Représentation des données et Fonctionnalités du moteur

Au regard de l’architecture du processus d’aide au diagnostic présenté dans la sec- tion 2, nous manipulons ici deux niveaux de données correspondant aux informations du questionnaire, et à la base de connaissances. Le terme niveau permet d’expliquer que les données sont construites dans le sens du processus. En effet, une fois le questionnaire recueilli, seule une partie de son contenu est à prendre en compte dans une requête à exé- cuter dans le moteur. Il s’agit notamment des informations non nominatives du patient, les seules qui peuvent être appliquées à la base de connaissances. En plus, une fois qu’une requête résulte sur un diagnostic correct et réussi, elle donne naissance à un nouveau cas pour lequel elle est la prémisse et le diagnostic trouvé en constitue la description. Il est alors important de rattacher un tel cas au patient initial.

Dans cette optique, nous proposons d’utiliser des modèles de données similaires à ceux proposés dans [12]. L’idée est d’avoir une structure d’index qui permet de mettre en lien un modèle de document représentatif de notre questionnaire et un modèle sémantique représentatif de notre base de connaissances, à travers un modèle de liens. Dans notre cas, le premier modèle se définit avec les ensembles <T, P, V, Q> où T renvoie à l’ensemble des huit parties du questionnaire3_{, P correspond à l’ensemble des propriétés ou éléments}

constitutifs à associer à chacune de ces parties, V correspond à l’ensemble des valeurs de chacune des propriétés de P , et Q correspond à l’ensemble des questionnaires.

Le modèle sémantique quant à lui est composé des ensembles O, correspondant à l’ontologie et C correspondant à la base de cas. L’ensemble O est constitué des trois sous ensembles <Cc, Ins, Pr> qui représentent respectivement les concepts, les instances et les propriétés de concepts de l’ontologie.

Et enfin, le modèle de liens décrit trois types de liens Lqint, Lqext et Lc. Le premier décrit les couples (Vi, Oj) qui permettent d’annoter les informations non nominatives Vi du patient présentes dans le questionnaire au regard des éléments Oj de l’ontologie médicale. Le second décrit les couples (Qi, Cj) qui permettent d’annoter les occurrences de questionnaires au regard de leurs diagnostics résultants à partir de la base cas. Le troisième quant à lui décrit les couples (Ci, Oj) qui permettent d’annoter aussi les cas enregistrer au regard de l’ontologie.

La représentation formelle de cette structure de données repose sur des standards de représentation de connaissances W3C du Web sémantique définis autour de RDF. En ef- fet, la structure d’ensemble est stockée dans un graphe RDF et intégrée à notre moteur de recherche. Ce dernier est combiné à un moteur de raisonnement sémantique comme CORESE4 qui permet de parcourir et d’inférer dans un graphe RDF à partir du langage de requête SPARQL. Le modèle de document est implémenté sous forme de triplets RDF, notamment l’ensemble V, les autres ensembles qui définissent des objets descriptifs sont représentés en RDFS. L’ontologie est décrite avec le formalisme OWL et la bases de cas, linéaire pour le moment, est représentée en RDF aussi, de même que l’ensemble des liens d’annotations.

Le moteur sémantique propose fondamentalement deux fonctionnalités. Sa première fonction est la possibilité qu’il offre à un médecin de lancer manuellement des requêtes représentatives de symptômes afin de retrouver de potentiels diagnostics. Le but, une fois le questionnaire recueilli, est de permettre au médecin de considérer la terminologie médi- cale présente dans un questionnaire donné et de construire ses requêtes à partir de celle-ci. Cette fonction est actuellement en cours de développement, contrairement à la deuxième qui est rendue possible par la représentation formelle de la structure de données dans un graphe RDF. En effet, comme décrit dans [12], l’exploitation de ce graphe offre dif- férentes possibilités de navigation dans les données à partir du modèle de liens. Il s’agit de la navigation :

– à l’intérieur du modèle de document, par exemple pour retrouver toutes les consul- tations dont un patient donné a fait l’objet.

– à l’intérieur de la base de connaissances, soit pour utiliser l’ontologie comme un dictionnaire à l’instar des fonctionnalités de recherche proposées par les plateformes de recherche bio-médicale tels que MedLine ou PubMed5_{, soit pour explorer la base de cas,}

ou soit pour effectuer des projections de l’ontologie sur la base de cas (ou vice versa) afin de retrouver les annotations ontologiques apposées sur un cas. Et vice versa, afin de retrouver l’ensemble des cas sur lesquels figurent, dans leur prémisse ou dans leur description, une maladie donnée présente dans l’ontologie).

