Séminaire "Évaluation des facteurs de risque de chute à partir d'un ensemble de données réelles à l'aide de réseaux bayésiens"

Les chutes constituent un problème important pour les personnes âgées, et l'identification et l'évaluation des facteurs de risque sont essentielles pour réduire les taux de chute. Cependant, la prévention des chutes nécessite une approche pédagogique et répétée, du temps et de l'expertise pour cibler avec précision les facteurs de risque exploitables. Cette thèse vise à évaluer les facteurs de risque de chute en utilisant un ensemble de données réelles et des réseaux bayésiens.

L'utilisation de données réelles pose des défis, en particulier en ce qui concerne le prétraitement des données, qui prend du temps et nécessite de l'expertise. De plus, une application basée sur l'IA soulève de nouveaux défis tels que la confiance, qui dépend de l'interprétabilité et de l'explicabilité des résultats. Pour relever ces défis, cette thèse propose un modèle de connaissance (réseaux bayésiens) qui évalue automatiquement les principaux facteurs de risque pouvant faire l'objet d'une action. Le modèle est entraîné sur un ensemble de données réelles combinées à des connaissances d'experts. Deux itérations des étapes de prétraitement des données sont présentées et expliquées, y compris l'imputation des valeurs manquantes, la sélection des variables et l'utilisation de techniques d'équilibrage pour les données déséquilibrées. La première itération n'a inclus que les principales variables pour valider la faisabilité du processus, et la seconde itération a inclus autant de variables que possible pour améliorer la prédiction et le processus.

Le modèle est comparé à d'autres classificateurs bien connus par le biais de différentes mesures, y compris l'observation totale ou partielle, et l'utilisation ou non de méthodes d'équilibrage pour gérer la question délicate des données déséquilibrées. Un réseau bayésien est présenté comme une bonne solution, combinant la qualité des résultats pour évaluer les facteurs de risque et l'interprétabilité/explicabilité du modèle du point de vue de l'expert.
Les résultats montrent que prédire la présence ou l'absence de facteurs de risque de chute est une tâche difficile. Alors que les réseaux bayésiens et d'autres classificateurs ont des performances équivalentes en termes de mesures telles que la précision équilibrée et le score f1, l'intérêt des réseaux bayésiens réside dans leur interprétabilité et la possibilité d'utiliser des observations partielles.

En résumé, cette thèse présente une contribution à une application pour la prévention des chutes qui facilite l'évaluation automatique des facteurs de risque à partir d'observations partielles du patient, en utilisant un ensemble de données réelles et des réseaux bayésiens. Le modèle de connaissance proposé (réseaux bayésiens) répond aux défis de l'utilisation de données réelles et des applications basées sur l'IA, respectivement.