Notre but principal est la modélisation des signes dans les ontologies biomédicales pour l’aide au diagnostic médical. Ce but s’appuie sur le fait que les ontologies en plus de permettre de faire de l’aide à la décision, facilitent l’intégration des données entre systèmes et l’interopérabilité entre systèmes. De ce fait, les ontologies permettent de palier une des insuffisances des précédents systèmes d’aide à la décision médicale (cf. 1.1), l’intégration au système d’information hospitalier (SIH).
En effet, l’intégration au SIH permet d’obtenir automatiquement les pré-requis (signes, symptômes, antécédents, etc.) du patient utiles pour le raisonnement du médecin. Mais avant une intégration au SIH, un système doit avoir une base de connaissances en adéquation avec les connaissances du domaine d’une part, et d’autre part, le système doit s’appuyer sur un moteur d’inférences performant. C’est pour ces raisons que nous devons proposer des méthodes générales de construction des modèles de connaissances ontologiques sur les maladies et mettre en place un moteur d’inférences permettant d’apporter une aide substantielle au médecin dans son processus du diagnostic médical.
Ces modèles de connaissances doivent contenir des connaissances du domaine (connaissances déclaratives et procédurales sur les maladies) et des connaissances de contrôle (celles liées au processus du diagnostic médical) (Clancey, 1983; Newell, 1973; Turban & Liang, 2005). Quels objectifs cherchons-nous à atteindre en mettant en place un modèle unique ? Surtout, comment intégrer toutes ces connaissances (déclaratives, procédurales et de contrôle) et les faire cohabiter dans un seul et unique modèle ?
63 Les systèmes existants, même ceux développés avec des modèles ontologiques ne séparent pas suffisamment les connaissances du domaine et les connaissances de contrôle. En effet, nous avons vu dans les précédentes sections que les descriptions des maladies sont modifiées afin d’être utilisables à des fins de diagnostic médical, surtout pour les cas concernant les diagnostics multi-niveaux (Rodríguez-González & Alor-Hernández, 2013). Quels sont les intérêts d’une telle séparation ? Quelle méthode ou approche mettre en œuvre pour garantir cette séparation ?
Le diagnostic médical est abductif (Pottier & Planchon, 2011; Walton, 2004) et son objectif est de produire la meilleure explication permettant de justifier la survenue d’un signe ou d’un symptôme. Ce raisonnement est incrémental car une hypothèse préalablement produite peut être confirmée ou peut être remise en cause par la survenue d’un nouveau signe ou symptôme. Alors, comment mettre en œuvre un mode de raisonnement abductif sur un modèle de connaissances ontologique ?
Selon Cory Henson (Henson et al., 2011) l’hypothèse la plus plausible produite via un raisonnement abductif est celle ayant le moins d’observations. Cela suppose que les signes ont tous les mêmes poids pour toutes les maladies, ce qui dans la réalité ne l’est pas. A ce niveau l’intégration des poids (probabilités) des signes pour les maladies dans le modèle s’avère nécessaire. Est-il possible d’intégrer des probabilités dans un modèle sous forme de PCT (cf. 3.3.4.6) ? Si oui, comment intégrer ces probabilités ?
Les méthodes probabilistes (méthode de Bayes (Aronoff, 2010)) s’appuient sur des théories bien établies (Negnevitsky, 2002b) et elles ont fait l’objet de plusieurs mises en œuvre (De Dombal et al., 1972; Mendonça, 2004; Miller, 2009; Vikram & Karjodkar, 2009). Cependant, nous devons tenir compte du fait que ces modèles ne sont pas transférables (exportables) (Seroussi et al., 2013) et requièrent toujours une phase d’apprentissage (cf. 1.1). L’utilisation de la méthode de Bayes requiert la présence de certains paramètres, à savoir la prévalence des maladies, la sensibilité et la spécificité des signes pour les maladies (cf. 2.4). La production de la spécificité d’un signe pour une maladie requiert la prise en compte des vrais négatifs (VN). Cet effectif (VN) est lié aux signes absents. Comment intégrer ces signes absents ? Et, comment les manipuler ?
3.4.2 Objectifs
Nous voulons proposer et valider des méthodes générales de construction d’ontologies biomédicales permettant de faire du diagnostic médical et mettre en place un moteur d’inférences en utilisant les technologies du web sémantique.
3.4.2.1 Modèle de connaissance
Ces ontologies doivent tenir compte de la typologie des connaissances définie par Grundstein (Grundstein et al., 1988a) :
v Les connaissances déclaratives. Par exemple, un MM est une maladie plasmocytaire (Rajkumar, 2011). La prévalence d’une MGUS pour les personnes de plus de 70 ans est de 5% (Kyle, Francis, & Vincent, 2011; Watanaboonyongcharoen, Nakorn, Rojnuckarin, Lawasut, & Intragumtornchai, 2012).
v Les connaissances procédurales. Par exemple, si la patient a une quantité d’immunoglobuline de type A < 3g/dL, Alors penser à une MGUS (Prcela et al.,
64 2008). On peut aussi avoir des règles permettant de calculer les rapports de vraisemblance à partir des sensibilités et spécificités des signes pour les maladies. v Les connaissances de contrôle. Par exemple, pour les signes « présents » utiliser ce
type de connaissances, sinon utiliser tels autres types de connaissances. On peut aussi avoir des règles utiles pour définir les catégories de signes (Signes biologiques, signes radiologiques, etc.).
A partir des modèles ontologiques élaborées nous produirons des ensembles de règles qui seront utiles pour les moteurs d’inférences dans la production des hypothèses de maladies.
3.4.2.2 Système d’aide à la décision à base d’ontologie (ODES)
Les ensembles de règles produits seront exploités via un système d’aide à la décision. Ce système permettra de présenter le contenu des modèles ontologiques à un praticien afin de l’aider dans ces tâches. Ce système doit fournir une interface adaptative (Frank & Szekely, 1998) en fonction du contenu de l’ontologie. La structure du contenu de l’interface est définie par certaines connaissances de contrôle. Ce système doit aussi fournir des explications (Negnevitsky, 2002c) sur son raisonnement guidées par les connaissances de contrôle.