Partie I Un formalisme graphique 11
3.8 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)