Aide à la décision médicale guidée par un processus d

HAL Id tel-02531314httpshalarchives-ouvertesfrtel-02531314

Submitted on 3 Apr 2020

HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents whether they are pub-lished or not The documents may come fromteaching and research institutions in France orabroad or from public or private research centers

Lrsquoarchive ouverte pluridisciplinaire HAL estdestineacutee au deacutepocirct et agrave la diffusion de documentsscientifiques de niveau recherche publieacutes ou noneacutemanant des eacutetablissements drsquoenseignement et derecherche franccedilais ou eacutetrangers des laboratoirespublics ou priveacutes

Aide agrave la deacutecision meacutedicale guideacutee par un processusdrsquoextraction de connaissances

Abdelhak Mansoul

To cite this versionAbdelhak Mansoul Aide agrave la deacutecision meacutedicale guideacutee par un processus drsquoextraction de connaissancesRecherche drsquoinformation [csIR] Universiteacute Oran 1 2018 Franccedilais tel-02531314

DEPARTEMENT DINFORMATIQUE

Preacutesenteacutee par

MANSOUL Abde lhak

Pour obtenir

LE DIPLOME DE DOCTORAT EN SCIENCES

Filiegravere Informatique

Speacutecialiteacute Informatique

Soutenue le 04122018

Devant les membres du jury

Anneacutee universitaire 2017-2018

Mr SENOUCI Mohamed Pr Universiteacute Oran1- AB Preacutesident

Mme HAMDADOU Djamila Pr Universiteacute Oran1- AB Examinatrice

Mme FIZAZI Hadria Pr Universiteacute USTO - MB Examinatrice

Mr ELBERRICHI Zakaria Pr Universiteacute Sidi Bel Abbegraves - DL Examinateur

Mr RAHAL Sid Ahmed Hebri Pr Universiteacute USTO - MB Examinateur

Mr ATMANI Baghdad

Mr BELDJILALI Bouziane

Pr Universiteacute Oran1- AB

Directeur de Thegravese

Inviteacute

Aide agrave la deacutecision meacutedicale guideacutee par un processus

drsquoextraction de connaissances

Remerciements

Je tiens tout drsquoabord agrave remercier mon directeur de thegravese Mr Atmani Baghdad Professeur agrave

lrsquouniversiteacute Oran 1 sans qui tout ce travail nrsquoeut eacuteteacute possible Il mrsquoa ouvert les portes du deacutepartement et

offert les meilleures conditions et faciliteacutes pour reacutealiser ma thegravese Mais je lui suis avant tout

reconnaissant pour lrsquoeffort fait pour mrsquoavoir accompagneacute toutes ces longues anneacutees Aussi pour le

temps lrsquoaide la patience et lrsquoattention qursquoil mrsquoa geacuteneacutereusement offerts Ses remarques et ses conseils

eacuteclaireacutes mrsquoont guideacute dans lrsquoachegravevement de cette thegravese

Je voudrais aussi remercier Mr Beljilali Bouziane Professeur agrave lrsquouniversiteacute Oran 1 qui mrsquoa toujours tregraves bien accueilli au sein du laboratoire LIO et surtout lors de ma premiegravere visite au deacutepartement informatique

Mes remerciements agrave Mr Bouamrane Karim Professeur agrave lrsquouniversiteacute Oran 1 actuel chef du deacutepartement pour avoir tout le temps faciliteacute mes deacutemarches administratives au sein du deacutepartement mecircme en eacutetant si loin

Mes remerciements vont aussi agrave tous les doctorants en informatique que jrsquoai eu agrave connaitre et agrave travailler avec eux en discutant nos travaux lors de mes seacutejours au laboratoire LIO

Je nrsquooublierai pas de remercier tous les enseignants du deacutepartement informatique que jrsquoai connu pour leurs acceuils chalereux agrave chaque fois que je les revois au deacutepartement Mr Belalem Mr Henni Mr Benfreha Mr Mokeddem Mme Hamdadou

Mes remerciements srsquoadressent eacutegalement agrave Mr Igor Grevitz Professeur agrave lrsquouniversiteacute de Valenciennes (France) qui a trouveacute des moments pour discuter mon travail agrave chaque fois qursquoil a eu le temps de me recevoir dans son laboratoire Jrsquoai beaucoup appreacutecieacute ses remarques pertinentes qui mrsquoont permis drsquoavancer

Je nrsquooublierai pas Mr Abene Abderahmane DR (HDR) qui a tout le temps faciliteacute mes seacutejours dans le cadre de la preacuteparation de cette thegravese agrave lrsquouniversiteacute de Valenciennes

Jrsquoaimerais par ailleurs exprimer toute ma gratitude aux membres du jury qui mrsquoont fait lrsquohonneur de leur preacutesence dans le jury et qui ont accepteacute drsquoeacutevaluer mon travail

Enfin je ne saurai conclure mes remerciements sans rendre gracircce agrave ma famille pour sa patience et son inestimable encouragement

Skikda le 20 Feacutevrier 2018

Reacutesumeacute

Lrsquoaide agrave la deacutecision a connu une avanceacutee tregraves remarquable Elle a eacuteteacute largement adopteacute en

meacutedecine et a contribueacute agrave lrsquoapparition de nombreux systegravemes drsquoaides agrave la deacutecision meacutedicales

(SADM) les uns ont eacuteteacutes facilement adopteacutes en meacutedecine alors que drsquoautres sont resteacutes au

stade expeacuterimental

Le raisonnement agrave base de cas (RBC) qui est une meacutethodologie classique de raisonnement a

eacuteteacute mis agrave contribution Son utilisation a permis une avanceacutee assez notable dans la reacutesolution

de problegravemes lieacutes au diagnostic agrave la theacuterapie et au pronostic de maladies Cependant cette

meacutethodologie ayant montreacute quelques limites qui ont pousseacute les chercheurs agrave reacutefleacutechir agrave

drsquoautres modes de reacutesolution et nous assistons reacutecemment agrave lrsquointeacutegration du RBC avec

drsquoautres meacutethodologies comme la fouille de donneacutees (FDD) lrsquoanalyse multicritegraveres (AMC)

les arbres de deacutecision etc Crsquoest ldquo le raisonnement multimodal rdquo [Deepti et al 10 Pandey et

Mishra 10 Qi et al 16 Verma et al 14 Balakrishnan et al 12 Bruland et al 10]

Dans ce contexte lrsquoobjectif de notre thegravese est la deacutefinition drsquoun systegraveme drsquoaide agrave la deacutecision

meacutedicale utilisant un processus de traitement de donneacutees et de connaissances Ce traitement

pourra ecirctre baseacute sur une combinaison de meacutethodologies Dans un premier temps on utilisera

la FDD et ensuite lrsquoAMC

Ceci nous a permis de travailler sur trois axes agrave savoir le raisonnement meacutedical lrsquoaide agrave la

deacutecision et la modeacutelisation du processus deacutecisionnel meacutedical

Principalement notre contribution est la proposition drsquoune approche de raisonnement

multimodal pour lrsquoaide agrave la deacutecision meacutedicale Cette approche permet de mutualiser les

performances et offre au final une aide agrave la deacutecision efficace

Ainsi notre thegravese srsquoest vue assigner la reacutealisation des objectifs suivants

- Une reacuteflexion sur la notion de cas meacutedical et par extension la situation meacutedicale

- Une proposition drsquoun modegravele deacutecisionnel meacutedical agrave base de raisonnement multimodal

- Une proposition et test drsquoun prototype de systegraveme drsquoaide agrave la deacutecision meacutedicale utilisant

distinctement la FDD et lrsquoAMC

Lrsquoensemble des reacutesultats obtenus ont eacuteteacute inteacuteressants et encouragent agrave continuer sur cet axe de

recherche et inspirant des perspectives agrave explorer particuliegraverement lrsquoajout agrave notre modegravele

deacutecisionnel de scheacutemas theacuterapeutiques (pour une maladie donneacutee) afin de raffiner lrsquoaide agrave la

deacutecision par des theacuterapies typiques (Cas-typeTheacuterapie-type) Dans un deuxiegraveme temps

renforcer le processus de clustering par la deacutefinition drsquoune strateacutegie efficace de seacutelection

des meilleurs descripteurs meacutedicaux) qui permet de produire un bon groupement

Ce travail de recherche deacutemontre une fois de plus lrsquointeacuterecirct pour le raisonnement multimodal

et montre la pertinence de lrsquoapproche adopteacutee pour la reacutealisation de SADM

Mots cleacutes Systegraveme drsquoaide agrave la deacutecision meacutedicale SADM Raisonnement agrave base de cas

Ragravepc RBC Analyse multicritegraveres AMC Fouille de donneacutees Groupement

Table des matiegraveres

Remerciements

Introduction Geacuteneacuterale

Le thegraveme 2

Le contexte 2

La probleacutematique 3

La contribution 5

Structure de la thegravese 6

Chapitre 1 Aide agrave la Deacutecision Meacutedicale

11 Introduction 9

12 Deacutecision et aide agrave la deacutecision 10

121 Le processus de deacutecision 12

122 Les intervenants dans le processus drsquoaide agrave la deacutecision 13

123 Les modegraveles de deacutecision 14

124 La typologie des deacutecisions 14

13 Aide agrave la deacutecision meacutedicale 16

131 Le raisonnement clinique 17

132 La deacutecision en situation 18

133 La deacutecision meacutedicale 18

14 Les systegravemes drsquoaide agrave la deacutecision meacutedicale (SADM) 19

141 Deacutefinitions 20

142 Les objectifs du SADM 20

143 Les principales fonctions du SADM 21

144 Structure drsquoun SADM 22

145 La typologie des SADM 22

146 Composantes du SADM 25

147 Les meacutethodologies drsquoaide agrave la deacutecision meacutedicale 28

148 Conclusion 29

15 Aide agrave la deacutecision meacutedicale par RBC 29

151 Le mode RBC 29

152 Les caracteacuteristiques des systegravemes RBC en meacutedecine 34

16 Synthegravese de lrsquoaide agrave la deacutecision meacutedicale par RBC 35

161 Les limites de lrsquoaide agrave la deacutecision meacutedicale par RBC 37

162 Conclusion 37

17 Les inteacutegrations du RBC 38

171 Inteacutegration RBC-Le raisonnement agrave base de regravegles (RBR) 38

172 Inteacutegration RBC-Le raisonnement agrave base de modegraveles (MBR) 39

173 Inteacutegration RBC-La recherche drsquoInformation (IR) 40

174 Inteacutegration RBC-La satisfaction de contraintes (CSP) 40

175 Inteacutegrations RBC-Lrsquoanalyse multicritegraveres (AMC) 40

176 Inteacutegration RBC-La fouille de donneacutees (FDD) 41

18 Conclusion 43

Chapitre 2 Inteacutegration RBC-FDD pour lrsquoAide agrave la Deacutecision

Meacutedicale

21 Introduction 45

22 La fouille de donneacutees 45

221 Les meacutethodes de la fouille de donneacutees 45

23 Extraction de Connaissances agrave partir de Donneacutees (ECD) 48

231 Les tacircches de lrsquoECD 50

232 Le processus ECD 53

233 Les eacutetapes du processus ECD 54

234 La seacutelection des donneacutees 54

235 Le preacutetraitement des donneacutees 54

236 La transformation des donneacutees 55

238 Lrsquoeacutevaluation et la preacutesentation 55

24 Apport de la fouille de donneacutees en aide agrave la deacutecision meacutedicale 56

25 Synthegravese de lrsquoutilisation des meacutethodes de FDD en aide agrave la deacutecision meacutedicale 59

26 Les limites de lrsquointeacutegration 60

27 Conclusion 61

Chapitre 3 Inteacutegration RBC-AMC pour Lrsquoaide agrave La Deacutecision

Meacutedicale

31 Introduction 64

32 Lrsquoanalyse multicritegraveres (AMC) 64

321 Le paradigme multicritegraveres 65

322 Les probleacutematiques multicritegraveres 69

323 Lrsquoanalyse multicritegraveres drsquoun problegraveme deacutecisionnel 71

324 La deacutemarche multicritegraveres drsquoun problegraveme deacutecisionnel 71

325 Les principales meacutethodes multicritegraveres 74

326 Le choix de meacutethodes multicritegraveres 77

33 Synthegravese de lrsquoutilisation de lrsquoAMC pour lrsquoaide agrave la deacutecision meacutedicale 78

331 Utilisation des meacutethodes du critegravere unique de synthegravese 78

332 Utilisation des meacutethodes de surclassement 78

34 Les limites de lrsquointeacutegration RBC-AMC 79

35 Conclusion 79

Chapitre 4 Proposition de Systegravemes drsquoAide agrave la Deacutecision

Meacutedical Inteacutegreacutes

41 Introduction 81

42 Approche drsquoaide agrave la deacutecision inteacutegreacutee proposeacutee 81

421 Formalisation du problegraveme meacutedical 81

422 Le Modegravele drsquoAide agrave la Deacutecision Meacutedicale Inteacutegreacute 82

423 Elaboration du modegravele 85

424 Deacutefinition de la situation meacutedicale 85

425 Le RBC 85

426 Le raisonneur 87

43 Proposition drsquoun Systegraveme drsquoAide agrave la Deacutecision Inteacutegreacute RBC-FDD 87

431 Le problegraveme meacutedical consideacutereacute Diagnostic des maladies 87

432 Inteacutegration RBC-FDD 89

433 Le modegravele drsquoaide a la deacutecision proposeacute 89

434 Le systegraveme RBCFDD

proposeacute 92

4341 La situation meacutedicale 93

4342 Le RBC 93

4343 Le raisonneur FDD 95

435 Mise en œuvre 97

4351 Expeacuterimentation 100

4352 Evaluation 101

44 Proposition drsquoun Systegraveme drsquoAide agrave la Deacutecision Inteacutegreacute RBC-AMC 102

441 Le problegraveme meacutedical consideacutereacute Proposition drsquoune theacuterapie 102

442 Le modegravele drsquoaide agrave la deacutecision proposeacute 103

443 Le systegraveme RBCAMC

proposeacute 104

4432 Le RBC 106

4433 Le raisonneur AMC 107

4442 Evaluation 114

45 Conclusion 115

Conclusion Geacuteneacuterale et Perspectives 116

Reacutefeacuterences bibliographiques 121

Les figures 138

Les tables 140

Introduction

Geacuteneacuterale

Le domaine de la deacutecision est tregraves riche tant en eacutetudes theacuteoriques qursquoen systegravemes informatiques dans divers domaines Dans les anneacutees quatre-vingt sont apparus des outils daide agrave la deacutecision ayant permis de franchir un grand pas dans la prise de deacutecision qui est passeacutee du stade mono-deacutecideur au multi-deacutecideur et passeacutee aussi de lrsquooptimisation drsquoune simple fonction eacuteconomique agrave lrsquoanalyse multicritegraveres De nos jours on a des systegravemes deacuteveloppeacutes agrave base de connaissances On parla alors de systegravemes drsquoaide agrave la deacutecision meacutedicale (SADM)