– à l’intérieur du modèle de liens afin d’effectuer des fouilles croisées qui permettent plus pertinemment de reconstituer le dossier de suivi d’un patient en considérant toutes ses consultations (questionnaires) et les diagnostics dont il a fait objet.

6. Conclusion

Dans cet article, nous présentons l’architecture de notre moteur de recherche séman- tique pour l’aide au diagnostic médical. Il est à noter que ce travail vient tout juste de démarrer sous forme de projet de recherche. Et à cette étape du travail cet article donnera sans doute un goût d’inachever mais globalement il décrit nos choix de modèles et de supports techniques pour la réalisation d’un tel système à partir d’une étude de l’existant. Nous avons alors décrit les différentes étapes du processus d’aide attendu ainsi que les différents composants du moteur. Il a été question d’une part de montrer comment nous comptons prendre en charge la construction du questionnaire et de la base de connais- sances à travers des formalismes du Web sémantique. Et d’autre part, cet article permet

de voir qu’en plus des possibilités de navigation offertes par notre structure de données, la recherche manuelle de diagnostics par un médecin à partir d’un questionnaire à l’issu d’une consultation devra être sérieusement gérée. Dans des travaux futurs, il sera alors question d’implémentation du moteur, et de sa structure de données, et de le mettre à disposition des acteurs du domaine santé au Sénégal afin de réaliser avec eux les tests adéquats à l’adaptation de l’outil aux besoins locaux d’aide au diagnostic.

7. Bibliographie

[1] CHARLET, JEAN ANDDECLERCK, GUNNAR ANDDHOMBRES, FERDINAND ANDGAYET, PIERRE AND MIROUX, PATRICK AND VANDENBUSSCHE, PIERRE-YVES, Construire une ontologie médicale pour la recherche d’information : problématiques terminologiques et de modélisation, In Actes des 23es journées francophones d’Ingénierie des connaissances, Paris, France, 2012.

[2] ANBARASIM.S., NAVEENP.,SELVAGANAPATHIS.,MOHAMEDNOWSATHALII., Ontology Based Medical Diagnosis Decision Support System, In International Journal of Engineering Research and Technology (IJERT), 2013.

[3] OLIVIER BODENREIDER, The Unified Medical Language System (UMLS) : integrating biomedical terminology, In Nucleic Acids Research, 2004, Vol. 32.

[4] ROBERTHOEHNDORF, MICHEL DUMONTIER ANDGEORGIOSV.GKOUTOS, Evaluation of research in biomedical ontologies, In BIOINFORMATICS. VOL 14. NO 6. 696-712, 2012. [5] RONALDCORNET ANDNICOLETTE DEKEIZER, Forty years of SNOMED : a literature re-

view, In First European Conference on SNOMED CT, 1-3 October 2006, Copenhagen, Den- mark.

[6] BRIGITTEBARTSCH-SPORL AND MARIO LENZ AND ANDRÉ HUBNER, Case-Based Rea- soning - Survey and Future Directions, In Proc. of the 5th German Biennial Conference on Knowledge-Based Systems, 1999.

[7] KLAUS-DIETER ALTHOFF AND AL., Case-Based Reasoning for Medical Decision Support Tasks : The INRECA Approach, In Artificial Intelligence in Medicine Journal, Vol. 12, No. 1, Jan. 1998, 25-41.

[8] AGNARAAMODT, ENRICPLAZA, Case-based reasoning : foundational issues, methodologi- cal variations, and system approaches, In Journal AI Communications archive, Volume 7 Issue 1, March 1994, Pages 39-59.

[9] SANDRABRINGAY, CATHERINEBARRY, JEANCHARLET, Les documents et les annotations du dossier patient hospitalier, In Information-Interaction-Intelligence, Volume 4, n˚1, 2005. [10] BRUT, MIHAELA ANDALKUKHUN, DANA ANDPÉNINOU, ANDRÉ ANDCANUT, MARIE-

FRANÇOISE ANDSÈDES, FLORENCE, Structuration et Accès au Dossier Médical Personnel : approche par ontologies et politiques d’accès XACML, In Symposium sur l’Ingénierie de l’In- formation Médicale, Toulouse, 2011.

