Modélisation du dossier patient par deep learning : application à un entrepôt de données cliniques français pédiatrique et de maladies rares - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2022

Modélisation du dossier patient par deep learning : application à un entrepôt de données cliniques français pédiatrique et de maladies rares

Résumé

Objectif : construire une modélisation du dossier patient par deep learning réutilisable pour différentes sous-tâches à partir de l'entrepôt de données cliniques de l'hôpital Necker puis l'appliquer à une sous-tâche de test : la ré hospitalisation des patients en moins de 30 jours. Matériaux et méthodes : nous avons premièrement conçu un alignement (mapping) des codes CIM-10, des codes LOINC de biologie avec les CUI de l'UMLS. Dans un second temps nous avons utilisé les concepts précédemment extraits des notes médicales puis nous les avons alignés avec les CUI de l’UMLS. La modélisation a été construite avec une structure de deep learning semi-supervisée : les stacked denoising auto-encoder (SDAE). Nous avons testé le SDAE sur différents échantillons de la base de données (1000, 10000, toutes les données ainsi qu’un sous-échantillonnage). Résultats : le SDEA a obtenu de meilleurs résultats que l’ensemble des échantillons de références, à l'exception du sous-échantillonnage où le DEA a obtenu de meilleurs résultats. Discussion : nous montrons dans cette étude que la modélisation du dossier patient d’un hôpital pédiatrique par deep learning permet après application à une sous tâche de classification de prédire les patients ré hospitalisé en moins de 30 jours. Nous montrons aussi que la précision de prédiction augmente sensiblement lorsque l'algorithme de deep learning (SDAE) est appliqué uniquement à la base pédiatrique, plus petite et plus spécifique. Plusieurs améliorations semblent envisageables et d'autres sous-tâches doivent être testées.
Fichier principal
Vignette du fichier
The`se_Mathilde_BESSONpdf.pdf (3.2 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03550531 , version 1 (01-02-2022)

Identifiants

  • HAL Id : dumas-03550531 , version 1

Citer

Mathilde Besson. Modélisation du dossier patient par deep learning : application à un entrepôt de données cliniques français pédiatrique et de maladies rares. Sciences du Vivant [q-bio]. 2022. ⟨dumas-03550531⟩
116 Consultations
124 Téléchargements

Partager

Gmail Facebook X LinkedIn More