Les SADM sont laquo des applications informatiques dont le but est de fournir aux cliniciens en temps et lieux utiles les informations deacutecrivant la situation clinique drsquoun patient ainsi que les connaissances approprieacutees agrave cette situation correctement filtreacutees et preacutesenteacutees afin drsquoameacuteliorer la qualiteacute des soins et la santeacute des patients raquo [Renaud-Salis et al 10 Serroussi et Bouaud 14 Serroussi et al 13a Serroussi et al 13b]

En effet lrsquoaide agrave la deacutecision a pour but drsquoaider le deacutecideur dans des situations de recherche de la meilleure action qui a pour effet immeacutediat lrsquoameacutelioration drsquoune situation ou drsquoun reacutesultat geacuteneacuteralement positif

Agrave la faveur de lrsquoexistence drsquoun potentiel en informations meacutedicales et drsquoun objectif permanent en matiegravere drsquoameacutelioration de la qualiteacute et de lrsquoefficaciteacute des soins prodigueacutes aux malades et profitant des outils informatiques mis agrave contribution (systegravemes logiciels etc) de nombreux travaux de recherche et de deacuteveloppement ont abouti agrave la creacuteation de systegravemes experts preacutecurseurs et ulteacuterieurement agrave des systegravemes de reacutesolution de problegravemes meacutedicaux Cependant les outils et meacutethodologies mises agrave contribution ont montreacute quelques limites et une tendance agrave lrsquointeacutegration du savoir-faire du speacutecialiste dans les systegravemes deacutecisionnels srsquoest fortement deacuteveloppeacutee ces derniegraveres anneacutees Cette tendance a fait naitre un fort deacuteveloppement de nouveaux systegravemes meacutedicaux baseacutes sur de nouvelles approches de raisonnement

Par rapport agrave notre thegravese on se focalise sur lrsquoaide agrave la deacutecision meacutedicale guideacutee par de nouveaux modes de raisonnement en lrsquooccurrence lrsquoutilisation des connaissances

Par souci de clarteacute cette introduction se compose de plusieurs parties qui permettent drsquoexposer notre travail de recherche graduellement Nous deacutebutons par lrsquoexposeacute du thegraveme son contexte et les relations qui le lient au domaine de lrsquoextraction des connaissances agrave partir de donneacutees (ECD) et agrave la fouille de donneacutees (FDD) Divers aspects de la probleacutematique geacuteneacuterale de lrsquoaide agrave la deacutecision meacutedicale seront exposeacutes Ensuite nous abordons lrsquoaspect systegravemes drsquoaide agrave la deacutecision meacutedicale et continuons par un exposeacute de notre contribution au domaine et nous terminons par une conclusion de la preacutesente thegravese appuyeacutee par une bibliographie

1 Le thegraveme

La theacutematique geacuteneacuterale du domaine dans laquelle srsquoinscrit notre travail de recherche est la conception de systegravemes capables de produire de la connaissance pour guider lrsquoaide agrave la deacutecision meacutedicale

Le thegraveme central autour duquel srsquoorganisent nos activiteacutes de recherche est constitueacute par la modeacutelisation du processus drsquoaide agrave la deacutecision meacutedicale Ce thegraveme srsquoinscrit particuliegraverement au croisement de trois disciplines

- la modeacutelisation

- lrsquoaide agrave la deacutecision

- et le raisonnement meacutedical pour la prise de deacutecision

Nous mettons lrsquoaccent sur lrsquoorientation vers lrsquoeacutetude des possibiliteacutes drsquoapprentissage agrave partir drsquoun processus drsquoextraction de connaissance agrave partir de donneacutees (ECD) pour contribuer au processus geacuteneacuteral de raisonnement pour lrsquoaide agrave la deacutecision meacutedicale Notre travail reacutesulte drsquoune source assez varieacutee de probleacutematiques deacutecisionnelles plus ou moins complexes dont nous nrsquoabordons que quelques-unes afin de faire aboutir notre tentative de solutions preacuteconiseacutees et que sans cela elles seraient trop vastes agrave eacutetudier

En effet la modeacutelisation et le traitement des donneacutees et des connaissances meacutedicales sont devenus des tacircches tregraves ardues du fait de la diversiteacute des branches meacutedicales allant de la simple consultation drsquoun patient jusqursquoagrave lrsquointerpreacutetation automatique drsquoun scanner ou autres supports de donneacutees meacutedicales Lrsquoutilisation de ces stocks de donneacutees ne peut se faire par la simple lecture si le travail de stockage nrsquoest pas suivi par des proceacutedures de traitement approprieacutees Ceci fait qursquoun effort doit ecirctre soutenu du coteacute des proceacutedures de traitement afin drsquoen profiter pleinement des connaissances qursquoelles peuvent stocker et qui produiront une valeur ajouteacutee aux donneacutees de base

Donc lrsquoaspect deacutecision se trouva de fait projeteacute au-devant du stock de donneacutees manipuleacutees agrave travers le SADM pour la recherche de solutions de diagnostic theacuterapeutique ou de pronostic Ce systegraveme consiste agrave faire coopeacuterer des proceacutedures afin de produire des raisonnements complexes pour reacutepondre agrave des questions poseacutees en premier lieu par le deacutecideur en lrsquooccurrence le praticien de la santeacute Ces systegravemes ont eacuteteacute traiteacutes en abondance par les scientifiques notamment des meacutethodologies et des proceacutedures approprieacutees notamment des meacutethodes de lrsquointelligence artificielle (IA) qui ont abouti agrave de nombreuses applications en meacutedecine [Szolovits et al 88 Marling et al 05 Montani et al 01 Pandey et Mishra 10]

Le raisonnement agrave base de cas (RBC) qui est une meacutethodologie classique de recherche de cas similaires par analogie (ressemblance partielle) a eacuteteacute aussi mis agrave contribution dans la prise en charge des soins des patients Son utilisation a permis une avanceacutee assez notable dans la reacutesolution de problegravemes lieacutes au diagnostic agrave la theacuterapie ou au pronostic de maladies

Dans la litteacuterature de nombreux travaux ont abordeacute lrsquoaide agrave la deacutecision meacutedicale sous plusieurs angles

- soit par utilisation des meacutethodes usuelles de lrsquoIA

- soit par utilisation de maniegravere classique du RBC

Reacutecemment un autre axe majeur de la recherche srsquoest deacuteveloppeacute crsquoest lrsquointeacutegration de diffeacuterents modes de raisonnement appeleacute laquoraisonnement multimodal raquo [Deepti et al 10 Pandey et Mishra 10 Qi et al 16 Verma et al 14 Balakrishnan et al 12 Bruland et al 10] Cette approche a eacuteteacute abordeacutee timidement vers les anneacutees 1990 et depuis crsquoest devenu un axe privileacutegieacute de recherche vu les limites montreacutees par les approches classiques particuliegraverement le RBC En outre vu que lrsquoacte de deacutecision a imposeacute la prise en compte des points de vue des diffeacuterents acteurs de la deacutecision lrsquoanalyse multicritegraveres combineacutee au RBC srsquoest vue aussi impliqueacutee comme alternative pour la reacutesolution de probleacutematiques deacutecisionnelles meacutedicales [Angehrn et Dutta 92 Bouhana et al 11]

Dans ce contexte notre thegravese srsquointeacuteresse au raisonnement dans le cas drsquoun problegraveme drsquoaide agrave la deacutecision avec mise de laccent sur lrsquointeacutegration de la fouille de donneacutees et ce pour guider un processus drsquoaide agrave la deacutecision meacutedicale

2 La probleacutematique

La nature des donneacutees meacutedicales la meacutethode de raisonnement classique RBC la consideacuteration des points de vue des acteurs de la deacutecision la prise de deacutecision et son exeacutecution ont induit diffeacuterentes probleacutematiques avec des degreacutes drsquoimportance aussi varieacutes Les consideacuterer tous relegraveve drsquoun grand deacutefi qursquoune thegravese a elle seule ne peut relever Seulement nous tentons de reacutesoudre quelques probleacutematiques qui sont dans les limites de notre thegravese

Par rapport agrave la meacutedecine un deacutecideur en lrsquooccurrence le meacutedecin lorsqursquoil est en consultation dun patient il doit explorer tous les symptocircmes Agrave cela srsquoajoute le contexte du patient qui est lieacute agrave son eacutetat physique et mental Ce contexte est aussi deacuteterminant dans toute action visant lrsquoameacutelioration de son eacutetat de santeacute De ce fait un patient se preacutesentant pour une prise en charge meacutedicale sera alors consideacutereacute comme un cas meacutedical (patient) agrave reacutesoudre pris dans un

contexte Ceci est pris comme un tout et le meacutedecin est devant une situation meacutedicale

La situation meacutedicale que nous preacuteconisons est caracteacuteriseacutee par une deacutefinition du cas (patient) plus ou moins complegravete un contexte un parcours de diagnosticstheacuterapies possibles ou proposeacutes et lrsquoexistence de preacutefeacuterences du meacutedecin pour chaque diagnostictheacuterapie [Lebraty 06 Rasmussen 86 Klein 98 Lebraty et Guarnelli 14 Sournia] Le meacutedecin deacutefinit alors la situation meacutedicale comme eacutetant le patient deacutecrit par des symptocircmes cliniques et un contexte deacutecrit par les symptocircmes para-cliniques (signes speacutecifiques ou particuliers au

patient) Ces signes speacutecifiques peuvent ecirctre par exemple laquoune intoleacuterance drsquoun reacutegime saleacuteraquo laquoune allergie agrave un produit donneacuteraquo etc ils peuvent indiquer par exemple qursquoune theacuterapie souhaiteacutee sera plus ou moins adapteacutee Ainsi le contexte est deacuteterminant lors de la recherche drsquoune solution (aide agrave la deacutecision) [Rasmussen 86 Klein 98]

Sur le volet RBC il est important de souligner ses performances neacuteanmoins il apparait qursquoil a fait naitre quelques probleacutematiques lieacutees agrave la base agrave la structure du cas resteacutee basique

Ceci dit la probleacutematique que nous abordons est reacutesumeacutee aux quatre points suivants

a Est-ce que les formalismes classiques de repreacutesentation de donneacutees suffisent-ils ou faut-il adopter une nouvelle structure La structure classique du cas (problegraveme solution) nrsquoest plus adeacutequate pour deacutefinir la situation meacutedicale De lagrave se pose la

question de la modeacutelisation de cette situation meacutedicale Ceci amegravene agrave reacutefleacutechir agrave un formalisme adeacutequat agrave travers des descripteurs pertinents agrave savoir

- les descripteurs cliniques

- les descripteurs para-cliniques

Ce formalisme doit srsquoadapter aux diffeacuterentes meacutethodes de raisonnement afin de faciliter sa manipulation et doit ecirctre une valeur ajouteacutee pour contribuer agrave la reacutesolution de situations meacutedicales futures La proposition drsquoun formalisme agrave travers un ensemble de descripteurs est un travail de modeacutelisation assez ardu drsquoautant plus qursquoil est bien reconnu aujourdrsquohui que les deacutecisions de diagnostictheacuterapie lieacutees agrave chaque patient doivent tenir compte des signes particuliers ou symptocircmes para-cliniques (effets secondaires de meacutedicaments personne acircgeacutee allergie etc)

b Il est souvent fait eacutetat drsquoimpreacutecision ou drsquoindeacutetermination sur les donneacutees De ce fait

il est parfois difficile de discriminer des situations qui selon leurs contextes pourront ecirctre deacuteclareacutees eacutequivalentes ou incomparables Donc le deacutecideur sera en fait devant des choix de solutions ougrave il doit deacutecider la prise en compte de lrsquoune drsquoentre elles Ceci fait que le deacutecideur doit montrer des preacutefeacuterences ou prioriteacutes pour un diagnostictheacuterapie Ces preacutefeacuterences pourront orienter vers une solution compensatoire ou aider agrave eacutelaborer une proceacutedure de classementgroupement de solutions Ainsi la question comment tenir compte des preacutefeacuterences du deacutecideur est poseacutee du moment que la structure classique du cas ne permet pas de deacutefinir explicitement cette notion

c Le raisonnement classique du RBC ne permet pas de supporter facilement le

raisonnement clinique ni mecircme par un raisonnement simple agrave base de regravegles du fait qursquoune regravegle est deacutejagrave eacutecrite pour ne donner que sa conseacutequence Alors la question qui est poseacutee comment prendre en compte le raisonnement clinique dans la deacutecision meacutedicale Ce mode de raisonnement doit ecirctre inteacutegreacute dans un processus drsquoaide agrave la deacutecision propre aux situations meacutedicales Ce qui fait que la deacutecision meacutedicale nrsquoest plus appreacutehendeacutee sous lrsquoangle drsquoune comptabilisation de symptocircmes mais beaucoup plus de mode opeacuteratoire passant drsquoune eacutetape agrave une autre sur la base drsquoun eacutetat initial et allant vers un eacutetat final

d Comment deacutefinir une proceacutedure de seacutelection de la meilleure solution ou solution

optimale Dun point de vue matheacutematique la probleacutematique de choix consiste agrave poser le problegraveme avec objectif de recherche dun sous-ensemble aussi restreint que possible des meilleures solutions Mais par rapport agrave une situation meacutedicale comment deacutefinir cette proceacutedure qui permet ce sous-ensemble aussi restreint que possible

3 Contribution

Nous nous placcedilons dans la position ougrave le meacutedecin (deacutecideur) est face agrave une situation meacutedicale et devra explorer les options possibles (DiagnosticsTheacuterapies) pour choisir la meilleure drsquoentre elles

La situation meacutedicale que nous preacuteconisons contient un contexte qui doit ecirctre pris en consideacuteration par le deacutecideur (meacutedecin) Celui-ci devra alors explorer les options possibles (diagnostic) pour proposer la meilleure theacuterapie

Agrave partir de telles situations le meacutedecin commence geacuteneacuteralement par lrsquoidentification dun eacutetat pathologique Durant cette phase le meacutedecin aura agrave interagir avec un systegraveme qui lui permettra en premier lieu drsquoutiliser un ensemble drsquooutils qui lui permettent de progresser de faccedilon coheacuterente dans la deacutefinition de sa situation meacutedicale avec la possibiliteacute de noter ces preacutefeacuterences pour un diagnostictheacuterapie Ensuite il deacuteclenchera le processus de recherche de solution (diagnostictheacuterapie) et se termine par la reacutealisation de la solution optimale Il sagit donc de deacutevelopper des proceacutedures adeacutequates pour une aide agrave la deacutecision efficace

Sur le plan eacutevaluation de performance il faut souligner la grande difficulteacute que preacutesente ce point pour un systegraveme daide agrave la deacutecision meacutedicale La validation est une phase tregraves importante et tregraves complexe de leacutelaboration de tels systegravemes vu que les meacutethodes deacutevaluation sont multiples parfois difficiles agrave utiliser

Ainsi la contribution principale de notre thegravese dans le domaine drsquoaide agrave la deacutecision meacutedicale est la proposition drsquoun modegravele deacutecisionnel qui tient compte des diffeacuterents aspects lieacutes aux probleacutematiques que nous venons de passer en revue Cette approche assure une inteacutegration du RBC avec drsquoautres meacutethodologies de raisonnement et permettant de mutualiser les performances pour reacutesoudre une situation meacutedicale par une aide agrave la deacutecision meacutedicale efficace

