HAL will be down for maintenance from Friday, June 10 at 4pm through Monday, June 13 at 9am. More information
Skip to Main content Skip to Navigation
Master Thesis

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.
Complete list of metadata

https://dumas.ccsd.cnrs.fr/dumas-03550531
Contributor : Faculté de Médecine Amu Connect in order to contact the contributor
Submitted on : Tuesday, February 1, 2022 - 10:21:46 AM
Last modification on : Friday, February 11, 2022 - 3:34:22 AM
Long-term archiving on: : Tuesday, May 3, 2022 - 8:45:26 AM

File

The`se_Mathilde_BESSONpdf.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : dumas-03550531, version 1

Collections

Citation

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⟩

Share

Metrics

Record views

20

Files downloads

2