DTW : analyse des trajectoires d’observance à la pression positive continue des patients ayant un syndrome d’apnées obstructives du sommeil.
Axe IV : Méthodes d’analyse de données
Les données des patients ayant un syndrome d’apnées obstructives du sommeil sont recueillies chaque jour grâce au télé-suivi.
848 patients considérés
6 profils d’observance à la PPC mis en évidence
10 indices de validité interne étudiés
Enjeux et objectifs
Cette étude visait à explorer les différentes approches de classification de trajectoires d’observances de patients à l’aide d’une simulation de données pour comparer différentes méthodes et différents critères de validité internes des approches de clustering de trajectoires.
Projet
Chaque nuit, les patients ayant un syndrome d’apnées du sommeil utilisant leur traitement de pression positive continue collectent des données sur le nombre d’heures d’utilisation de leur machine. Ces données peuvent être considérées comme des séries temporelles et peuvent être classées pour identifier différents profils de trajectoires de patients au cours du temps. Ce travail a pour objectif d’identifier la méthode la plus adaptée pour classer les trajectoires d’observance à la pression positive continue avec, dans un premier temps, une étude de simulation faisant varier différents paramètres pour identifier à la fois la méthode et le critère permettant d’identifier le nombre de groupes (clusters) optimal. Dans un deuxième temps la méthode la plus adaptée a été appliquée à un jeu de données réelles pour mettre en évidence des trajectoires de patients dans un jeu de données.
Partenaires
Laboratoire Jean Keutzmann - Adeline Leclerc-Samson et Agnès Hamon
Thèse de science financée dans le cadre de la chaire E-Santé
Résultats
- L’étude de simulation a montré qu’une classification ascendante hiérarchique avec un critère de Ward et une distance Dynamic Time Warping semble plus adapté pour la classification de trajectoires d’observances.
- L’indice Dunn semble le plus adapté pour identifier le nombre de classes optimales.
- 6 profils d’observance de patients se dégagent lorsque l’on applique cette méthode sur un jeu de données réelles
Ressources complémentaires
Publication : https://onlinelibrary.wiley.com/doi/abs/10.1002/sim.9130Développement d’une application de visualisation de trajectoires sous R Shiny