Modèles de Markov cachés pour identifier les trajectoires d’événements résiduels sous pression positive continue
Axe IV : Méthodes d’analyse de données
Comprendre les trajectoires d’événements résiduels observés sous traitement est une étape nécessaire permettant d’améliorer la personnalisation du traitement et le suivi des échecs de traitements au cours du temps.
2860 patients traités par pression positive continue
Trois états distincts identifiés
5 clusters de variabilité d’événements résiduels observés sous PPC
Enjeux et objectifs
L’objectif est d’utiliser une approche de data science pour personnaliser le suivi des patients traités par pression positive continue visant à prévenir les échecs de traitement.
Projet
Le but de cette étude est de développer une approche de data mining pour caractériser et clustériser les événements résiduels des patients traités par pression positive continue. Pour cela, l’identification de nouveaux indices identifiant la variabilité des évènements résiduels sous pression positive continue et permettant de caractériser les trajectoires de patients en sous-groupes homogènes doit permettre de personnaliser le traitement selon le groupe. Nous introduisons ici le concept de télémonitogramme, qui est un diagramme présentant les différents stades d’efficacité du traitement au cours du temps pour faciliter la détection précoce de dégradation dans la prise en charge des patients et prévenir un échec du traitement.
Partenaires
Probayes
ANRT Bourse CIFRE
Agir à Dom
LJK
Thèse financée dans le cadre du mécénat de recherche de la fondation de l'UGA
Résultats
- 2860 patients traités par PPC
- Age moyen : 66,3 +/- 12.9
- Trois états cachés avec HMM
- 669 patients dans un cluster stable (nombre moyen d’événements par nuit : 0.58 +/-0.59
- 470 patients dans un cluster à fore variabilité (nombre moyen d’événements : 9.62 +/- 5.62