Conclusions méthodologiques

Figure 3.7 – Exemple de suivi dupoids sec avec le réseau bayésien dynamique.

diagnostic donné par le système est obtenu à partir d’un ensemble restreint de données qui sont

principalement le suivi du poids et des pressions artérielles du patient.

L’évaluation objective du système est très difficile étant donné que lepoids secréel du patient

reste inaccessible. Le seul critère objectif disponible pour l’évaluation du système de télémédecine

est l’évolution des indicateurs de qualité des soins comme, par exemple, le taux d’hypertension.

Il est cependant très difficile de distinguer dans une telle évaluation la contribution du système

d’alerte dans le système de télémédecine. Le retour que nous avons eu des médecins sur le système

est positif. Le système de diagnostic est, d’après les néphrologues, fiable et concorde le plus

souvent avec leurs décisions. Le système est aujourd’hui commercialisé par la société Diatélic et

trouve son intérêt en particulier dans les endroits où les transports sont assez difficiles, comme à

l’île de la Réunion. Cependant, l’estimation dupoids sec reste un problème non résolu et le jeu de

paramètres utilisés ici est assez réduit. Les mesures de pression artérielle sont fortement variables

et dépendent d’éléments non pris en compte comme la prise d’un traitement hypotenseur, ou un

changement dans l’alimentation du patient. Il serait donc intéressant d’augmenter le jeu des

données prises en compte. Les machines de dialyses fournissent une information qu’il serait

possible d’intégrer au système afin d’affiner les diagnostics.

3.8 Conclusions méthodologiques

L’approche utilisée nous a permis d’élaborer un système de diagnostic sans utiliser de base

de données étiquetées. Le formalisme utilisé a servi de support à la discussion avec les médecins,

nous permettant de représenter directement, sous forme stochastique, les règles de diagnostic

permettant l’interprétation des données.

Nous pouvons distinguer deux étages dans le processus de traitement automatique des

don-nées, tous deux issus de l’intégration de la connaissance des experts. Le premier est l’étage de

traitement des mesures quantitatives en vue de faire ressortir une information pertinente. Il

permet notamment, pour chaque patient, de mettre en perspective les mesures journalières avec

l’historique des mesures passées. Ce traitementad hocest réalisé à l’extérieur du modèle

stochas-tique. Les résultats ainsi obtenus sont ensuite interprétés à l’aide de filtres flous pour produire

une information symbolique sous forme d’evidences incertaines. Le second étage concerne le

trai-tement de l’information symbolique, représentée par des variables discrètes. Cette information

symbolique est manipulée dans le modèle stochastique pour évaluer la probabilité des différentes

hypothèses connaissant les mesures passées. Remarquons que les filtres flous utilisés en entrée

peuvent être assimilés à des lois conditionnelles. Le modèle peut donc être considéré comme un

réseau hybride dans lequel seules les variables observées sont continues.

expérience, aborder de la même façon le problème de la prévention des rejets et de l’adaptation

du traitement chez des patients transplantés. Cependant, la principale limite de cette approche

est le temps d’expert qu’elle nécessite pour sa mise en œuvre et par conséquence la relative

rigidité du résultat. Il faut en effet pour adapter le modèle ou lui ajouter un paramètre en entrée

revisiter l’ensemble du système afin d’assurer sa cohérence. Cette expérience nous montre donc

la nécessité de se tourner vers l’apprentissage automatique afin de construire des systèmes plus

adaptables. La partie III de ce mémoire est consacrée à la mise en œuvre de ces techniques dans

le cadre d’applications médicales.

Chapitre 4

Mesurer les paramètres de la marche

Sommaire

4.1 Problématique applicative . . . . 78

4.2 Capture du mouvement sans marqueurs . . . . 78

4.3 Réduire le nombre de particules . . . . 79

4.4 Approche factorisée . . . . 80

4.4.1 Factorisation de l’espace d’états . . . . 80

4.4.2 Fonction d’observation . . . . 81

4.5 Algorithme gourmand . . . . 84

4.6 Mouvements de main simulés . . . . 86

4.7 Application au suivi des paramètres de marche . . . . 87

4.7.1 Observations multiples . . . . 88

4.7.2 Reconstruction de la position des pas . . . . 98

4.8 Evaluation en situation réaliste . . . . 99

4.9 Conclusion . . . 100

L’incertitude et la complexité sont deux problèmes fréquemment rencontrés lorsque l’on traite

un problème du monde réel. L’incertitude provient essentiellement des observations sur le système

qui sont soit partielles soit bruitées. La complexité est souvent liée au processus lui même, qui

pour être complètement décrit, nécessite de nombreuses dimensions. Le problème de l’inférence

consiste alors à identifier, dans un contexte incertain, une trajectoire dans un espace de très

grande taille.

Nous montrerons dans ce chapitre au travers d’une application particulière qu’est la mesure

des paramètres de la marche, que le formalisme des DBNs peut nous aider à raisonner sur la

structure du problème et à tirer parti de cette structure pour réaliser l’inférence de manière

plus efficace. Dans cet exemple les observations proviennent de caméras vidéos dont les images

sont intégrées comme evidences dans un modèle continu. Nous proposons dans ce chapitre un

algorithme d’inférence « gourmand » permettant de tirer parti de la représentation factorisée

du problème afin de réduire le nombre de particules utilisées. Cet algorithme est adapté au

formalisme des DBNs et n’est par conséquent pas spécifique à l’application développée dans ce

chapitre.

4.1 Problématique applicative

Dans le cadre de la télésurveillance et du maintien à domicile de personnes en perte

d’auto-nomie, l’analyse en situation naturelle encore appelée en conditions écologiques [Paysant, 2006]

est fondamentale pour estimer le degré d’autonomie de la personne, la qualité de son équilibre

statique et dynamique ou encore avoir un retour sur l’impact d’une action thérapeutique. La

dé-gradation de la marche chez les personnes âgées est un facteur important de perte d’autonomie

ayant pour conséquence une aggravation du risque de chute.

L’installation de caméras vidéos utilisées comme instruments de mesure à visée médicale est

envisagée en raison de leur capacité à acquérir une information complète sur les situations

rencon-trées par les personnes dans leur environnement quotidien. Le caractère intrusif des caméras est

bien évidemment à prendre en compte et c’est pourquoi le système envisagé ne sort pas d’images

mais un ensemble de mesures caractérisant la marche de la personne comme les longueurs de

pas, ou les temps d’appui.

Ainsi le problème posé est ici d’estimer à chaque instant la position dans l’espace de la

personne et en particulier de ses jambes à partir des images provenant d’une ou plusieurs caméras.

Dans le document Modélisation stochastique pour le raisonnement médical et ses applications à la télémédecine (Page 97-100)