Concregravetement et par rapport aux probleacutematiques que nous venons de passer en revue notre contribution srsquooriente vers quatre lignes directrices

a deacutefinir et adopter une structure propre agrave la situation meacutedicale qui palliera les limites drsquoune modeacutelisation par le cas Aussi ce choix est motiveacute par

- la reproduction aussi proche que possible de lrsquoeacutetat physique et mental du patient

- la possibiliteacute pour le deacutecideur de consideacuterer la pertinence des donneacutees pour leur prise en compte dans le processus drsquoaide agrave la deacutecision

b deacutefinir et adopter un mode de raisonnement inteacutegreacute (RBC et autres) afin de supporter la recherche de solutions sur la base de la situation meacutedicale en cours drsquoexamen Ce mode envisageacute reposera sur la mutualisation des performances des modes de raisonnements impliqueacutes

c proposer un modegravele drsquoaide agrave la deacutecision meacutedicale adoptant la situation meacutedicale comme structure de base et montrant toutes les phases du processus de lrsquoeacutelaboration jusquagrave la solution finale

d Compleacutementer notre eacutetude en explorant une autre approche par lrsquoanalyse multicritegraveres (AMC) afin de mieux saisir lrsquoaspect deacutecisionnel

Pour reacutesumer nous disons que les contributions mises en eacutevidence dans cette thegravese permettent de

- deacutefinir et adopter une structure de donneacutees approprieacutees permettant de deacutefinir au mieux la situation meacutedicale

- proposer un modegravele deacutecisionnel exploitant un raisonnement multimodal sur a base drsquoun raisonnement clinique

- proposer et tester un prototype exploitant cette approche en utilisant distinctement la FDD et lrsquoAMC

Pour les besoins de validation de notre approche nous avons adopteacute deux expeacuterimentations distinctes

- lrsquoun utilisant la FDD

- lrsquoautre utilisant lrsquoAMC

Lrsquoobjectif principal est la prise en charge drsquoune situation meacutedicale afin de la reacutesoudre agrave travers une aide agrave la deacutecision meacutedicale guideacutee par un processus agrave base de connaissances

4 Structuration de la thegravese

Au chapitre I nous introduisons lrsquoaide agrave la deacutecision et montrons le deacuteroulement du processus de deacutecision et ses principaux intervenants Ensuite nous passerons en revue laide agrave la deacutecision meacutedicale agrave travers ses diffeacuterentes notions Aussi nous nous pencherons sur les SADM et les diffeacuterentes meacutethodologies de raisonnement qursquoils utilisent en particulier le RBC et ses contributions dans lrsquoaide agrave la deacutecision meacutedicale qui ont eacuteteacute proposeacutees par certains auteurs agrave travers diffeacuterents travaux Nous verrons aussi les diffeacuterentes inteacutegrations au RBC qui ont eacuteteacute supporteacutees par diffeacuterents systegravemes drsquoaide agrave la deacutecision meacutedicale Le chapitre II est consacreacute agrave lrsquointeacutegration de la FDD au RBC et le chapitre III agrave lrsquointeacutegration de lrsquoAMC au RBC Au chapitre IV nous exposerons notre contribution pour deacutevelopper une aide agrave la deacutecision meacutedicale inteacutegreacutee et sa mise en œuvre

Chapitre I Aide agrave la deacutecision meacutedicale

La deacutecision est le point de deacutepart de lrsquoeacutetude des systegravemes drsquoaide agrave la deacutecision meacutedicale Elle deacutefinit les fonctionnaliteacutes et les eacutetapes agrave mettre en œuvre pour atteindre les objectifs du processus de deacutecision meacutedicale Agrave ce titre le premier chapitre constitue une preacutesentation geacuteneacuterale de la deacutecision et de lrsquoaide agrave la deacutecision meacutedicale Nous preacutesentons drsquoabord les notions de base le processus deacutecisionnel et lrsquoaide agrave la deacutecision Nous aborderons ensuite les systegravemes drsquoaide agrave la deacutecision meacutedicale (SADM) leurs meacutethodologies le principe du raisonnement agrave base de cas (RBC) qui a eacuteteacute largement utiliseacute en meacutedecine son utilisation et les limites qui ont favoriseacute les diffeacuterentes inteacutegrations avec drsquoautres meacutethodologies de raisonnement et enfin nous dresserons une synthegravese

Chapitre II Inteacutegration RBC-FDD pour lrsquoaide agrave la deacutecision meacutedicale

Ce chapitre sera consacreacute agrave lrsquoutilisation de la FDD et agrave son inteacutegration au RBC afin de guider le processus drsquoaide agrave la deacutecision meacutedicale En fin de chapitre nous ferons une synthegravese des travaux effectueacutes dans cet axe

Chapitre III Inteacutegration RBC-AMC pour lrsquoaide agrave la deacutecision meacutedicale

Nous introduirons diffeacuterents concepts de base de lrsquoanalyse multicritegraveres auxquels nous ferons reacutefeacuterence dans ce chapitre Nous passerons en revue lrsquoutilisation de cette approche en aide agrave la deacutecision meacutedicale et agrave son inteacutegration au RBC et ferons une synthegravese des diffeacuterents travaux drsquointeacutegration

Chapitre IV Proposition de systegravemes drsquoaide agrave la deacutecision meacutedicale inteacutegreacutes

Ce chapitre preacutesente notre contribution dans lrsquoaide agrave deacutecision meacutedicale Apregraves une eacutetude de modeacutelisation de la situation meacutedicale nous nous sommes baseacute sur les travaux de Lebraty Guarnelli et Sournia [Lebraty 06 Lebraty et Guarnelli 14 Sournia] pour deacutefinir un modegravele pour lrsquoaide agrave la deacutecision meacutedicale Ensuite nous deacutecrivons notre proposition drsquoun prototype drsquoaide agrave la deacutecision meacutedicale selon deux orientations

- par inteacutegration du RBC et de la FDD

- par inteacutegration du RBC et de lrsquoAMC

Nous preacutesentons les expeacuterimentations effectueacutees visant agrave montrer les reacutesultats que nous avons obtenus et nous ferons une analyse pour montrer la pertinence de lrsquoapproche adopteacutee En conclusion de cette thegravese nous dressons les perspectives des travaux sur lesquels nous pensons nous investir dans le futur En effet la conception et le deacuteveloppement des systegravemes drsquoaide agrave la deacutecision meacutedicale ont fortement eacutevolueacute ces derniegraveres anneacutees Cependant de nombreux progregraves sont encore neacutecessaires dans le domaine des meacutethodologies de raisonnement ce qui influera beaucoup sur les traitements et par conseacutequent les reacutesultats attendus des SADM

Chapitre 1

Aide agrave la deacutecision

meacutedicale

Chapitre 1

Aide agrave la deacutecision meacutedicale

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

11 Introduction

lors que les sciences de deacutecision vont avoir pour objectif de trouver une deacutecision

optimale agrave partir dune vision supposeacutee objective de la reacutealiteacute laide agrave la deacutecision

va sinteacuteresser agrave la construction de deacutecisions satisfaisantes en consideacuterant toute la

dimension subjective qui peut apparaicirctre au cours dun processus de deacutecision Tout drsquoabord

une distinction doit ecirctre faite entre lhomme deacutetude et le deacutecideur crsquoest-agrave-dire entre lrsquoexpert

des meacutethodes daide agrave la deacutecision et la personne ou le groupe de personnes chargeacute(e) de

prendre les deacutecisions

Laide agrave la deacutecision va avoir pour objet de faire agir conjointement ces deux principaux

acteurs afin de faire eacutemerger les deacutecisions La prise de deacutecision fait geacuteneacuteralement intervenir

des points de vue diffeacuterents voire contradictoire La tacircche de lhomme deacutetude va alors ecirctre la

modeacutelisation des preacutefeacuterences du deacutecideur en faisant eacutemerger les diffeacuterents points de vue ou

critegraveres sur lesquelles on se base pour construire la deacutecision relative agrave la situation

deacutecisionnelle ou problegraveme deacutecisionnel et qui vont ecirctre pris en compte dans le processus de

deacutecision La combinaison de lIA et des systegravemes drsquoaide agrave la deacutecision fournit une nouvelle

assistance informatique aux deacutecideurs en eacutetendant leurs capaciteacutes de raisonnement dans des

environnements complexes Les systegravemes daide agrave la deacutecision doteacutes dintelligence et

lexpertise du domaine drsquoutilisation ont eacuteteacute profondeacutement eacutetudieacutes par de nombreux

chercheurs

Les techniques intelligentes sont utiles pour analyser les donneacutees et fournir des preacutevisions

quantifier lincertitude fournir facilement des informations et suggeacuterer la marche agrave suivre La

figure 11 souligne comment la prise de deacutecision est influenceacutee par une gamme varieacutee de

techniques intelligentes

Figure 11 Les techniques intelligentes en aide agrave la deacutecision [Das 16]

12 Deacutecision et aide agrave la deacutecision

La prise de deacutecision et son exeacutecution sont en effet le but de tout problegraveme deacutecisionnel

dans une organisation Tout au long de la vie drsquoune organisation des deacutecisions sont prises

continuellement en son sein par des deacutecideurs Les deacutecisions sont souvent prises sur la base de

faits se rapportant agrave un problegraveme et des expeacuteriences veacutecues Dans certaines situation plus ou

moins deacutelicates le deacutecideur se fait aider par des proceacutedures automatiques afin de le guider

dans ses choix de solutions et cette tacircche de deacutecision devient beaucoup plus ardue et

couteuses il devient donc neacutecessaire drsquoutiliser des systegravemes interactifs drsquoaide agrave la deacutecision

noteacutes SIAD

Pour les eacutecoles rationalistes-analytiques la deacutecision est deacutefinie comme un choix entre

plusieurs alternatives [Schneider 96] Pour drsquoautres la deacutecision concerne aussi le processus

de seacutelection drsquoalternatives Les approches cognitives traitent la deacutecision comme le reacutesultat

drsquoun processus global de reacutesolution de problegravemes [Schneider 96] Ceci fait que le terme

deacutecision a plusieurs deacutefinitions Il est utiliseacute pour designer un acte une action ou un processus

de reacutesolution de problegraveme Drsquoautres auteurs proposent drsquoautres deacutefinitions chacune reflegravete un

point de vue diffeacuterent

Deacutefinition 1

Roy et Bouyssou estiment que la deacutecision est souvent preacutesenteacutee comme laquo le fait drsquoun

individu (deacutecideur) isoleacute qui exerce librement un choix entre plusieurs possibiliteacutes drsquoactions agrave

un moment donneacute dans le temps raquo [Roy et Bouyssou 93]

Deacutefinitions 2

Leacutevine et Pomerol deacutefinissent la deacutecision comme suit laquo Une deacutecision est une action qui est

prise pour faire face agrave une difficulteacute ou reacutepondre agrave une modification de lrsquoenvironnement

crsquoest-agrave-dire pour reacutesoudre un problegraveme qui se pose agrave lrsquoindividu ou agrave lrsquoorganisation raquo [Leacutevine

et Pomerol 89]

Deacutefinition 3

Selon Mintzberg et al laquo une deacutecision qursquoelle soit individuelle ou reacutesultant drsquoun travail de

groupe peut ecirctre deacutefinie comme lrsquoengagement dans une action c-agraved une intention explicite

drsquoagir raquo [Mintzberg et al 76]

Caracteacuteristiques de la deacutecision

La deacutecision est caracteacuteriseacutee par

Son objet

Il permet de distinguer les deacutecisions strateacutegiques tactiques et opeacuterationnelles La deacutecision

strateacutegique concerne les relations de lentreprise avec le milieu et porte essentiellement

sur les choix de marcheacutes et de produits afin dobtenir une adaptation de lentreprise agrave son

milieu La deacutecision tactique est relative agrave la gestion des ressources qui sont lrsquoacquisition

lrsquoorganisation et le deacuteveloppement La deacutecision opeacuterationnelle qui porte sur lexploitation

courante Elle a pour objet de rendre le processus de transformation des ressources plus

efficace

Son eacutecheacuteance

Celle-ci permet de distinguer

- les deacutecisions agrave court terme qui nont deffet que sur une courte peacuteriode

- les deacutecisions agrave moyen terme qui engagent lentreprise sur plusieurs exercices

- les deacutecisions agrave long terme qui sont exceptionnelles

Son degreacute de structure

Le nombre et la complexiteacute des paramegravetres intervenant dans un processus de deacutecision

peuvent ecirctre tregraves varieacutes Lorsque les paramegravetres sont peu nombreux aiseacutement

identifiables et quantifiables il est possible de formaliser la deacutecision crsquoest-agrave-dire

recourir agrave une proceacutedure standard de reacutesolution ou eacutelaborer un modegravele de prise de

deacutecision Tout problegraveme est alors soumis agrave une succession dopeacuterations exeacutecuteacutees dans un

ordre preacutecis et sous certaines contraintes pour passer des informations de base aux choix

deacutefinitifs

Par ailleurs lrsquohomme est souvent confronteacute agrave des situations ougrave il fait face agrave diffeacuterentes

hypothegraveses pour deacuteterminer la meilleure des situations qui lui convient Cette situation de

choix entre plusieurs solutions repose souvent sur lrsquooptimisation dun ou plusieurs critegraveres

objectifs Ces situations de choix sont traiteacutees en theacuteorie de la deacutecision En effet la theacuteorie de

la deacutecision suppose explicitement les assertions suivantes

- lrsquoexistence drsquoune meilleure deacutecision que lrsquoon peut atteindre moyennant le temps et

des ressources

- cette meilleure deacutecision peut ecirctre optimale si on arrive agrave optimiser un critegravere

- cette deacutecision optimale est toujours joignable agrave travers un processus

Cette theacuteorie de la deacutecision traite souvent ce genre de situation sous lrsquoappellation drsquoaide agrave la

deacutecision

Selon Roy lrsquoaide agrave la deacutecision est consideacutereacutee comme laquo une activiteacute qui srsquoappuie sur des

concepts rigoureux des meacutethodologies des modegraveles et des techniques Elle vise agrave eacuteclairer les

deacutecisions devant ecirctre prises par un intervenant sans pour autant dicter sa conduite raquo [Roy

85] Elle accompagne le processus de deacutecision en y apportant un eacuteclairage sans se substituer agrave

la prise de deacutecision qui est du seul ressort de deacutecideur Schaumlrlig voit que cette deacutefinition est

simpliste mais elle eacutenonce la neacutecessiteacute de prendre appui sur des modegraveles et non pas de leur

faire dire la solution elle fait allusion agrave des eacuteleacutements de reacuteponse plutocirct qursquoagrave des reacuteponses

complegravetes et deacutefinitives elle reacutefegravere agrave lrsquointervenant plutocirct qursquoau deacutecideur elle fait mention de

la neacutecessiteacute drsquoeacuteclairer la deacutecision plutocirct que de deacuteterminer quelle est la meilleure solution

[Schaumlrlig 85]

De lagrave on peut dire que lrsquoaide agrave la deacutecision prend appui sur des modegraveles pour aider un acteur

du processus de deacutecision agrave obtenir des eacuteleacutements de reacuteponse aux questions qursquoil se pose Cette

aide agrave la deacutecision peut aboutir agrave une prescription qui permet drsquoorienter vers une solution

