La détection de déviations dans des chirurgies, et notamment les dévia-tions dues à un événement indésirable, est un dé important à relever en vue de comprendre leurs origines. Nous avons proposé dans ce chapitre une méthode o-line pour détecter et diérencier automatiquement ces dévia-tions. Cette méthode, composée d'un alignement temporel non-linéaire multi-dimensionnel suivi d'un modèle semi-Markovien caché, donne des résultats encourageants. Toutefois, avant d'avoir une application utilisable dans un cadre clinique, il est nécessaire d'améliorer les résultats, principalement sur les fausses détections de déviations dues à des événements indésirables.
La capacité à annoter automatiquement des activités est le premier pas vers une application utilisable en routine clinique. Le second est d'avoir une méthodologie compatible avec le peropératoire, c'est-à-dire temps réel. Dans la méthodologie proposée, l'alignement de la séquence à tester sur le sSPM nécessite de posséder l'ensemble de la séquence, ce qui nous limite à une méthodologie o-line. Pour répondre à cette limite, Forestier et al. [62] ont proposé une amélioration de leur méthode NLTS pour permettre un aligne-ment en temps réel sans avoir besoin de l'ensemble de la séquence. Ainsi en modi ant notre méthode MD-NLTS, nous pourrions déterminer en temps réel l'activité correspondant sur le sSPM et ainsi détecter s'il y a une dévia-tion et de quel type elle est.
En n, toutes nos chirurgies ont été réalisées par le même chirurgien. Ceci nous a permis de nous aranchir des diérences liées à l'habitude et à l'ex-pertise des chirurgiens, éliminant ainsi un niveau de complexité. Il serait intéressant d'obtenir des chirurgies réalisées par d'autres chirurgiens a n de nous assurer de la robustesse de la méthode.
Ce chapitre a montré qu'il était possible de détecter automatiquement les déviations dues à l'apparition d'événements indésirables. Cependant, cette détection n'est pas encore su samment précise pour mettre en place un sys-tème capable de lutter contre les événements indésirables. Pour arriver à un tel système, il est nécessaire de comprendre les causes des événements indési-rables. L'une de ces causes peut être un comportement chirurgical inadapté. Dans le prochain chapitre, nous présenterons une méthode de découverte de patterns pour identi er de tels comportements.
Chapitre 4
Identi cation de comportements
chirurgicaux spéci ques à l'aide
de la découverte de patterns
Les particularités anatomiques des patients et les habitudes de l'équipe chirurgicale font que chaque chirurgie est unique. Cependant, il peut exis-ter des points communs entre deux chirurgies. Ces points communs peuvent venir de l'indication chirurgicale, de particularités communes entre les pa-tients, par exemple la pathologie, sa localisation, le sexe ou la tranche d'âge. Un autre point commun qui peut rapprocher deux chirurgies est l'équipe chi-rurgicale l'eectuant, et principalement le chirurgien. Un chirurgien acquiert au cours de sa pratique des connaissances procédurales qui deviennent des automatismes. Ainsi deux chirurgies eectuées par le même chirurgien pos-sèdent sa signature. Cette signature re ète le comportement chirurgical du chirurgien.
Cependant, ces comportements sont-ils uniquement spéci ques aux chi-rurgiens ? Deux chichi-rurgiens travaillant dans le même hôpital ont-ils des com-portements similaires ? Un jeune chirurgien acquiert-il un comportement si-milaire à celui de son mentor ? Pour un chirurgien donné, son comporte-ment chirurgical change-t-il en fonction des spéci cités anatomiques des pa-tients ? L'ensemble de ces questions concerne directement les chirurgiens, mais n'existe-t-il pas aussi au sein d'un même type de chirurgie des compor-tements spéci ques selon qu'il s'agit d'une procédure ambulatoire ou d'une procédure avec hospitalisation ?
La littérature apporte des réponses à certaines de ces questions. Ainsi, on sait que la pratique d'un chirurgien expert est diérente de celle d'un chirurgien intermédiaire ou junior [47, 50], que la pratique chirurgicale n'est pas identique dans l'ensemble des hôpitaux [114], ou encore que les chirurgies
ambulatoires n'ont pas les mêmes caractéristiques que celles avec hospitali-sation [115]. Cependant, ces études n'examinent pas vraiment les comporte-ments chirurgicaux dans le détail et se contentent généralement de comparer les temps pour eectuer une tâche ou utilisent des méthodes d'alignement de séquences sans mettre en évidence des successions d'activités spéci ques à ces comportements chirurgicaux.
Dans ce chapitre, nous essayerons d'aller plus loin en utilisant une mé-thode de découverte de patterns pour déterminer si la succession d'activités peut permettre d'identi er des comportements chirurgicaux spéci ques. Nous essayerons également de voir s'il est possible d'identi er des comportements chirurgicaux spéci ques à l'apparition d'événements indésirables.