[11] JOSÉ A., REYES-ORTIZ, ANA L. JIMENEZ, JAIME CATER, CESAR A. MALENDÉS, Ontology-based Knowledge Representation for Supporting Medical Decisions, Recherche in Computer Science, 2013.

[12] ABDOULAYEGUISSÉ, FRANÇOISLÉVY, ADELINENAZARENKO, Un moteur sémantique pour explorer des textes réglementaires, In Journées Ingénierie des connaissances, 2011.

iniang@ucad.sn

RÉSUMÉ. La redondance est une caractéristique inhérente des WSNs (Wireless Sensor Networks) qui doit

être soigneusement examinée afin d'améliorer les aspects importants de leur fonctionnement. Presque tous les réseaux de capteurs sont déployés avec un certain degré de redondance et la redondance est utilisée seulement pour des objectifs de robustesse. Si elle n'est pas gérée d'une manière intelligente, la redondance se traduit par un gaspillage de l'énergie en raison des opérations de transmission et de réception redondants. Compte tenu de ce gaspillage d'énergie, une méthode de détection de redondance basée sur les modèles de détection est proposée. Nous proposons de prendre avantage de la redondance de mesure pour optimiser la consommation d'énergie et d'améliorer le délai de bout-en-bout. Nous proposons le protocole OER (Optimization of Energy based on Redundancy), afin d'améliorer la consommation d'énergie dans les réseaux de capteurs.

Les résultats des simulations montrent que notre approche permet de réduire considérablement la consommation d’énergie dans les réseaux de capteurs et augmente ainsi leur durée de vie. Il diminue aussi le délai de bout en bout.

ABSTRACT. Redundancy is an inherent feature of WSNs (Wireless Sensor Networks) that has to be very

carefully examined in order to improve important aspects of their functioning. Almost all WSNs are deployed with some redundancy degree and redundancy is used only for robustness objectives. If not handled in an intelligent way, redundancy results in energy wasting because of redundant transmission and reception operations. In view of this energy wasting, a redundancy detection method under sensing models is proposed. We propose to take benefit from measurement redundancy to optimize the energy consumption and improve the end-to-end delay. We propose OER (Optimization of Energy based on Redundancy) protocol, to improve energy consumption in WSNs.

The simulation results show that our approach reduces greatly the energy consumption in WSNs and thus increases their lifetime. It also improves the end to end delay.

MOTS-CLÉS : WSN, redondance de mesures, proximité géographique, modèles de détection.

architectures classiques. La miniaturisation des capteurs pose des problèmes de communication et de ressources d’énergie. Il faut que le capteur soit suffisamment intelligent pour collecter ou recevoir l’information et l’émettre à faible consommation d’énergie avec un délai raisonnable. Le déploiement d’un réseau de capteurs pose donc des problèmes de gestion de l’alimentation et de délai de bout en bout. Malgré l’introduction du clustering, les réseaux de capteurs sont toujours confrontés à des problèmes de consommation d’énergie et de délai. La plupart des travaux [2, 3, 5, 6, 8, 9, 11, 12, 13, 16] propose des améliorations en ce qui concerne la consommation d’énergie. Cependant, ils ne prennent pas en compte la redondance de mesures. Ces travaux utilisent généralement l’agrégation de données et augmentent le délai.

La structuration d’un réseau de capteurs est un des outils principaux pour sauvegarder l’énergie dans chaque nœud du réseau, ce qui permet de prolonger la vie du système. Une des structures les plus connues est la hiérarchie. La technique de hiérarchisation sert à partitionner le réseau en sous ensembles afin de faciliter sa gestion.

Dans cet article, nous proposons une technique de regroupement de nœuds redondants dans les réseaux de capteurs. L’idée générale de notre approche est de déterminer et de regrouper les nœuds redondants de telle sorte qu’un seul nœud représentant par groupe détecte un éventuel événement et envoie sa donnée. Cet article préconise l'utilisation de la proximité géographique et du modèle de détection probabiliste pour l'amélioration de l'économie d'énergie.

Le reste de cet article est organisé comme suit. La section 2 présente les techniques de conservation d'énergie dans les réseaux de capteurs. La section 3 présente notre approche de regroupement par proximité géographique. Une validation expérimentale est proposée dans la section 4. Enfin, une conclusion est formulée dans la section 5.