(deacutecision) Elle est donc un processus qui utilise un ensemble dinformations disponibles afin

de formuler un problegraveme et aboutir agrave une deacutecision sur un objet preacutecis Seulement Roy voit

que la discipline de laide agrave la deacutecision ne repose pas sur lexistence dune veacuteriteacute absolue Et si

cette veacuteriteacute nest pas supposeacutee exister lobjectif va ecirctre donc de guider et deacuteclairer le deacutecideur

tout au long de son processus de deacutecision [Roy 92] De ce fait on ne cherchera plus agrave trouver

la meilleure deacutecision mais agrave accompagner le deacutecideur en tentant de faire ressortir les aspects

objectifs et ceux qui le sont moins et apporter une justification aux deacutecisions pour qursquoil puisse mesurer sa situation et deacutecider objectivement de ces choix en mettant en eacutevidence des

conclusions robustes par rapport agrave celles qui le sont moins

Dans le mecircme ordre drsquoideacutee Roy proposa aussi la deacutefinition suivante laquo lrsquoaide agrave la deacutecision

est lactiviteacute de celui qui prenant appui sur des modegraveles clairement expliciteacutes mais non

neacutecessairement clairement formaliseacutes aide agrave obtenir des eacuteleacutements de reacuteponse aux questions

que se pose un intervenant dans un processus de deacutecision eacuteleacutements concourants agrave eacuteclairer la

deacutecision et normalement agrave prescrire ou simplement agrave favoriser un comportement de nature agrave

accroicirctre la coheacuterence entre leacutevolution dun processus dune part les objectifs et le systegraveme

de valeurs au service desquels cet intervenant se trouve placeacute dautre part raquo [Roy 92]

121 Le processus de deacutecision

Selon Chakhar et al laquo Lrsquoactiviteacute drsquoaide agrave la deacutecision srsquoarticule autour drsquoun processus de

deacutecision qui est un ensemble drsquoactiviteacutes deacuteclencheacute par un stimulus et aboutissant agrave un

engagement speacutecifique agrave lrsquoaction raquo [Chakhar et al 05] Le processus de deacutecision peut ecirctre

consideacutereacute comme un chemin qui part des donneacutees pour aller aux proceacutedures de deacutecision La

litteacuterature concernant les concepts des diffeacuterents processus de deacutecision est vaste cependant le

processus le plus diffuseacute est celui de Simon [Simon 77] Nous trouvons eacutegalement drsquoautres

processus tel que celui proposeacute par Mintezberg et al [Mintzberg et al 76] ou celui proposeacute

par Tsoukias [Tsoukias 03]

[a] Le modegravele de Simon

Simon propose le processus de deacutecision IDC (Intelligence Modeacutelisation Choix) Ce

processus se deacuteroule selon 3 phases principales [Leacutevine et Pomerol 89 Turban 93 Power

02] Il est consideacutereacute comme eacutetant le modegravele le plus ceacutelegravebre des processus deacutecisionnels

disponibles dans la litteacuterature Il est scheacutematiseacute par la figure 12 [Alnafie 16 Simon 77]

1 Information Cela consiste agrave deacuteterminer lrsquoensemble des donneacutees se rapportant agrave la

situation deacutecisionnelle

2 Conception A cette eacutetape les diffeacuterentes alternatives qui forment lrsquoensemble des

possibiliteacutes sont geacuteneacutereacutees et les diffeacuterentes solutions sont alors eacutelaboreacutees

3 Choix Il permet de restreindre lrsquoensemble des possibiliteacutes au sous ensemble de

possibiliteacutes seacutelectionneacutees et qui sera en fait la solution

On rajoute geacuteneacuteralement une 4eme

eacutetape pour le controcircle de la mise en œuvre de la deacutecision et

lrsquoexercice eacuteventuel drsquoactions correctives (feedback)

laquo Cette phase conduit agrave la recommandation drsquoune solution approprieacutee au modegravele Elle peut

amener agrave la reacuteactivation de lrsquoune des trois phases preacuteceacutedentes ou au contraire agrave la

validation de la solution Apregraves le choix et dans la mesure ougrave la deacutecision srsquointegravegre dans un

processus dynamique la phase laquo review raquo nous semble extrecircmement importante De

nouvelles informations pertinentes peuvent influencer tel ou tel choix voir le modifier

complegravetement Une reacutetroaction (feedback) intelligente permet de corriger bien des erreurs et

sur le deacuteroulement drsquoun processus deacutecisionnel elle conduit agrave des performances aussi bonnes

que des strateacutegies compliqueacutees sans reacutetroaction Cette phase repreacutesente le retour du

processus drsquoaide agrave deacutecision agrave la reacutealiteacute La recommandation finale doit traduire le reacutesultat

fourni par le modegravele drsquoeacutevaluation dans le langage courant du client et du processus de

deacutecision dans lequel il est impliqueacute raquo [Adla 10]

Figure 12 Le processus deacutecisionnel selon Simon

[b] Le modegravele de Mintzberg et al

Ce processus deacutecisionnel contient plusieurs activiteacutes regroupeacutees en trois phases

fondamentales [Chakhar et al 05]

1 Identification de la situation deacutecisionnelle

2 Deacuteveloppement des solutions possibles

3 Seacutelection drsquoune solution agrave impleacutementer

[c] Le modegravele de Tsoukias

Tsoukias a introduit le concept de processus drsquoaide agrave la deacutecision comme une extension au

processus de deacutecision Pour lrsquoauteur le processus drsquoaide agrave la deacutecision est subdiviseacute en trois

phases [Chakhar et al 05]

1 Repreacutesentation du problegraveme

2 Formulation du problegraveme

3 Evaluation

122 Les intervenants dans le processus drsquoaide agrave la deacutecision

Le processus daide agrave la deacutecision fait concourir plusieurs intervenants ou acteurs Nous

distinguons deux principaux lhomme deacutetude et le deacutecideur Neacuteanmoins drsquoautres acteurs

peuvent ecirctre ameneacutes agrave intervenir agrave des titres varieacutes Lrsquoeacutetude des diffeacuterents acteurs (typologie

objectifs interactions etc) constitue un aspect important agrave eacutetudier pour analyser un processus

de deacutecision Avant de les deacutecrire nous donnerons la deacutefinition de Roy

Selon Roy laquo Un individu ou un groupe drsquoindividus est acteur drsquoun processus de deacutecision si

par son systegraveme de valeurs que ce soit au premier degreacute du fait des intentions de cet individu

ou groupe drsquoindividus ou au second degreacute par la maniegravere dont il fait intervenir ceux drsquoautres

individus il influence directement ou indirectement la deacutecision raquo [Roy 85]

Dans un processus de deacutecision il est possible de deacutefinir les principaux intervenants

suivants [Roy et Bouyssou 93]

- Le deacutecideur la personne (ou les personnes) assisteacutee(s) par laide agrave la deacutecision et qui

est aideacutee pour mieux exprimer ses preacutefeacuterences vis-agrave-vis drsquoune situation donneacutee

- Lrsquohomme drsquoeacutetude (lrsquoanalyste) est un individu ou un groupe drsquoindividus qui a pour

rocircle drsquoeacutetablir un systegraveme de preacutefeacuterences de deacutefinir le modegravele drsquoaide agrave la deacutecision de

lrsquoexploiter afin drsquoobtenir des reacuteponses et drsquoeacutetablir des recommandations pour

conseiller le deacutecideur sur les solutions envisageables

- Le neacutegociateur mandateacute par un deacutecideur en vue de faire valoir la position de celui-ci

dans une neacutegociation et de rechercher une solution compromis

- Larbitre (juge) intervient en se substituant aux acteurs dans la recherche drsquoune

action compromis

123 Les modegraveles de deacutecision

Drsquoun point de vue theacuteorique on peut distinguer trois grands types de modegraveles de prise de

deacutecision au sein drsquoune organisation [Simon 83]

- le modegravele rationnel ou classique ougrave lhomme est consideacutereacute complegravetement informeacute

pour prendre une deacutecision optimale

- le modegravele politique ougrave les deacutecisions font plutocirct lobjet de neacutegociations entre les

groupes

- le modegravele psychologique ougrave cest loptimaliteacute qui est neacutegocieacutee pour parvenir selon

Simon avec le principe de rationaliteacute limiteacutee agrave une deacutecision plutocirct satisfaisante

124 La typologie des deacutecisions

Les deacutecisions prises au sein de lorganisation peuvent ecirctre hieacuterarchiseacutees selon leur niveau

leur eacutecheacuteance leur objet ou leur nature On trouve alors les classifications suivantes

[a] Selon le niveau de la deacutecision

Kast diffeacuterencie trois niveaux de deacutecision selon la hieacuterarchie dans la structure de deacutecision le

niveau de planification (haute direction) le niveau de pilotage (direction) le niveau

opeacuterationnel (direction des opeacuterations) [Kast 02]

Figure 13 Les niveaux de deacutecision [Kast 02]

[b] Selon leacutecheacuteance de la deacutecision

IGOR ANSOFF a proposeacute un classement des deacutecisions en trois cateacutegories [Ansoff 1984]

- La deacutecision de court terme crsquoest une deacutecision qui engage lavenir sur une courte

peacuteriode De quelques jours agrave quelques mois (pas plus dun an en geacuteneacuteral) par

exemple le choix drsquoun fournisseur occasionnel pour une faible quantiteacute drsquoune piegravece

deacutetacheacutee

- La deacutecision de moyen terme elle engage lavenir sur une peacuteriode drsquoune anneacutee et

plus par exemple le remplacement drsquoune machine dans une usine

- La deacutecision de long terme elle engage lavenir de lentreprise sur une longue peacuteriode

(5 ans 10 ans mecircme plus) Elles sont souvent strateacutegiques par exemple

lrsquoimplantation drsquoune usine dans une reacutegion

[c] Selon lobjet de la deacutecision

Ansoff deacutefinie la classification suivante [Ansoff 84]

- La deacutecision strateacutegique crsquoest une deacutecision fondamentale essentielle qui engage

lavenir de lentreprise agrave moyen et long terme Elles concernent les relations de

lrsquoentreprise avec son environnement (par exemple deacutecision de produire un nouveau

produit touristique pour une clientegravele particuliegravere) Elle doit ecirctre mucircrement reacutefleacutechie

elle engage lavenir Ce type de deacutecision est du ressort de la direction

- La deacutecision tactique Elle se prend en situation moyenne dans la hieacuterarchie de

lentreprise Les deacutecisions de ce niveau sont des deacutecisions de gestion qui assurent

dans le moyen et le court terme la reacutealisation des deacutecisions strateacutegiques par

exemple le choix drsquoun fournisseur apregraves validation drsquoune commande de matiegravere

premiegravere

- La deacutecision opeacuterationnelle Elle se prend en bas de la pyramide hieacuterarchique de

lentreprise et consiste agrave assurer le fonctionnement courant et constant de

lentreprise Crsquoest une deacutecision de routine et geacuteneacuteralement elle ne pose pas de

direction

Direction

Direction opeacuteration

PYRAMIDE DE

GESTION

TYPE DE

DECISION

Strateacutegique

Tactique

Opeacuterationnelle

difficulteacute particuliegravere Par exemple changement drsquoun fournisseur en cas

drsquoindisponibiliteacute drsquoun produit

[d] Selon la nature des variables de deacutecision

Simon a proposeacute une autre classification [Simon 77]

- Les deacutecisions programmables ce sont des deacutecisions faciles agrave prendre qui portent sur

des donneacutees quantitatives et peu nombreuses Il est alors facile de formaliser la

deacutecision par leacutelaboration dune proceacutedure drsquoexeacutecution automatique

- Les deacutecisions non programmables ce sont des deacutecisions difficiles agrave prendre pour

lesquelles les donneacutees sont qualitatives et nombreuses Il est difficile de les inclure

dans une proceacutedure ou modegravele matheacutematique Elles reacutepondent agrave un eacuteveacutenement

nouveau Il est eacutevident que ce genre de deacutecision est plus coucircteux en temps et

financiegraverement

Avec la croissance continue des connaissances meacutedicales et lrsquoarriveacutee de nouvelles maladies

le diagnostic est devenu complexe Les meacutethodes classiques drsquoinvestigation meacutedicales ont

montreacutes des limites Degraves lors lrsquoIA a eacuteteacute mise agrave contribution dans le domaine meacutedical vers les

anneacutees 1970 [Shortliffe 76] mais sans impact consideacuterable neacuteanmoins beaucoup de travaux

ont eacuteteacute meneacutes et ont contribueacute agrave lrsquoavanceacutee de la recherche meacutedicale Vers les anneacutees 90 une

eacutetape a eacuteteacute franchie avec lrsquoapparition des systegravemes experts meacutedicaux et de lrsquoaide agrave la deacutecision

meacutedicale [Szolovits et al 88 Turban 93] profitant de lrsquoeacutevolution de lrsquoinformatique avec

lrsquoarriveacutee des entrepocircts de donneacutees meacutedicales et des nouvelles technologies de lrsquoinformation

Lrsquoaide agrave la deacutecision meacutedicale srsquoest alors imposeacutee drsquoelle-mecircme dans la pratique meacutedicale

courante et puis devenue un axe majeure de lrsquoinformatique meacutedicale

Nous preacutesentons dans la section suivante lrsquoaide agrave la deacutecision meacutedicale ougrave nous notons une

tregraves grande avanceacutee notamment par de nombreux travaux lieacutes au diagnostic et au traitement

des maladies comme le diabegravete lrsquoasthme et autres [Sivakumar 07 Jha et al 13 Marling et

al 08 Sefion et al 03a Sefion et al 03b]

13 Aide agrave la deacutecision meacutedicale

Les donneacutees et connaissances meacutedicales sont devenues de plus en plus nombreuses et

complexes Le meacutedecin ne peut donc meacutemoriser lrsquoensemble des connaissances meacutedicales dont

il a besoin dans sa pratique quotidienne De ce fait il doit ecirctre mieux fourni en moyens pour

reacutealiser ces tacircches lieacutees agrave la prise en charge des patients Parmi ces outils on trouve les

systegravemes drsquoaide agrave deacutecision qui occupent une large espace de recherche en santeacute depuis de

nombreuses anneacutees

En fait en meacutedecine la deacutecision est consideacutereacutee comme eacutetant le centre de lrsquoacte meacutedical Le

processus de la deacutecision meacutedicale consiste entre autres agrave poser un diagnostic une theacuterapie un

pronostic Cet acte meacutedical est centreacute sur un raisonnement que le clinicien doit adopter afin

drsquoaboutir agrave une action reacutefleacutechie Ce raisonnement est destineacute agrave soutenir cet acte Ceci implique

lrsquoutilisation de divers donneacutees informations connaissances et meacutethodologies de raisonnement

clinique Nous passerons en revue quelques notions de base sur ce raisonnement clinique qui

nous permettent la compreacutehension du domaine que nous investiguons

131 Le raisonnement clinique

Le raisonnement clinique est reacutesumeacute selon Pelaccia et al [Pelaccia et al 11] et Kassirer

