Système sensible au Contexte

L'informatique ubiquitaire est considérée comme l’une des réalisations scientifiques les plus marquantes de la dernière décennie. Cette conception a créé une révolution dans les interactions des utilisateurs finaux grâce au concept de prise de conscience du contexte. L'informatique ubiquitaire offre une nouvelle opportunité de repenser le schéma des solutions conventionnelles, car il peut facilement adapter ses processus en fonction de situations contextuelles existantes. De nombreuses architectures théoriques ont été proposées pour permettre une informatique contextuelle dans des environnements ubiquitaires, en particulier dans le domaine de la santé. L’architecture globale des systèmes sensibles au contexte et du processus de développement se trouve dans [7,28]. Dans ce travail, nous distinguons quatre composantes principales : l'acquisition du contexte, la représentation, le raisonnement et l'application. Les fonctions d’acquisition du contexte permettent d'interroger des périphériques physiques pour obtenir des données contextuelles. Étant donné les diverses caractéristiques des informations contextuelles telles que l’hétérogénéité, la dynamique et les imperfections, il est essentiel de définir un modèle pour décrire ces données. Il existe trois principaux types d'approches pour représenter le contexte : l'approche par clé valeur, l'approche orientée objet et l'approche ontologique. En plus des informations de contexte, des schémas de raisonnement sont mis en œuvre pour développer des applications et des services pour des besoins particuliers.

Dans ce travail, un grand nombre de règles avec une ontologie pour un système médical expert ont été décrites. Le système proposé fournit une infrastructure de surveillance

intelligente permettant de suivre l'état physique des patients, de suggérer des recommandations et d'effectuer des interventions en temps voulu.

Ce processus implique l'observation et le contrôle du comportement des paramètres physiologiques et de l'environnement. Par conséquent, le système adapte les seuils de sécurité de signes vitaux en fonction des facteurs démographiques, du profil médical, de l'activité physique et de l'ambiance extérieure. Le projet présenté a démontré ses avantages non seulement en termes de réponses en temps réel, mais également en prévoyant les changements du corps à l’avance en fonction des effets des déclencheurs potentiels. En raison de la complexité de ce domaine de connaissances, nous avons établi une approche basée sur des scénarios pour coordonner l’évolution d’un tel système décisionnel.

La construction de scénarios est régie par l'exécution d'une stratégie modulaire séquentielle et de règles fondées sur des preuves. Cette architecture est conçue et implémentée en quatre couches distinctes : la couche d’acquisition est dédiée à la collecte et à la transmission appropriée de différentes sortes de données, telles que le profil médical du patient souffrant de MPOC, les biomarqueurs et les informations environnementales, qu’elles soient recueillies à partir de capteurs de surveillance portables ou fixes. La couche sémantique ou le schéma ontologique a été utilisé pour interpréter des informations complexes et traduire le contexte réel du patient dans un langage compréhensible et accessible à la machine.

La représentation générique de la couche sémantique consiste en un ensemble d'ontologies interdépendantes et de nombreux concepts liés à la maladie pulmonaire, à l'environnement, aux dispositifs et aux informations personnelles et médicales du patient [3]. Ainsi, au niveau macro, le système de surveillance vise à détecter tous les événements dangereux susceptibles d’influencer les patients atteints de MPOC. Puisque OWL a des limites d’expressivité pour la représentation de nombreux types d’informations contextuelles, en particulier les instructions si‒donc, nos ontologies ont été étendues avec des règles

d’enchaînement. Ces règles ont été exprimées dans le langage de règle du Web sémantique (SWRL) pour décrire toutes les implications et conséquences. Les règles proposées sont extraites de l'analyse des données, des directives médicales existantes et des opinions des pneumologues.

En pratique, ces règles sont utilisées par un moteur d'inférence pour dériver de nouveaux faits, détecter des événements et prévoir les risques potentiels. La nouveauté de ces règles réside dans la structure dynamique, qui a la capacité de configurer et de reconfigurer les limites sécurisées en fonction des circonstances et des contextes actuels. Figure 35 fournit une explication simplifiée des relations entre les entités constitutives du système. Dans notre système, le contexte désigne les informations qu’il recueille pour déterminer les conditions environnementales et l’état de santé d’un patient. Les données les plus importantes proviennent des capteurs médicaux. Chaque capteur recueille des données et les transmet au téléphone portable du patient via un protocole de communication. Le téléphone mobile sert d'intermédiaire entre le serveur et les capteurs, envoyant les données détectées aux serveurs pour un traitement ultérieur. Une fois que le téléphone a téléchargé les données du capteur, le système les stocke dans la base de données des patients et les analyse de manière autonome à l'aide du moteur de raisonnement. Ce processus consiste à comparer les données reçues à un ensemble de données préexistantes relatives au patient, telles que les intervalles normaux recommandés pour chacun des paramètres détectés. L’environnement opérationnel de ce système est divisé en quatre parties principales.

La première partie est la collecte de données. Ces données sont réparties entre le profil médical du patient, obtenu au stade du diagnostic, et les informations contextuelles que nous pouvons obtenir à partir de capteurs virtuels et réels. Toutes ces informations doivent être conservées dans des bases de données personnalisées et cohérentes par rapport à l'objectif, qu'il s'agisse de dossiers médicaux électroniques ou de bases de données classiques, afin de gérer le contexte en temps réel.

La deuxième partie est le noyau principal de ce système, où tous les processus d’interprétation sont effectués. Cette partie est une base de connaissances d’ontologie, reposant sur des règles médicales complexes visant à dessiner une représentation semi- complète des scénarios de vie du patient dans un langage de programmation sémantique. En pratique, la première partie et deuxième partie sont étroitement liées, de sorte que les données collectées servent d'entrée à l'ontologie, qui extrait à son tour le scénario existant et applique les règles de protection pour garantir que les patients soient informés rapidement de tous événements potentiellement liés au risque.

Figure: 35 Architecture générale

La troisième partie est liée aux fonctions du système ; les services offerts par le système sont divisés en deux catégories principales : (1) les services aux patients, qui comprennent une évaluation des signes vitaux, une évaluation des facteurs de risque externes et une estimation des effets globaux des activités (2) services des soignants censés fournir des interfaces multitâches pour la surveillance, la prise de décision et l’évaluation des

traitements en temps réel. La dernière partie contrôle tous les processus en arrière-plan. La dynamicité est l’une des principales caractéristiques de ce système. Il développe ses faits en permanence, car il envoie périodiquement des informations brutes et dérivées aux entrepôts de données pour une analyse plus approfondie. Ce cycle permet au système de mettre à jour ses règles et de promouvoir des services de santé personnalisés. Dans la prochaine section, nous étudierons les méthodes d'extraction des règles médicales de la MPOC.