{"id":37668,"date":"2018-04-01T13:40:00","date_gmt":"2018-04-01T11:40:00","guid":{"rendered":"https:\/\/gestions-hospitalieres.fr\/?p=37668"},"modified":"2018-05-29T05:40:42","modified_gmt":"2018-05-29T03:40:42","slug":"le-machine-learning","status":"publish","type":"post","link":"https:\/\/www.ricom-web8.com\/gestions\/le-machine-learning\/","title":{"rendered":"Le machine learning"},"content":{"rendered":"Temps de lecture\u00a0: <\/span> 3<\/span> minutes<\/span><\/span>

La polyarthrite rhumato\u00efde est la plus fr\u00e9quente des diverses formes de rhumatismes inflammatoires chroniques, avec 300\u2009000\u00a0cas estim\u00e9s en France et des milliers de nouveaux cas par an. Les premiers sympt\u00f4mes surviennent en g\u00e9n\u00e9ral entre 40\u00a0ans et 60\u00a0ans. La maladie, qui touche le plus souvent les mains, les poignets, les genoux et les petites articulations des pieds, \u00e9volue par pouss\u00e9es, entrecoup\u00e9es de p\u00e9riodes o\u00f9 les sympt\u00f4mes s\u2019att\u00e9nuent.<\/p>\n

Lorsqu\u2019elle n\u2019est pas trait\u00e9e correctement, la polyarthrite peut devenir tr\u00e8s invalidante dans 20\u2009% des cas.<\/p>\n

La spondylarthrite, elle aussi une maladie rhumatismale, atteint surtout la colonne vert\u00e9brale et le bas du dos. Une pathologie sous-estim\u00e9e du fait de la difficult\u00e9 du diagnostic. Elle commence chez les personnes jeunes, g\u00e9n\u00e9ralement des hommes de 15\u00a0ans \u00e0 40\u00a0ans, et est aussi r\u00e9pandue que la polyarthrite rhumato\u00efde.\u00a0<\/span><\/p>\n

Sano\u00efa, une organisation de recherche clinique (CRO) digitale, et l\u2019Assistance publique-H\u00f4pitaux de Paris (AP-HP) ont lanc\u00e9 fin 2016 une \u00e9tude pour rechercher s\u2019il y avait un lien entre l\u2019activit\u00e9 physique de patients atteints de rhumatismes inflammatoires et l\u2019\u00e9volution de la maladie, en particulier en surveillant la survenue de pouss\u00e9es.<\/p>\n

Des objets connect\u00e9s pour le suivi de la pathologie<\/h1>\n

Le service de rhumatologie de l\u2019h\u00f4pital de la Piti\u00e9-Salp\u00eatri\u00e8re a mis en place pendant trois mois une cohorte de 170\u00a0patients afin d\u2019\u00e9tudier la corr\u00e9lation entre la mobilit\u00e9 des patients et la survenue des pouss\u00e9es. Tous les patients de la cohorte ont \u00e9t\u00e9 \u00e9quip\u00e9s d\u2019une montre connect\u00e9e permettant de comptabiliser le nombre de pas r\u00e9alis\u00e9s. Parall\u00e8lement, les patients renseignaient chaque semaine, sur une application web, l\u2019appr\u00e9ciation de leur \u00e9tat de sant\u00e9\u00a0: pas de pouss\u00e9e, pouss\u00e9e de moins de trois jours, pouss\u00e9e de plus de trois jours.<\/p>\n

Traditionnellement, les CRO g\u00e8rent des \u00e9tudes de recherche biom\u00e9dicale et en particulier des essais cliniques pour le compte d\u2019un laboratoire pharmaceutique ou d\u2019un h\u00f4pital. La sp\u00e9cificit\u00e9 de Sano\u00efa, en tant que CRO digitale, est d\u2019administrer des donn\u00e9es provenant d\u2019objets connect\u00e9s ou de d\u00e9clarations de patients en ligne. Sano\u00efa a ainsi \u00e9quip\u00e9 les 170\u00a0patients de la cohorte d\u2019une montre connect\u00e9e et a assur\u00e9 la collecte, l\u2019anonymisation et l\u2019h\u00e9bergement des donn\u00e9es.<\/p>\n

Une premi\u00e8re analyse des donn\u00e9es issues de cette cohorte a \u00e9t\u00e9 r\u00e9alis\u00e9e par une \u00e9quipe de biostatisticiens de l\u2019AP-HP, \u00e0 partir d\u2019outils statistiques classiques. Elle a permis d\u2019identifier une baisse d\u2019activit\u00e9 de 12 \u00e0 20\u2009% pendant les pouss\u00e9es. Mais Sano\u00efa souhaitait aller plus loin avec des outils big data<\/i>.<\/p>\n

L\u2019analyse par machine learning<\/i> a permis d\u2019obtenir des r\u00e9sultats prometteurs<\/p>\n