[Kassirer 10] comme suit laquo Le processus de raisonnement clinique est analytique (modegraveles

hypotheacutetico-deacuteductifs) non analytique (reconnaissance de la similitude avec un cas deacutejagrave vu)

ou une combinaison des deux Le modegravele analytique est consideacutereacute comme suite deacutetapes qui

contiennent en premier lieu la geacuteneacuteration des hypothegraveses de diagnostic puis la recherche

dinformations cliniques pour confirmer ou invalider ces hypothegraveses Les informations

cliniques recueillies peuvent en outre deacuteduire de nouvelles hypothegraveses Ce processus est

effectueacute jusquagrave la confirmation ou leacutelimination du diagnostic Le modegravele non analytique est

eacutegalement consideacutereacute comme la reconnaissance dune situation clinique stockeacutee dans la

meacutemoire et qui correspond agrave lexpeacuterience clinique Cette expeacuterience clinique contribue agrave

geacuteneacuterer des hypothegraveses mais cette interaction nest pas toujours positive le rappel dune

situation clinique peut parfois perturber un objectif mais peut eacutegalement compleacuteter lanalyse

des signes observeacutes raquo [Pelaccia et al 11 Kassirer 10] Pour notre approche nous nous

sommes baseacutes sur un modegravele non analytique pour eacutetudier le raisonnement du meacutedecin face agrave

une situation pathologique Le meacutedecin utilise souvent sa compeacutetence (le raisonnement) et les

situations plus ou moins semblables deacutejagrave rencontreacutees (la meacutemoire) Ainsi le raisonnement

clinique du meacutedecin implique les eacuteleacutements mentionneacutes dans la figure 14 et qui sont

deacuteterminants dans la reacutesolution de la preacutesente situation clinique qui se pose devant lui

Figure 14 Le raisonnement clinique

Meacuted

[Cas Meacutedical]

[Symptocircmes Cliniques]

[Signes Speacutecifiques]

[DiagnosticTheacuterapie ]

Cas anteacuterieurs

Processus deacutecisionnel meacutedical

1 Collecter lrsquoinformation 2 Rechercher de situations similaires

anteacuterieures

3 Etablir une liste de diagnostic

possibles

4 Fixer un diagnosticTheacuterapie (solution)

132 La deacutecision en situation

Une notion importante en theacuteorie de la deacutecision est celle de la deacutecision en situation [Lebraty

et Guarnelli 14] Lrsquointeacutegration du concept de situation deacutecisionnelle sera le fondement

eacutetablissant le courant de la laquo deacutecision en situation raquo [Rasmussen 86 Klein 98 Lebraty et

Guarnelli 14] Dans cet ordre drsquoideacutee laquo lrsquoanalyse drsquoune deacutecision doit inteacutegrer le contexte dans

lequel elle est prise Le modegravele deacutecisionnel va se focaliser sur la reconnaissance par le

deacutecideur de la situation deacutecisionnelle (Recognition-Primed Decision Model) raquo [Lebraty 06]

Lrsquoideacutee de cette approche est qursquoelle nrsquoeacutetudie plus le processus cognitif indeacutependamment du

contexte dans lequel il srsquoinscrit ou se deacuteploie Cette approche propose que la deacutecision ne soit

pas exeacutecuteacutee hors de son contexte crsquoest-agrave-dire hors des regravegles dans laquelle la situation est

deacutecrite [Reason 93] Lebraty deacutefinit alors le contexte comme suit laquo Lrsquoensemble des

eacuteleacutements perccedilus par le deacutecideur qui exercent une contrainte sur la tacircche geacutereacutee Ainsi le

contexte est agrave la fois deacutependant de la tacircche et subjectif Il peut ecirctre vu comme le savoir

explicite et tacite permettant de mettre en œuvre les compeacutetences du deacutecideur dans une situation donneacutee raquo [Lebraty 06]

Figure 15 Eleacutements concourant agrave la deacutecision meacutedicale

133 La deacutecision meacutedicale

A la prise de deacutecision le meacutedecin doit agir sans connaitre lrsquoensemble des donneacutees relatives agrave

un patient et bien entendu toute la connaissance speacutecifique de la situation Le meacutedecin a

souvent besoin drsquoaide afin drsquoeacutetablir une deacutecision de qualiteacute suite agrave un diagnostic meacutedical

Donc le diagnostic meacutedical devient le preacutealable agrave toute deacutecision Ce processus de

reconnaissance et de recherche de solution est long et deacutelicat Ce qui agrave conduit agrave la conception

et au deacuteveloppement de systegravemes ayant pour but drsquoappuyer la deacutecision meacutedicale Ce qui est

communeacutement appeleacute aide agrave la deacutecision meacutedicale

Si nous voulons deacutefinir lrsquoaide agrave la deacutecision meacutedicale nous pouvons dire laquo crsquoest lrsquoensemble

des techniques et outils de traitement de donneacutees permettant drsquoaider un processus drsquoeacutetablir

une deacutecision se rapportant agrave une situation meacutedicale raquo

Ce processus a pour finaliteacute drsquoaider un praticien de la santeacute agrave prendre des mesures adeacutequates

lors de la prise en charge des patients Cependant cette aide est conditionneacutee par un

diagnostic meacutedical preacutealable agrave tout acte de deacutecision pris par le meacutedecin Il srsquoagit donc

Situation

meacutedicale

Deacutecision meacutedicale

Raisonnement Clinique

meacutedical

drsquoacqueacuterir la connaissance agrave travers un contexte observable Sournia deacutefinit le diagnostic

meacutedical comme suit laquo Deacutemarche intellectuelle par laquelle une personne drsquoune profession

meacutedicale identifie la maladie drsquoune autre personne soumise agrave son examen agrave partir des

symptocircmes et des signes que cette derniegravere preacutesente et agrave lrsquoaide drsquoeacuteventuelles investigations

compleacutementaires raquo [Sournia]

En effet un diagnostic meacutedical repreacutesente une tacircche difficile agrave reacutealiser parce qursquoil repose sur

la capaciteacute de raisonnement du meacutedecin de son aptitude agrave discerner les symptocircmes Ce

diagnostic conditionne la deacutecision meacutedicale Cette eacutetape est drsquoautant plus difficile agrave cause des

informations utiliseacutees qui peuvent ecirctre entacheacutees drsquoincertitude et drsquoautres formes

drsquoimperfection Cette incertitude peut provenir de diverses origines erreur dans les donneacutees

ambiguumliteacute dans la repreacutesentation des donneacutees incertitude sur les relations entre les diverses

donneacutees etc Ces difficulteacutes not conduit agrave la conception et au deacuteveloppement de systegravemes

drsquoaide au diagnostic ayant pour but drsquoassister les meacutedecins dans lrsquoeacutelaboration de leurs

diagnostics et la prescription de theacuterapies adeacutequates

Un diagnostic meacutedical repreacutesente donc lrsquoacte drsquoassocier le nom drsquoune ou plusieurs maladies

agrave des signes observeacutes (anteacuteceacutedents symptocircmes) dans le cas drsquoun patient

De ce fait nous pouvons dire que le processus de diagnostic meacutedical se deacuteroule alors comme

(a) Le meacutedecin constate les symptocircmes se manifestant chez un patient A partir de ces

symptocircmes il formule des hypothegraveses de diagnostic initial

(b) Il procegravede agrave un examen initial du patient qui lui permet drsquoaugmenter le degreacute de

confiance pour certaines hypothegraveses et le diminuer pour drsquoautres En mecircme temps le

meacutedecin pose au patient des questions dont les reacuteponses sont utiles agrave conforter ou

rejeter une hypothegravese initialement fixeacutee

Si le cas reste ambigu apregraves ces eacutetapes le meacutedecin cherche alors une autre source

drsquoinformations qui puisse apporter une information suppleacutementaire permettant drsquoeacuteliminer

lrsquoambiguiumlteacute Celle-ci est geacuteneacuteralement fournie a travers des examens compleacutementaires

(analyses radiographies etc) Souvent ces analyses compleacutementaires viennent compleacuteter les

informations en sa possession Si le meacutedecin nrsquoarrive toujours pas agrave eacutetablir un diagnostic

complet et fiable une derniegravere eacutetape consiste agrave ce qursquoil ait recours agrave lrsquoeacutetude drsquoune base de cas

similaires traiteacutes par le passeacute afin drsquoeacutetablir une correspondance avec le cas actuel

De ce fait il a eacuteteacute possible de deacutevelopper des systegravemes centreacutes sur laction meacutedicale

permettant aux cliniciens de beacuteneacuteficier des possibiliteacutes offertes par linformatique et les

meacutethodes de traitement de linformation pour ameacuteliorer leurs connaissances leurs deacutecisions

et maicirctriser leurs activiteacutes Ces systegravemes sont appeleacutes systegraveme drsquoaide agrave la deacutecision meacutedicale

(SADM)

14 Les systegravemes drsquoaide agrave la deacutecision meacutedicale (SADM)

Les systegravemes experts eacutetaient agrave lrsquoorigine des premiers SADM Par la suite les cliniciens ont

montreacute un grand inteacuterecirct pour ces systegravemes dans leurs pratiques courantes en milieu meacutedical

(cabinet meacutedical laboratoire hocircpital et autres) [Osheroff 09]

- pour deacutecider de certaines tacircches de routine

- pour alerter les cliniciens de problegravemes potentiels

- ou pour suggeacuterer des examens aux cliniciens

La litteacuterature est tregraves varieacutee en deacutefinitions et deacutenominations pour les systegravemes drsquoaide agrave la

deacutecision [keen et al 78 Alter 80 McKenney et Scott 71] Certains auteurs mettent lrsquoaccent

sur le type de problegravemes ou sur les fonctionnaliteacutes du systegraveme en question drsquoautres mettent en

valeur les composants ou les processus qursquoils utilisent Pour une plus large lecture sur les

SIAD nous orientons le lecteur sur [Hamdadou et Bouamrane 15]

Dans le milieu meacutedical les SIAD sont aussi appeleacute SADM [Serroussi et Bouaud 14]

drsquoautres les appellent SIADM [Ltifi et al 10] Dans notre travail nous utilisons lrsquoappellation

SADM avec la preacutecision que lrsquoaspect interactiviteacute est fortement preacutesent degraves lors que

lrsquoutilisateur est assureacute de pouvoir effectuer les opeacuterations suivantes qui lui permettent

drsquointeragir avec le systegraveme soit pour introduire des donneacutees lancer des processus ou faire des

validations de reacutesultats renvoyeacutes par le systegraveme

Jusquau deacutebut des anneacutees 1990 lutilisation des SADM sest limiteacutee au milieu hospitalier Au

deacutebut des anneacutees 2000 leur usage est sorti du cadre de lrsquohocircpital gracircce au deacuteveloppement des

Technologies de lrsquoInformation et de la Communication (TIC)

De nos jours ils couvrent presque lrsquoensemble des activiteacutes meacutedicales de diagnostic de

theacuterapie de pronostic etc

141 Deacutefinitions

Deacutefinition 1

Serroussi et Bouaud deacutefinissent les systegravemes daide agrave la deacutecision meacutedicale (SADM) comme

eacutetant laquo des applications informatiques dont le but est de fournir aux cliniciens en temps et en

lieu utiles les informations deacutecrivant la situation clinique dun patient ainsi que des

connaissances approprieacutees agrave cette situation qui soient correctement filtreacutees et preacutesenteacutees afin

dameacuteliorer la qualiteacute des soins et la santeacute des patients raquo [Serroussi et Bouaud 14]

Berner preacutecise aussi que pour laquo ameacuteliorer la qualiteacute des soins et la santeacute des patients les

informations doivent eacutegalement ecirctre correctement filtreacutees et preacutesenteacutees fournies en temps

et lieu utiles raquo [Moreno 15]

Deacutefinition 2

Greenes deacutefinit lrsquoaide agrave la deacutecision meacutedicale comme suit laquo lutilisation des technologies de

linformation et de la communication fournissant des connaissances pertinentes pour les soins

de santeacute et le bien-ecirctre dun patient raquo [Mereno 15 Greenes 14]

Bates et al preacutecisent que les connaissances pertinentes sont des laquo informations passives et

actives de reacutefeacuterence ainsi que des rappels des alertes et des recommandations raquo [Mereno

15 Bates et al 2003]

142 Les objectifs du SADM

Un SADM a les principaux objectifs suivants

- proposer des donneacutees et des informations agrave la demande du clinicien lors des

diffeacuterentes activiteacutes de diagnostic et de recherche de theacuterapies

- proposer un diagnostic une theacuterapie ou un pronostic

- alerter au bon moment pour eacuteviter des eacuteveacutenements indeacutesirables

De plus et drsquoune maniegravere geacuteneacuterale il peut intervenir sous diverses formes On a alors

- lrsquoaide agrave la documentation des soins

- lrsquoaccegraves en ligne aux informations de reacutefeacuterence

- la gestion de protocoles ou processus complexes

143 Les principales fonctions du SADM

Les fonctions daide agrave la deacutecision les plus courantes dans les systegravemes daide agrave la deacutecision

meacutedicale sont lrsquoalerte et le rappel Dans un environnement en temps reacuteel ces fonctions sont

attacheacutees aux dispositifs de surveillance pour fournir des alertes immeacutediates au fur et agrave

mesure que la condition de deacuteclenchement se produit Par exemple la surveillance doxygegravene

et de pression arteacuterielle dans un contexte difficile peuvent alerter les infirmiegraveres si leacutetat du

patient deacutepasse un seuil fixeacute Dans un contexte chronique une simple analyse des reacutesultats de

laboratoire ou une alerte par email agrave lintention du deacutecideur sont des fonctions daide agrave la

deacutecision utiles Certains systegravemes daide agrave la deacutecision meacutedicale peuvent fournir des fonctions

de reconnaissance et dinterpreacutetation dimages Ceux-ci sont extrecircmement utiles dans des

situations ougrave des rapports de radiologie peuvent ecirctre interpreacuteteacutes et des alertes peuvent ecirctre

geacuteneacutereacutees pour attirer lattention des meacutedecins [What-when-how]

Table 11 Fonctions daide agrave la deacutecision et exemples de problegravemes cliniques (traduit) [What-when-how]

Fonction

Exemples de problegravemes cliniques

Alerte

Baseacutee sur les reacutesultats de laboratoire avec diffeacuterents niveaux personnalisables

Diagnostic Identifier le diagnostic possible en fonction de lhistorique du physique des reacutesultats et

des donneacutees saisies

Rappel

Rappeler aux praticiens les ordres et leurs calendriers

Notification

Non-conformiteacute risques eacuteveacutenements anormaux et peacuteriodes de soins

Suggestion

Ajustements meacutedicamenteu les tendances et les dosages actuels de meacutedicaments

Interpreacutetation

Directives pour la situation actuelle - calendrier de tests-laboratoire protocoles de soins

Preacutediction

Preacutedire les reacutesultats en fonction de certaines variables indeacutependantes

Assistance

Fournir un autre meacutedicament suite agrave une interaction meacutedicamenteuse ou agrave une allergie

Critique

Lutilisation drsquoune proceacutedure meacutedicale sur la base des directives meacutedicales applicables en

meacutedecine et des anteacuteceacutedents meacutedicaux du patient

144 Structure drsquoun SADM

Les systegravemes daide agrave la deacutecision meacutedicale se composent de [Moreno 15]

