.

Hunter J., McIntosh N., « Knowledge based event detection in complex time series data »,

Proceedings of the AIDM’99, Lecture Notes in Artificial Intelligence

, vol.1620, p. 271-280, 1999.