Sur une proposition d\u2019Orange Healthcare \u00e0 Sano\u00efa et \u00e0 l\u2019AP-HP, une seconde analyse a \u00e9t\u00e9 r\u00e9alis\u00e9e par des data scientists<\/i> d\u2019IMT avec l\u2019outil de machine learning<\/i> Khiops, dans le cadre d\u2019un contrat d\u2019exp\u00e9rimentation Orange\/Sano\u00efa. Et c\u2019est l\u00e0 que les r\u00e9sultats ont d\u00e9pass\u00e9 les attentes des m\u00e9decins et de Sano\u00efa. En effet, l\u2019analyse a permis de d\u00e9tecter la survenue de pouss\u00e9es avec une pr\u00e9cision de 96\u2009%, uniquement \u00e0 partir de l\u2019observation du nombre de pas r\u00e9alis\u00e9s par le patient.<\/p>\n

Pour le Pr Laure Gossec, du service de rhumatologie de la Piti\u00e9-Salp\u00eatri\u00e8re, cela ouvre de nouvelles perspectives pour le suivi des malades souffrant de cette pathologie, m\u00eame s\u2019il est trop t\u00f4t pour en d\u00e9duire l\u2019impact clinique.<\/p>\n

Une premi\u00e8re r\u00e9ussite<\/h1>\n

Suite \u00e0 la r\u00e9ussite de l\u2019exp\u00e9rimentation, les r\u00e9sultats de l\u2019\u00e9tude ont \u00e9t\u00e9 pr\u00e9sent\u00e9s au Congr\u00e8s mondial de rhumatologie, \u00e0 San Diego en novembre 2017, et au congr\u00e8s de la Soci\u00e9t\u00e9 fran\u00e7aise de rhumatologie en d\u00e9cembre 2017, sous la forme d\u2019un poster comment\u00e9 et d\u2019une communication orale.<\/p>\n

La pr\u00e9paration des donn\u00e9es<\/h1>\n

Une part non n\u00e9gligeable du projet a consist\u00e9 \u00e0 r\u00e9aliser toutes les op\u00e9rations de data preparation<\/i>.<\/p>\n

Avant d\u2019alimenter l\u2019outil Khiops de machine learning<\/i>, il a fallu normaliser les donn\u00e9es pour faire co\u00efncider les donn\u00e9es remont\u00e9es automatiquement par la montre toutes les minutes avec celles remont\u00e9es par les patients sur une base hebdomadaire.\u00a0<\/span><\/p>\n

C\u2019est en agr\u00e9geant sur une heure les pas effectu\u00e9s par un patient que les r\u00e9sultats de la classification sont apparus les meilleurs. La classification consistant \u00e0 pouvoir d\u00e9tecter, pour une semaine donn\u00e9e et \u00e0 partir du seul nombre de pas d\u2019un patient, qu\u2019une pouss\u00e9e a eu lieu. Le r\u00e9sultat obtenu par les data scientists<\/i> est un algorithme qui, en entr\u00e9e, est aliment\u00e9 par les pas comptabilis\u00e9s par la montre connect\u00e9e pour un patient sur une semaine donn\u00e9e, et en sortie fournit l\u2019information\u00a0: pouss\u00e9e ou pas pouss\u00e9e. Les donn\u00e9es de 70\u2009% des patients sont utilis\u00e9es pour \u00e9tablir l\u2019algorithme de mod\u00e9lisation, les donn\u00e9es des 30\u2009% des patients restant pour tester et \u00e0 valider la pertinence du mod\u00e8le. S\u2019ensuit un travail d\u2019ajustement des param\u00e8tres du mod\u00e8le afin d\u2019obtenir l\u2019algorithme le plus performant. Ce travail est r\u00e9alis\u00e9 avec 10\u00a0\u00e9chantillons, en choisissant al\u00e9atoirement un groupe de patients repr\u00e9sentant 70\u2009% de la cohorte pour l\u2019apprentissage et 30\u2009% pour la validation.<\/p>\n

Pour assurer la robustesse de notre mod\u00e8le, un certain nombre d\u2019indicateurs de performance ont \u00e9t\u00e9 calcul\u00e9s\u2009: matrices de confusion, accuracy<\/i>, No Information Rate, p-valeur et Kappa de Cohen. Cela a permis de valider l\u2019algorithme d\u00e9velopp\u00e9 et a ouvert la voie \u00e0 une publication scientifique.<\/p>\n

Perspectives\u00a0<\/span><\/h1>\n

Quelques pistes de r\u00e9utilisation de ces travaux\u2009:<\/p>\n

    \n
  • r\u00e9pliquer la premi\u00e8re \u00e9tude pour le suivi d\u2019autres maladies inflammatoires chroniques en utilisant des donn\u00e9es de sant\u00e9 en vie r\u00e9elle\u2009;<\/li>\n
  • cr\u00e9er des services \u00e0 destination des CRO pour participer \u00e0 la transformation num\u00e9rique des laboratoires, dont l\u2019un des objectifs est la r\u00e9duction des dur\u00e9es des essais cliniques\u2009;<\/li>\n
  • cr\u00e9er des offres et des services \u00e0 destination des h\u00f4pitaux \u00e0 partir de prestation de data analytics<\/i>.<\/li>\n<\/ul>\n