- une base de connaissances construite agrave partir de recommandations et principes de la

meacutedecine

- des modegraveles de connaissances repreacutesenteacutes selon des formalismes de repreacutesentation

des connaissances et

- un moteur drsquoinfeacuterence utilisant des meacutethodes de raisonnement pour deacuteduire lrsquoaide agrave

la deacutecision de diagnostic theacuterapeutique ou pronostic

- interface assurant la communication entre le clinicien et le systegraveme

145 La typologie des SADM

Dans la large panoplie de systegravemes ou prototypes deacuteveloppeacutes la litteacuterature fournit plusieurs

approches pour leurs classifications Moreno cite par exemple deux types ceux baseacutees sur la

connaissance ou non [Moreno 2015] Nous nrsquoen citerons que ces deux classifications agrave titre

drsquoexemple

[a] Selon le mode dintervention

Ces systegravemes sont fondeacutes sur la maniegravere dont ils interviennent dans le processus de deacutecision

en geacuteneacuteral cagraved comment ils aident dans la prise de deacutecision

- Les systegravemes daide indirecte agrave la prise de deacutecision ou systegravemes drsquoassistance

documentaire

Laccegraves agrave linformation pertinente fait partie du processus de la deacutecision Ainsi

laccegraves aux reacutesultats drsquoanalyses biochimiques ou la consultation du dossier meacutedical

du patient constituent des aides indirectes agrave la deacutecision Cette aide intervient pour

faciliter lappreacuteciation dune situation par le meacutedecin Les systegravemes de bases de

donneacutees concernant les meacutedicaments et leurs interactions sont des exemples de

systegravemes pouvant intervenir dans la deacutecision meacutedicale Cependant cette aide agrave la

deacutecision est resteacutee au stade classique du stockage et retrait de lrsquoinformation Ces

systegravemes documentaires nont pas de meacutethode de raisonnement agrave proprement dit mais

ils doivent geacuterer des bases de donneacutees

- Les systegravemes de rappels automatiques ou systegravemes drsquoalerte

Ces systegravemes permettent de rappeler au meacutedecin des erreurs agrave ne pas commettre ou

des eacuteleacutements importants agrave prendre en compte lors de la prise de deacutecision

Lrsquoassistance fournie nest pas une aide au raisonnement ou agrave lappreacutehension globale

du cas du patient mais plutocirct un aide-meacutemoire fournissant une information utile et

pertinente dans une situation clinique plus ou moins simple Ainsi par exemple

lrsquoavertissement par une mise en garde lors de la description drsquoune posologie drsquoun

meacutedicament peut ecirctre aussi vu comme une aide preacutecieuse dans la prise de deacutecision

Ces systegravemes ne raisonnent pas veacuteritablement mais laide devient plus personnaliseacutee

dans la mesure ougrave le systegraveme tient compte des informations dont il dispose sur la

situation envisageacutee Les alertes peuvent ecirctre de nature diffeacuterente comme par

exemple un protocole theacuterapeutique lorsquune pathologie est reconnue ou tout

simplement fournir les valeurs normales des examens biologiques

- Les systegravemes consultants

Ils ont pour but de donner un avis de speacutecialiste devant une situation clinique preacutecise

quelle soit de nature diagnostique ou theacuterapeutique Les systegravemes experts meacutedicaux

peuvent ecirctre classeacutes dans cette cateacutegorie Ces systegravemes raisonnent sur des situations

meacutedicales deacutefinies et fournissent agrave lutilisateur des conclusions argumenteacutees selon

les meacutethodes de raisonnement employeacutees Cest dans cette cateacutegorie que lon note le

plus de reacutealisations en matiegravere de systegraveme daide agrave la deacutecision

[b] Selon la repreacutesentation agrave base connaissances (symboliques)

Ces systegravemes mettent en avant la maniegravere utiliseacutee pour stocker leurs connaissances meacutedicales

ce qui influe aussi sur leurs modes de raisonnement La base de connaissances contient les

regravegles et les relations entre les donneacutees eacutecrites le plus souvent la forme de regravegles Si Alors

Ces SADM sont composeacutes de trois parties la base de connaissances un moteur drsquoinfeacuterence

et une interface pour communiquer avec le clinicien utilisateur du systegraveme Le moteur

drsquoinfeacuterence utilise les regravegles et les donneacutees du patient pour deacuteduire des solutions [Moreno

[c] Selon la repreacutesentation agrave base de donneacutees (numeacuteriques)

Ces systegravemes utilisent lrsquoIA agrave travers des algorithmes speacutecifiques (algorithmes geacuteneacutetiques

reacuteseaux de neurones) Cependant ils ne peuvent pas expliquer les raisons de leurs

conclusions Ces systegravemes ne sont pas directement utilises pour les diagnostics pour des

raisons de fiabiliteacute et de responsabiliteacute Neacuteanmoins ils peuvent ecirctre utiliseacutes en post-diagnostic

[Moreno 15] On trouve alors

- Les systegravemes drsquoaide au diagnostic

Ces systegravemes utilisent plusieurs maniegraveres plus ou moins complexes pour aider le

meacutedecin qui les sollicitent [Moreno 15]

suggeacuterer un ensemble de diagnostics possibles

prescrire des examens compleacutementaires tels que des imageries des analyses

biologiques ou autres

montrer un scheacutema theacuterapeutique agrave suivre pour deacuteterminer la maladie

responsable suite agrave un diagnostic preacuteliminaire

produire une information qui peut aider au suivi drsquoune pathologie

produire un reacutesumeacute meacutedical permettant la prise en charge de malades

chroniques

- Les systegravemes drsquoaide agrave la deacutecision theacuterapeutique

On peut trouver

les systegravemes drsquoaide agrave la prescription

Le meacutedecin prescrit une liste de meacutedicaments et le systegraveme effectue un certain

nombre de veacuterifications (allergie interaction meacutedicamenteuse etc) agrave travers une

base de meacutedicaments et du dossier meacutedical du patient pour valider ou non la

prescription En cas de deacutetection drsquoun problegraveme (interaction etc) le systegraveme

geacutenegravere une alerte Ces systegravemes sont seulement destineacutes agrave seacutecuriser la

prescription drsquoun meacutedicament donneacute [Moreno 15]

Les systegravemes drsquoaide agrave la strateacutegie theacuterapeutique

Ils aident le meacutedecin agrave choisir le bon meacutedicament agrave prescrire en eacutetablissant un

scheacutema theacuterapeutique qui neacutecessite un suivi dans le temps

Figure 16 Typologie des SADM selon les approches utiliseacutees

Selon lrsquoapproche symbolique Selon lrsquoapproche numeacuterique

Sys Rappels

automatique

Systegraveme drsquoAide agrave la Deacutecision Meacutedicale

(SADM)

Baseacutee sur les donneacutees Modeacutelisations

matheacutematiques et

production de probabiliteacutes

Baseacutee sur les connaissances

Raisonnement

logique

Modegraveles

probabilistes

Aide au

Diagnostic

Aide agrave la

Theacuterapeutique Aide au

Diagnostic

Aide agrave la

Theacuterapeutique

Calcul de

Scores

Systegravemes

Experts

Modegraveles de

pronostic Systegravemes

experts

Approches

documentaires

Aide indirecte

Consultants

Selon Mode drsquoIntervention

146 Composantes du SADM

Les systegravemes daide agrave la deacutecision meacutedicale ont fait lobjet de multiples reacutealisations Depuis

plus de vingt ans les systegravemes experts faisant appel aux meacutethodes de lintelligence artificielle

(IA) se multiplient en meacutedecine comme dans dautres domaines des sciences et des

techniques Avant eux des approches plus traditionnelles baseacutees sur des meacutethodes

statistiques ou probabilistes avaient eacuteteacute largement deacuteveloppeacutees Les meacutethodes dintelligence

artificielle ont permis des avances Sur le plan technique elles ont permis un saut qualitatif

important dans la reacutealisation des systegravemes complexes Cette avanceacutee ne concerne pas

uniquement les applications meacutedicales mais eacutegalement les applications de gestion

Lintelligence artificielle a donc permis de deacuteboucher sur une veacuteritable ingeacutenierie de la

connaissance Elle se caracteacuterise par une approche faisant une large part agrave la psychologie

cognitive agrave la repreacutesentation des connaissances symboliques et agrave la modeacutelisation des

processus de raisonnement La figure ci-dessous montre la structuure dun systegraveme daide agrave la

deacutecision meacutedicale qui comprend

Figure 17 Structure drsquoun SADM [Holtzman 89]

- La base dinformations

Elle reacuteuni les donneacutees sur le systegraveme et assure les fonctions suivantes

- mettre en correacutelation les donneacutees de diffeacuterentes sources

- rechercher des donneacutees suite agrave des reqquettes

- faire des recherches complexes et des manipulations de donneacutees pour des

requecirctes

- La base de modegraveles

Elle deacutecrit le comportement du systegraveme Elle se compose dun ensemble de modegraveles et

dun systegraveme de gestion de ceuxci Les modegraveles peuvent ecirctre des outils de

recherchepeacuterationnelle des modegraveles statistiques ou autres

- Une base de connaissances

Elle peut ecirctre un systegraveme agrave part entiegravere et indeacutependant qui peut apporter une expertise

en plus et speacutecifique au systegraveme en place La base de connaissance regroupe pour sa

part un ensemble de connaissances sur le domaine du problegraveme

Interface

Base de

connaissances

Base de

modegraveles

drsquoinformation

- Une interface HommeMachine

Elle assure la communication entre le systegraveme et lrsquoutilisateur

[a] Les modegraveles de connaissances

La base de connaissance regroupe lrsquoesnemble des connaissances du domaine en question Ces

connaissances susceptibles decirctre fournis agrave un systegraveme sont de divers types on trouve par

exemple linterpreacutetation des reacutesultats dexamens biologiques les connaissances anatomiques

physiopathologiques eacutepideacutemiologiques taxonomiques (classification des maladies) les

connaissances pharmacologiques et theacuterapeutiques Szolovits et al proposent de regrouper

les modegraveles de connaissances utiliseacutes en meacutedecine en trois cateacutegories [Szolovits et al 88]

- Les modegraveles empiriques

Les connaissances empiriques concernent la connaissance des associations entre les

maladies et les signes Elles peuvent ecirctre fournies par un expert ou deacuteriveacutees de lanalyse

dune base de donneacutees Des connaissances de ce type sont tregraves souvent utiliseacutees dans les

systegravemes experts Le meilleur exemple de ce type de connaissance et de sa mise en

œuvre est certainement le systegraveme MYCIN [Shortliffe 76] utilisant des regravegles de

connaissance eacutelaboreacutees empiriquement par les experts Exemple de regravegle de ce type

Si couleur_urine=rouge Alors patient= agrave haut risque

- Les modegraveles empiriques quantitatifs

Dans ce type de modegravele la connaissance est plus complexe Elle combine une

connaissance de type empirique deacutefinie preacuteceacutedemment et une connaissance modeacuteliseacutee

de maniegravere quantitative Szolovits souligne linteacuterecirct de ce modegravele et justifie lusage dun

modegravele empirique pour traduire une connaissance difficile agrave appreacutecier [Szolovits 85]

Exemple de regravegle de ce type

Si couleur urine = rouge et Dose=[20 30] Alors cas=Salmoneia

- Les modegraveles physiologiques et physiopathologiques

Ce type de connaissances permet de mettre en œuvre des raisonnements plus profonds deacutecrivant par des relations dont la seacutemantique est claire les meacutecanismes qui sous-

tendent des processus morbides Les explications fournies agrave partir de connaissances

causales sont plus faciles agrave comprendre Les connaissances causales servent agrave identifier

des eacutetats physiopathologiques Dautres connaissances servent agrave classer le cas en

fonction des eacutetats preacuteceacutedemment confirmeacutes ou infirmeacutes Ce dernier type de

connaissances appliqueacute agrave des eacutetats identifieacutes et non agrave des donneacutees de deacutepart est utiliseacute agrave

un niveau dabstraction plus eacuteleveacute que les regravegles de causaliteacute Il a pour but de produire

des conclusions de diagnostic et de pronostic [Degoulet et Fieschi 91]

[b] Les formalismes de repreacutesentation des connaissances

Les formalismes les plus utiliseacutes dans les systegravemes informatiques sont les regravegles de

production et les objets structureacutes ou frames

- Les regravegles de production

Elles permettent de repreacutesenter simplement des connaissances qui sexpriment

naturellement par des phrases conditionnelles par exemple

Si taux_sucre_sang gt= 126 gl Alors le patient preacutesente une glyceacutemie

La connaissance exprimeacutee de cette faccedilon deacuteclarative preacutesente une simpliciteacute

dexpression et une faciliteacute de compreacutehension lieacutee agrave sa syntaxe

De tregraves nombreux systegravemes dont le plus ceacutelegravebre est MYCIN utilisent ce mode de

repreacutesentation des connaissances et obtiennent des performances tout agrave fait

inteacuteressantes Deux strateacutegies dutilisation de ces regravegles peuvent ecirctre mises en œuvre La

strateacutegie guideacutee par les donneacutees appeleacutee chaicircnage avant utilisation de toutes les

regravegles pour deacuteduire tout ce qui est deacuteductible La strateacutegie guideacutee par le but appeleacutee en

chaicircnage arriegravere agrave partir drsquoune proposition drsquoun but agrave atteindre il ya construction de

tous les chemins possibles

- Les objets structureacutes (frames)

Les objets structureacutes sont tous les concepts qui se preacutesentent agrave la penseacutee Diffeacuterentes

connaissances et proprieacuteteacutes sont rattacheacutees agrave chaque objet On peut se repreacutesenter une

structure dobjet comme un reacuteseau de nœuds et de relations Il est eacutegalement possible de deacutefinir des liens dont la seacutemantique est preacuteciseacutee relations entre classes et instances ou

entre ensembles et sous-ensembles

Figure 18 Exemple de repreacutesentation de la classe personne dans une application meacutedicale

A ce niveau on peut opposer deux types de connaissances la connaissance statique et la

connaissance dynamique La connaissance statique correspondant agrave la deacutefinition des

concepts La connaissance dynamique deacutecrit la faccedilon dutiliser les concepts et leurs

proprieacuteteacutes dans un raisonnement ou laspect empirique des regravegles est mis en eacutevidence

[c] Les meacutethodes de raisonnement

Les meacutethodes de reacutesolution de problegraveme et de raisonnement sont tregraves varieacutees et peuvent ecirctre

mises en œuvre sur les diffeacuterents modegraveles de connaissances Ainsi on peut avoir recours aux

types de raisonnement suivants

- Le raisonnement deacuteductif qui porte sur des donneacutees cateacutegoriques ou des donneacutees

incertaines etou impreacutecises et mettant en œuvre le principe de limplication logique ou lune de ses geacuteneacuteralisations

Sport Pratiqueacute

Bilan Santeacute

Personne

Diabeacutetique

Marche

Patient

- Le raisonnement hypotheacutetico-deacuteductif ou une geacuteneacuteralisation du raisonnement par

labsurde (par reacutefutation) permet de focaliser la recherche dune solution agrave un

problegraveme deacutetermineacute

- Le raisonnement qualitatif permet dexprimer des connaissances de bon sens courant

- Le raisonnement inductif et le raisonnement par analogie sont eacutegalement utiliseacutes

