DI-UMONS : Dépôt institutionnel de l’université de Mons

Recherche transversale
Rechercher
(titres de publication, de périodique et noms de colloque inclus)
2017-02-03 - Colloque/Présentation - communication orale - Anglais - 0 page(s)

Itani Sarah , Lecron Fabian , Fortemps Philippe , "Statistical Analysis of Medical Data using a Multilevel Approach" in 31st Belgian Conference on Operations Research (ORBEL 31), Bruxelles, Belgique, 2017

  • Codes CREF : Modèles mathématiques d'aide à la décision (DI1151), Informatique médicale (DI3314), Technologies de l'information et de la communication (TIC) (DI4730), Ingénierie biomédicale (DI3900)
  • Unités de recherche UMONS : Management de l'Innovation Technologique (F113), Mathématique et Recherche opérationnelle (F151)
  • Instituts UMONS : Institut de Recherche en Technologies de l’Information et Sciences de l’Informatique (InforTech)

Abstract(s) :

(Français) Le trouble du déficit de l’attention avec ou sans hyperactivité (TDAH) concerne cinq à huit pourcents des enfants, affectant leur vie sur le plan académique, psychologique et relationnel au risque de perdurer à l’âge adulte. Le diagnostic est basé sur des propos recueillis auprès de l’entourage des patients que les praticiens concilient au mieux afin de rendre un verdict indéniablement subjectif. En effet, à ce jour, aucun marqueur biologique n’a pu être identifié pour compléter cette évaluation. En vue d’accélérer la recherche dans ce domaine, un défi fut lancé à la communauté scientifique en proposant une compétition internationale (ADHD-200) en 2011. L’objectif était de développer un algorithme d’aide au diagnostic sur base de données collectées par différents sites de neuro-imagerie en Chine, aux Pays-Bas et aux États-Unis. La collection comprend des données cliniques, des images cérébrales et des résultats de diagnostics au sujet de mille patients environ. En fin de compétition, la meilleure précision de prédiction s’élevait à 61%. Les résultats sont encourageants, mais il reste clairement une marge de progression. Ainsi, nous nous sommes lancés le même défi par ce travail de fin d’études. La complexité du travail est expliquée d’une part par la quantité considérable d’informations de diverses natures à traiter. D’autre part, les conditions d’examen, le calibrage des équipements et la distribution des données sont variables selon les sites. Enfin, le problème porte sur une classification de données à structure hiérarchique ; il s’agit d’abord de distinguer les enfants en développement typique et pathologique, mais de reconnaître également les types de troubles. Afin de prendre en compte l’ensemble de ces aspects, une approche multiniveau a été intégrée à notre système de classification constitué par un ensemble d’arbres décisionnels. L’approche multiniveau a permis de dégager des conclusions très différentes entre niveaux de classification, notamment quant à l’implication des variables explicatives. Par ailleurs, il nous est apparu que données cliniques et neurobiologiques portent des informations complémentaires dans la distinction des cas de développements typique et pathologique. Enfin, cette étude montre que les arbres de décision peuvent présenter des performances comparables voire supérieures à celles des classifieurs exploités habituellement dans ce contexte, notamment le séparateur à vaste marge.