4.1 Découverte de patterns
4.1.1 Découverte de patterns dans la littérature
Un pattern est une succession d'éléments représentant la structure d'un comportement individuel ou collectif. Dans de la littérature, la découverte de patterns est utilisée dans de nombreux domaines : la biologie [116, 117], les télécommunications [118] ou le web [119], etc.
Ces méthodes de découverte de patterns possèdent toutes leurs spéci- cités, mais elles ont toutes le même objectif : découvrir une succession d'éléments qui sont présents dans plusieurs séquences a n d'expliquer ou de comprendre l'apparition d'un phénomène. Par exemple dans la biologie, cela peut être de trouver des mutations ou des promoteurs (site spéci que d'ADN permettant la transcription d'un gène en ANR), ou de trouver des signaux d'alerte dans les télécommunications.
4.1.2 Découverte de patterns dans le milieu médical
La découverte de patterns est aussi utilisée dans le milieu médical. Par exemple, Huang et al. [120, 121] identi ent le chemin clinique des patients depuis leur admission jusqu'à leur départ de l'hôpital grâce à ce type de techniques. Ces deux études montrent qu'il est possible d'utiliser ce type de méthode pour mettre en place des gSPMs. En eet, le chemin clinique des patients subissant une opération est un gSPM à un niveau de granularité plus large que ceux que nous avons étudiés.
Mullins et al. [122] utilisent la découverte de patterns pour identi er des relations entre des données de santé. Les auteurs ont mis en évidence des relations qui étaient déjà connues au sein de la littérature, par exemple que
le tabac augmentait les risques de crises cardiaques, mais l'aspect le plus intéressant de cette étude est la découverte de relations qui n'étaient pas décrites dans la littérature (tout du moins en 2006 lors de sa publication), par exemple qu'un diabète simple associé à des manipulations physiques et à des examens de tomodensitométrie (CT-scan) de la tête implique des troubles hydro-électrolytiques.
4.1.3 Les diérentes méthodes de découverte de
pat-terns
Compte tenu de la grande variété d'applications, il existe de très nom-breuses méthodes au sein de la littérature. Brejová et al. [123] proposent une review des diérentes méthodes existantes. Ces méthodes peuvent être classées en trois catégories :
1. Les méthodes de recherche exhaustive : ces méthodes énumèrent tous les patterns qui respectent les paramètres dé nis par l'utilisateur [124] ; 2. Les méthodes d'extension de patterns : ces méthodes identi ent dans un premier temps les patterns courts et au fur et à mesure les allongent en rajoutant des éléments à ces patterns. L'algorithme APRIORI [125] et l'algorithme TEIRESIAS [126] sont les plus connus dans la littérature ; 3. Les méthodes heuristiques itératives : ces méthodes sont utilisées dans le cadre de patterns complexes. L'une de ces méthodes est l'échantillon-nage de Gibbs [127].
Ces méthodes possèdent toutes leurs avantages et inconvénients. Ainsi, l'avantage de la recherche exhaustive est de retourner la totalité des patterns existants, son inconvénient principal est le temps de calcul. L'extension de patterns a l'avantage d'être plus rapide, mais ne permet pas d'identi er la totalité des patterns, principalement lorsque des substitutions peuvent exis-ter. Les méthodes heuristiques itératives ne garantissent pas de trouver les meilleurs patterns, mais ont l'avantage de converger vers un minimum local.
Les patterns peuvent être de diérentes formes [118] :
- des patterns dits séquentiels, c'est-à-dire que la succession des éléments les composant est clairement dé nie ;
- des patterns parallèles, c'est-à-dire qu'il n'y a pas de contraintes d'ordre entre les éléments.
La gure 4.1 présente la diérence entre ces deux types de patterns à travers un exemple simple. Dans cette gure, les deux patterns sont composés des mêmes activités (A, B et C), mais le pattern séquentiel nécessite que l'ordre
des éléments soit respecté. Ainsi, le pattern séquentiel n'est présent qu'en début de séquence, alors que le pattern parallèle est présent en début et en n de séquence.
Figure 4.1 Diérence de reconnaissance au sein d'une séquence d'un pat-tern séquentiel et d'un patpat-tern parallèle.
De plus, certaines méthodologies permettent uniquement la reconnais-sance de patterns entièrement dé nis, c'est-à-dire que tous les éléments des patterns sont identi és, alors, que d'autres autorisent la présence de substi-tutions, d'insertions ou de délétions, c'est-à-dire que les patterns identi és prennent en compte la permutation de deux ou plusieurs éléments, l'absence ou l'ajout d'éléments.
Si, dans le pattern parallèle de la gure 4.1, on autorise la substitution de l'élément B par un élément E, nous trouvons 3 occurrences de ce pattern avec substitution : les deux occurrences déjà présentées, mais aussi la séquence E,C,A. Bien évidemment les méthodes permettant la mise en place de telles manipulations sont beaucoup plus complexes que celles qui n'en permettent pas.