Ces raisonnements peuvent ecirctre mis en œuvre aussi bien pour reacutesoudre des problegravemes ougrave toutes les situations possibles sont eacutenumeacutereacutees apriori pour reacutesoudre des problegravemes ougrave cette

eacutenumeacuteration nest pas possible

147 Les meacutethodologies drsquoaide agrave la deacutecision meacutedicale

1471 Lapproche numeacuterique

Cette approche baseacutee principalement sur la mise en œuvre dalgorithmes numeacuteriques (comme lanalyse discriminante ou le theacuteoregraveme de Bayes) a eacuteteacute historiquement la premiegravere utiliseacutee

dans les systegravemes daide agrave la deacutecision [Bruland et al 10]

1472 Les analyses discriminantes et les meacutethodes statistiques

Ces meacutethodes sont appliqueacutees sur un eacutechantillon de cas (dont on connaicirct par exemple le

diagnostic) pour deacuteterminer la fonction discriminante Scheacutematiquement si lon suppose que

lon cherche agrave discriminer les sujets malades des non malades on peut dire quil sagit dans un

espace agrave p dimensions correspondant aux variables deacutecrivant les patients de trouver le plan

qui seacutepare au mieux (au sens dun certain critegravere) les points correspondant aux malades et les

points correspondant aux sujets sains Cette fonction obtenue est testeacutee sur un autre

eacutechantillon de donneacutees afin deacutevaluer sa validiteacute De nombreuses meacutethodes ont eacuteteacute proposeacutees

et appliqueacutees dans diffeacuterents domaines meacutedicaux [Bellazi et Zupan 08 Abbasi et

Kashiyarndi 06]

1473 Les systegravemes bayeacutesiens

Lapproche bayeacutesienne a donneacute lieu agrave de nombreuses applications parmi lesquelles celle de

De-Dombal sur les douleurs abdominales aigueumls est lune des plus significatives Ce systegraveme

utilise un modegravele bayeacutesien pour calculer les probabiliteacutes des affections se manifestant par des

douleurs abdominales aigueumls Chaque patient est deacutefini par 35 agrave 40 variables et les 7

cateacutegories diagnostiques connues du systegraveme sont lappendicite la diverticulose la

perforation dulcegravere duodeacutenal la pancreacuteatite locclusion du grecircle et les douleurs abdominales

non speacutecifiques [De Dombal et al 1972]

1474 Lapproche intelligence artificielle

Limportance de la connaissance pour reacutealiser des tacircches de maniegravere intelligente fait lobjet de

plusieurs reacutealisations en intelligence artificielle [Szolovits et al 88 Koton 88] Le but est

deacuteduire de nouvelles conclusions ou solutions en utilisant de maniegravere formelle les descriptions

drsquoobjets ou entiteacutes reacuteelles repreacutesenteacutees dans un formalisme adeacutequat et qui se precirctent bien

pour les traitements voulus Deux modes de repreacutesentations sont alors utiliseacutes la

repreacutesentation proceacutedurale pour une connaissance si celle-ci traduit un algorithme Sinon

cette connaissance nest pas formulable algorithmiquement et lagrave crsquoest une repreacutesentation

deacuteclarative Donc avant tout traitement il faudra reacutefleacutechir et choisir un mode de

repreacutesentation convenable pour la repreacutesentation des eacutetats du systegraveme et la repreacutesentation des

connaissances utiliseacutees pour produire les nouveaux eacutetats bien sur par deacuterivation ou

deacuteduction [Szolovits et al 88 Koton 88]

148 Conclusion

En se basant sur le meacutecanisme de reacutesolution de situations meacutedicales il est remarqueacute que le

raisonnement du meacutedecin repose en grande partie sur le fait que la situation courante a une

probabiliteacute qursquoelle soit deacutejagrave traiteacutee auparavant et de ce fait le meacutedecin va proposer une

solution plus ou moins identique agrave celle deacutejagrave utiliseacutee Ce raisonnement est tregraves proche drsquoune

meacutethodologie de raisonnement tregraves connue sous le nom du raisonnement agrave base de cas (RBC)

Ceci a motiveacute eacutenormeacutement des travaux sur ce mode de raisonnement dans le domaine meacutedical

et a conduit agrave la reacutealisation drsquooutils informatiques de reacutesolution de problegravemes deacutecisionnels

srsquoappuyant entiegraverement sur ce mode de raisonnement (RBC) Ces travaux ont des

ramifications dans les domaines varieacutes de lrsquointelligence artificielle repreacutesentation des

connaissances classification mesures de similariteacute etc ce qui en a fait un mode de

raisonnement complexe mais largement utiliseacute en aide agrave la deacutecision meacutedicale

15 Aide agrave la deacutecision meacutedicale par RBC

Lrsquoutilisation de lrsquoapproche RBC est tregraves utiliseacutee en meacutedecine agrave cause du raisonnement

utiliseacute et qui est proche de celui du clinicien face agrave une situation pathologique donneacutee En

effet un clinicien utilise la mecircme deacutemarche dans la recherche drsquoune solution meacutedicale en se

basant sur sa meacutemoire pour essayer de se remeacutemorer des cas preacuteceacutedents deacutejagrave veacutecus en

consultation et delagrave il peut facilement srsquoorienter vers une situation analogue et lrsquoajuster si

possible agrave sa preacutesente situation

De plus cette approche est tout agrave fait justifieacutee dans les domaines ougrave le traitement ne repose

pas sur une meacutethode algorithmique structureacutee ou non pour aboutir agrave une solution mais repose

seulement sur la connaissance stockeacutee qui est la solution expeacuterience passeacutee

151 Le mode RBC

Le raisonnement agrave base de cas (RBC) appartient aux meacutethodes de lintelligence artificielle

(IA) Ce mode consiste agrave reacutesoudre un problegraveme en sappuyant sur une expeacuterience passeacutee En

outre un des points cleacutes pour un systegraveme RBC est la recherche de cas pertinents dougrave

limportance dun proceacutedeacute qui va eacutetiqueter les cas de faccedilon agrave ce quils puissent ecirctre retrouveacutes

au moment opportun Cette opeacuteration deacutetiquetage est une sorte dindexation qui affecte aux

cas des indices qui vont les repreacutesenter durant les diffeacuterentes phases qui composent le systegraveme

Le RBC est donc un paradigme de reacutesolution des problegravemes Au lieu de compter seulement

sur la connaissance geacuteneacuterale dun domaine du problegraveme il srsquoappuie sur la remeacutemoration de

problegravemes passeacutes et reacutesolus appeleacutes les cas sources pour reacutesoudre un problegraveme courant

appeleacute problegraveme cible et une nouvelle expeacuterience est maintenue chaque fois qursquoun problegraveme

a eacuteteacute reacutesolu la rendant immeacutediatement disponible pour de futurs problegravemes [Aamodt et Plaza

94] Les bases du RBC ont eacuteteacute poseacutees par les travaux de Minsky et Schank agrave la fin des anneacutees

La theacuteorie deacuteveloppeacutee par Minsky preacutesente la notion de frame script ou scheacutema qui

correspond agrave une structure remeacutemoreacutee qui doit ecirctre adapteacutee pour correspondre agrave la reacutealiteacute

drsquoune nouvelle situation rencontreacutee Nous avons ainsi une repreacutesentation particuliegravere des

connaissances servant de support de raisonnement sur le monde reacuteel [Minsky 81] Schank

srsquoinspire ensuite des travaux de Minsky et formule pour la premiegravere fois le paradigme RBC

Drsquoapregraves Schank le processus de compreacutehension correspond agrave un processus drsquoexplication qui

srsquoapplique drsquoune maniegravere iteacuterative Illustrons ceci par une situation typique se preacutesentant agrave un

meacutedecin Un meacutedecin ayant examineacute un patient particulier dans son cabinet se rappelle un

autre patient quil a deacutejagrave traiteacute il y a peu de temps auparavant Nous supposons que ce rappel a

eacuteteacute deacuteclencheacute par une ressemblance des symptocircmes cliniques le meacutedecin utilisera ces mecircmes

symptocircmes pour deacuteterminer la maladie et le traitement pour le patient en cours drsquoexamen

[a] La base de cas

Lrsquoobjectif du raisonnement agrave base de cas est de reacutesoudre des problegravemes courants agrave partir

drsquoexpeacuteriences passeacutees Le processus met en œuvre une base de cas composeacutee dexpeacuteriences

passeacutees dans laquelle peuvent ecirctre rechercheacutees des expeacuteriences similaires au problegraveme agrave

reacutesoudre (problegraveme courant)

Un cas est composeacute de deux parties la partie problegraveme et la partie solution La partie

problegraveme est composeacutee drsquoun ensemble drsquoindices qui deacuteterminent dans quelle situation un cas

est applicable et utile Les problegravemes reacutesolus sont stockeacutes dans la base de cas Lorsqursquoun

nouveau problegraveme se preacutesente ce problegraveme est alors deacutecrit par un cas dit cas cible ougrave seule la

partie problegraveme est connue

[b] Le raisonnement

Un systegraveme de raisonnement agrave base de cas se fonde sur la comparaison des cas nouveaux aux

cas existants Tout drsquoabord un ensemble drsquoexpeacuteriences sont stockeacutees avec leurs solutions

respectives Ensuite lorsqursquoil y a une nouvelle expeacuterience il srsquoagit de la comparer agrave celles qui

sont stockeacutees Suivant la proximiteacute la similariteacute de celle-ci avec telle ou telle expeacuterience

existante et stockeacutee une solution srsquoadaptera agrave ce nouveau cas

Ce systegraveme srsquoenrichit au fur et agrave mesure des nouveaux cas rencontreacutes crsquoest une sorte de mise

agrave jour des donneacutees De plus la faciliteacute de reacutesolution drsquoun nouveau cas augmente en fonction

du nombre drsquoexpeacuteriences stockeacutees dans la base de cas

Le principe du raisonnement est le suivant la reacutesolution baseacutee sur la reacuteutilisation par

analogie des expeacuteriences passeacutees Un cas courant est compareacute aux cas preacuteceacutedemment

enregistreacutes dans la base de cas La comparaison est effectueacutee par le calcul drsquoune mesure de

similariteacute Les cas ayant obtenu les meilleurs scores par cette mesure sont deacuteclareacutes plus

proches voisins et sont seacutelectionneacutes pour construire une solution au problegraveme courant Cette

solution est alors laquo reacuteviseacutee raquo par lrsquoutilisateur puis introduite dans la base de cas pour ecirctre

reacuteutilisable pour une prochaine Ce cycle est reacutepeacuteteacute agrave chaque nouvelle situation

1511 Le cycle du raisonnement

Pantic ou Aamodt et Plaza definissent un cycle de raisionnemeny ayany 5 phases [Pantic 05

Aamodt et Plaza 94] Ces principales phases sont deacutecrites par la figure 19 eacutelaboration

remeacutemoration adaptation reacutevision et meacutemorisation Ces eacutetapes tournent autour drsquoune base de

connaissances du domaine drsquoapplication Chacune des eacutetapes du cycle mobilise ces

connaissances pour supporter la recherche de la solution du problegraveme cible

Figure 19 Principe de fonctionnement du RBC (cycle RBC) adapteacute de [Pantic 05]

1 Lrsquoeacutelaboration drsquoun nouveau problegraveme (cas cible)

Elle repreacutesente lrsquoacquisition et la modeacutelisation des informations connues sur le nouveau

problegraveme (cas cible) pour lui donner une description initiale de maniegravere identique aux cas

existants dans la base de cas

2 La remeacutemoration des cas (cas source)

Crsquoest la recherche des cas similaires au cas cible cela signifie la recherche des

correspondances entre les descripteurs des cas de la base (cas source) et ceux du cas cible

Des mesures de similariteacutes sont alors agrave deacutefinir sur les indices constituant la partie problegraveme

drsquoun cas Les cas extraits de la base de cas sont appeleacutes cas sources Parmi les algorithmes de

remeacutemoration les plus utiliseacutees on trouve lrsquoalgorithme des k-plus proches voisins (k-ppv ou k-

nn nearest neighbors)

La meacutethode des k-ppv

Lrsquoalgorithme des k-plus proches voisins est un algorithme deacutedieacute agrave la classification qui peut

ecirctre eacutetendu agrave des tacircches destimation Il consiste agrave deacuteterminer pour chaque nouvel individu Y

que lrsquoon veut classer la liste de ces plus proches voisins parmi les individus deacutejagrave classeacutes

5 Meacutemorisation

4 Reacutevision

3 Adaptation

2 Remeacutemoration

Nouveau cas

Cas retrouveacute

Cas retrouveacute Cas testeacute et

reacutepareacute

Cas appris

Base de cas

passeacute Cas

passeacute

Nouveau

Problegraveme

1 Elaboration

Solution suggeacutereacutee Solution confirmeacutee

Lrsquoindividu Y est affecteacute agrave la classe qui contient le plus drsquoindividus parmi ses plus proches

voisins Cette meacutethode neacutecessite de choisir une distance la plus classique est la distance

euclidienne et le nombre k de voisins agrave prendre en compte

Ce principe est applique dans le RBC comme suit Un cas agrave reacutesoudre est compareacutee agrave tous les

cas (source) de la base de cas On choisit pour le nouveau cas les k cas sources plus proches

dans la base de cas au sens drsquoune distance choisie par exemple la distance euclidienne

Pseudo Algorithme K-ppv

1 Entreacutee la valeur de k une mesure de similariteacute un eacutechantillon de m

exemples et leurs classes une nouvelle instance Y

2 Deacuteterminer les k plus proches exemples de Y en calculant les distances

3 Combiner les classes de ces k exemples en une classe c

4 Sortie la classe de Y est c(Y)=c

La mesure de similariteacute

La recherche des cas similaires au problegraveme agrave reacutesoudre est baseacutee sur le concept de similariteacute

La mesure de similariteacute cherche des correspondances entre les descripteurs des cas sources et

ceux du cas cible agrave lrsquoaide drsquoun algorithme de recherche Lrsquoobjectif de cette mesure de

similariteacute est de retrouver dans la base de cas le cas similaire au problegraveme actuel dans le sens

qursquoil soit facilement adaptable au cas cible La mesure de similariteacute est une somme pondeacutereacutee

de calculs locaux de similariteacute pour chacun des descripteurs possibles des cas Cette mesure

de similariteacute est ajustable agrave deux niveaux

- pour chaque descripteur on doit deacutefinir la similariteacute entre les diffeacuterentes valeurs

possibles (par exemple par des matrices quand les descripteurs prennent des valeurs

discregravetes ou par une fonction quand ils prennent des valeurs numeacuteriques)

- on doit deacutefinir les poids relatifs des diffeacuterents descripteurs les uns par rapport aux

autres Cette mesure de similariteacute doit ecirctre deacutefinie de maniegravere assez fine pour que les

cas retrouveacutes aient des solutions assez proches drsquoune solution possible au cas cible

Les mesures de similariteacute peuvent ecirctre

- locales et eacutetablies au niveau des caracteacuteristiques du cas et geacuteneacuteralement baseacutees sur la

notion de distance et deacutependent du type de descripteur (numeacuterique symbolique

taxonomique)

- ou globales et sont calculeacutees au niveau des cas ou des objets en agreacutegeant les

similariteacutes locales

On a alors les distances les plus courantes Euclidienne Manhattan et Tchebychev Mais il

est agrave noter qursquoaucune mesure de similariteacute nrsquoest parfaitement approprieacutee agrave tous les domaines

[Gukhman 65 Lesot et al 08]

3 Lrsquoadaptation des cas (cas source)

Crsquoest la reacuteutilisation totalement ou partielle de la solution du cas trouveacute le plus similaire pour

reacutesoudre le nouveau problegraveme Cette eacutetape a pour tacircche de construire une solution Sol (cible)

du problegraveme cible en srsquoappuyant sur la solution Sol (source) du cas remeacutemoreacute appeleacute cas

source et noteacute (source Sol (source)) Lrsquoobjectif de cette phase est de proposer une solution au

problegraveme courant (cas cible) en adaptant les solutions proposeacutees par les cas sources

Lrsquoadaptation repose souvent sur lrsquoutilisation des connaissances du domaine drsquoapplication A

lrsquoissue de cette phase une ou plusieurs solutions seront proposeacutees pour le cas cible En

geacuteneacuteral on retrouve deux approches drsquoadaptation de cas

- Lapproche transformationnelle on obtient une nouvelle solution en modifiant des

solutions anteacuteceacutedentes et en les reacuteorientant afin de satisfaire le nouveau problegraveme

- Lapproche deacuterivationnelle en adaptant la meacutethode de geacuteneacuteration de la solution On

garde en fait pour chaque cas passeacute une trace des eacutetapes qui ont permis de geacuteneacuterer

la solution Pour un nouveau problegraveme une nouvelle solution est geacuteneacutereacutee en

appliquant lrsquoune de ces drsquoeacutetapes

Une fois une adaptation trouveacutee la solution est preacutesenteacutee agrave lrsquoutilisateur Peu de systegravemes RBC

font de lrsquoadaptation complegravetement automatique Pour la plupart des systegravemes une

intervention humaine est neacutecessaire pour geacuteneacuterer partiellement ou complegravetement une solution

agrave partir drsquoexemples [Djebbar-Zaidi 13]

4 La reacutevision de la solution proposeacutee (solution cible)

Crsquoest lrsquoeacutevaluation de la solution proposeacutee ce qui sous-entend la possibiliteacute dune eacutevaluation

par le test dans un environnement reacuteel ou simuleacute Le retour dinformation suite au test peut

alors reacuteorienter en cas deacutechec de la solution proposeacutee Afin de proceacuteder agrave la reacutevision dun

eacutechec il est souvent utile dexpliquer cet eacutechec en analysant les diffeacuterences constateacutees entre

les reacutesultats des solutions obtenues et ceux quon aurait ducirc obtenir Cette solution peut alors

ecirctre testeacutee Si elle ne convient pas il est possible de renseigner le systegraveme sur les causes de

lrsquoeacutechec Le systegraveme doit alors reacuteviser ses connaissances sur le cas source ayant servi de base

pour la reacutesolution du problegraveme etou sur les adaptations qui ont eacuteteacute effectueacutees Lrsquoobjectif de

cette phase est de reacuteviser les solutions proposeacutees par la phase preacuteceacutedente en fonction de

certaines regravegles etou heuristiques qui deacutependent du domaine de lrsquoapplication La phase de

reacutevision peut ecirctre faite par des experts dans le domaine de lrsquoapplication ou drsquoune maniegravere

automatique On peut alors consideacuterer que la fonction drsquoapprentissage qui consiste agrave ajouter

des nouveaux cas ou modifier des connaissances pour reacutesoudre des situations drsquoeacutechecs

correspond agrave un apprentissage superviseacute

5 La meacutemorisation drsquoun nouveau cas (cas cible)

Une fois la revision faite et si le nouveau cas est drsquoun grand inteacuterecirct il peut alors ecirctre

enregistreacute pour enrichir la base de cas On peut alors consideacuterer que la fonction

drsquoapprentissage qui consiste agrave ajouter de nouveaux cas ou modifier des connaissances pour

reacutesoudre des situations drsquoeacutechecs correspond agrave un apprentissage superviseacute

Ces derniegraveres phases du raisonnement (phases 4 et 5) sont geacuteneacuteralement agrave la charge de

lrsquoexpert du domaine responsable du systegraveme Crsquoest lrsquoapprentissage drsquoun nouveau cas qui

pourra ainsi ecirctre utiliseacute pour la reacutesolution de problegravemes futurs Cette phase va enrichir la base

de cas par les nouveaux problegravemes reacutesolus (cas cible auquel on a apporteacute une solution) En

effet le cas reacutesolu peut ecirctre rajouteacute agrave la base de cas pour ecirctre utiliseacute ulteacuterieurement dans

drsquoautres opeacuterations de raisonnement Cependant avant drsquoajouter ces cas il faut juger la

pertinence de cet ajout afin drsquoeacuteviter par exemple lrsquoajout de cas redondants ce qui affectera

les performances du systegraveme en termes de temps et de traitement sans pour autant ameacuteliorer la

qualiteacute des solutions apporteacutees

152 Les caracteacuteristiques des systegravemes RBC en meacutedecine

Les caracteacuteristiques des systegravemes RBC en meacutedecine sont nombreuses et peuvent ecirctre

orienteacutees selon deux fonctionnaliteacutes [Nilsson et Sollenborn 04]

[a] Les caracteacuteristiques orienteacutees vers les objectifs

- Les systegravemes de diagnostic

La majoriteacute des systegravemes de raisonnement agrave base de cas meacutedicaux ont pour objectif

le diagnostic Ils tentent de fournir une aide aux praticiens dans la deacutetermination drsquoun

diagnostic suivant diffeacuterents degreacutes drsquoassistance

- Les systegravemes de classification

Ces systegravemes tentent drsquoidentifier le groupe auquel appartient un cas Le systegraveme de

classification drsquoimages en est un exemple

- Les systegravemes de tutorat

Les systegravemes RBC utilisent lrsquoapprentissage par des exemples geacuteneacuteralement reacuteels de

meacutedecine et permettaient drsquoassigner agrave un systegraveme donneacute le tutorat Ainsi un systegraveme

de tutorat meacutedical permet au clinicien drsquoacceacuteder agrave des cas geacuteneacuteralement reacuteels ou

parfois mecircme fictifs et faire de lrsquoapprentissage par les exemples

- Les systegravemes de planification

Ils offrent une assistance dans la programmation de plan ou scheacutema theacuterapeutique

comprenant plusieurs eacutetapes

[b] Les caracteacuteristiques orienteacutees vers sa construction

- Les systegravemes hybrides

Ces systegravemes hybrides tentent de mettre en œuvre une synergie entre raisonnement agrave base de cas et drsquoautres meacutethodologies de raisonnement

- Les systegravemes autonomes

Le degreacute drsquoautonomie est important pour un systegraveme de diagnostic Il se fait donc en

fonction du besoin de lrsquointervention du decideur dans le cycle de raisonnement et lors

de lrsquoeacutevaluation des reacutesultats

16 Synthegravese de lrsquoaide agrave la deacutecision meacutedicale par RBC

Le RBC a eacuteteacute largement eacutetudieacute dans la litteacuterature sous divers aspects tant theacuteoriques et

qursquoexpeacuterimentaux notamment en explorant le domaine meacutedical Beaucoup de travaux

concernant le RBC en aide agrave la deacutecision meacutedicale ont eacuteteacute meneacutes dans les trois grands axes agrave

savoir le diagnostic la theacuterapie et le pronostic (voir table 12) neacuteanmoins nous citons

quelques exemples illustratifs

- En diagnostic

Althoff et al ont deacutecrit une approche pour deacutevelopper les systegravemes daide agrave la deacutecision

meacutedicaux baseacutes et lrsquoont adopteacutee pour reacutealiser un systegraveme daide agrave la deacutecision en toxicologie au

centre consultatif agrave Moscou pour diagnostiquer les cas drsquoempoisonnement par des

psychotropes [Althoff et al 98] Jha et al ont preacutesenteacute une eacutetude la deacutetection et la prise en

charge du diabegravete [Jha et al 13] Bareiss et al ont deacuteveloppeacute un systegraveme pour le diagnostic

cardiaque laquo PROTOS raquo [Bareiss et al 88]

De Paz et al ont eacutegalement preacutesenteacute un systegraveme daide agrave la deacutecision baseacute sur le RBC pour le

diagnostic de diffeacuterents types de cancer [De Paz et al 09] Des systegravemes sont creacuteeacutes pour le

diagnostic de lasthme comme ADEMA [Sefion et al 03b] PROFORMA [Fox et al 77]

ou CARE-PARTNER [Bichindaritz et al 03 Bichindaritz et al 98]

- En theacuterapeutique

Le systegraveme CASIMIR a eacuteteacute developpe pour le traitement du cancer du sein [Bresson et

Lieber 00] Marling et al ont preacutesenteacute une approche drsquoaide agrave la deacutecision baseacutee sur le RBC

pour la gestion du diabegravete chez des patients atteints du diabegravete du type 1 [Marling et al 08]

Par rapport agrave lrsquoeacutepideacutemie de lrsquoasthme un travail a eacuteteacute conduit pour comprendre cette

pathologie en essayant par exemple drsquoavoir un feedback agrave partir des donneacutees enregistreacutees

reacuteguliegraverement sur les consultations de meacutedecine geacuteneacuterale sur lrsquoasthme [Kuilboer et al 02]

Shanbezadeh et al ont proposeacute un systegraveme drsquoaide agrave la deacutecision pour le traitement de lasthme

[Shanbezadeh et al 13] Drsquoautres travaux se sont vus orienteacutes vers lrsquoaide agrave la deacutecision pour la

prise en charge de cette pathologie [Alekosvska et Loskovska 11] Ceci montre lrsquointeacuterecirct pour

lrsquoameacutelioration de la prise en charge des patients asthmatiques notamment en fournissant aux

cliniciens des outils informatiques drsquoaide agrave la deacutecision Schwartz et al ont aussi utiliseacute le

RBC pour ameacuteliorer les soins en insulinotheacuterapie [Schwartz et al 08] Song et al ont

proposeacute un systegraveme de radiotheacuterapie qui utilise le RBC pour la planification de la dose pour le

cancer de la prostate [Song et al 07]

- En pronostic

Schmidt et Vorobieva ont preacutesenteacute un systegraveme qui aide agrave expliquer les cas qui ne

correspondent pas agrave une hypothegravese meacutedicale theacuteorique utilisant le raisonnement baseacute sur des

cas [Schmidt et Vorobieva 05] Saraiva et al ont appliqueacute le RBR pour ameacuteliorer le

processus de recherche du RBC Ils ont utiliseacute les symptocircmes les signes et les informations

personnelles des patients en tant quentreacutees drsquoun modegravele ensuite ils appliquent le RBR pour

deacutefinir les poids des attributs du cas qursquoils utilisent dans une fonction de similariteacute globale et

laissent le RBC converger vers la meilleure solution La sortie du systegraveme preacutesente la

probabiliteacute que le patient ait un type de cancer [Saraiva et al 16] Cette liste nest pas

exhaustive mais elle montre la diversiteacute de lutilisation du RBC et souligne linteacuterecirct pour cette

approche agrave ameacuteliorer les soins des patients en fournissant aux meacutedecins des outils de

traitement de donneacutees

Table 12 Systegravemes RBC et leurs domaines dapplication (adapteacutee) [Begum et al 11]

No Authorsystem Purpose-oriented properties Application domaincontext

01 McSherryCaseBook Diagnosis amp classification Contact lenses

02 De PazExpressionCBR Diagnosis amp classification Cancer diagnosis

03 PernerFungi-PAD Classificationknowledge acquisitionmanagement Object recognition

04 CordierFrakaS Diagnosisknowledge acquisitionmanagement Oncology

05 CorchadoGerAmi Planningknowledgeacquisitionmanagement Alzheimer patients

06 Glez-PentildeageneCBR Diagnosis amp classification Cancer classification

07 PernerHEp2-PAD Classificationknowledge acquisitionmanagement Image classifier

08 SchmidtISOR Diagnosis amp Planning Endocrinology

09 BegumIPOS Diagnosis Stress diagnosis

10 DrsquoAquinKASIMIR Diagnosisclassificationknowledge acquisitionmanagement Breast cancer

11 BichindaritzMeacutemoire Diagnosis planning tutoring knowledge

acquisitionmanagement Biology amp medicine

12 MontaniRHENE Classification planning knowledge acquisition management hemodialysis

13 KwiatkowskaSomnus Diagnosis planning tutoring Obstructive sleep apnea

14 LorenziSISAIH Diagnosis Fraud detection in health

15 OchoaSIDSTOU Diagnosis planning amp tutoring Tourette syndrome

16 AhmedBiofeedback Planning Stress management

17 BrienADHD Classification knowledge acquisition management Neuropsychiatries

18 DoyleBronchiolitis Classification and tutoring Bronchiolitis

19 OrsquosullivanDermatology Diagnosis Dermatology

20 MarlingType-1 diabetes Planning Diabetes

21 Songradiotherapy planning Planning Prostate cancer

22 WuDietary counseling Planning amp Knowledge acquisitionmanagement Dietary counseling

23 ZhuangPathology Classificationtutoring amp knowledge acquisitionmanagement Pathology ordering

24 AhnBreast Cancer Diagnosis Breast cancer diagnosis

25 HuangChronic

Deseases Diagnosis knowledge acquisitionmanagement Chronic diseases diagnosis

26 Changchildren

Developmental Diagnosis Children with

developmental delay

27 HouelandPalliative care Diagnosis amp classification Palliative care for long-term

cancer

28 NicolasMelanoma Diagnosis amp classification Melanoma

29 TopelMetabolic disease Diagnosis amp Planning Inborn Metabolic Disease

30 ArshadiMOE4CBR Classification Biomedical Domain

31 KurbalijaMultiple Sclerosis

desease Diagnosis Multiple sclerosis disease

32 ObotHepatitis Diagnosis Hepatitis

33 CBSMSStress management Diagnosisclassification amp planning Stress management

34 YuanHDCU Classification knowledge acquisitionmanagement Diabetes

161 Les limites de lrsquoaide agrave la deacutecision meacutedicale par RBC

Bien que lrsquoapproche du RBC a eacuteteacute utiliseacutee dans nombreuses situations meacutedicales ougrave elle eacutetait

approprieacutee Elle preacutesente encore quelques limites lieacutees principalement au domaine meacutedical

qui est un peu particulier agrave cause des types de donneacutees et des connaissances manipuleacutees

Gierl et al citent quelques unes de ces limites en meacutedecine [Zemirline 08 Gierl et al 98]

- en raison du grand nombre dattributs composant un cas meacutedical ladaptation dun

cas est probleacutematique Neacuteanmoins les meacutethodes de geacuteneacuteralisation et didentification

des attributs pertinents aident partiellement agrave remeacutedier agrave cela

- en raison dun grand nombre drsquoattributs deacutecrivant la situation cible des cas

semblables peuvent ecirctre oublieacutes par le processus (cette situation peut se produire) et

peuvent conduire agrave une deacutecision moins robuste

- parfois le RBC ne trouve pas neacutecessairement la solution concregravete agrave un problegraveme

alors il proposera seulement un ensemble de solutions possibles

- on constate en pratique un manque drsquoeffort en acquisition de connaissances

- quand il srsquoagit de situations le deacuteveloppement des systegravemes de RBC se heurte

toujours agrave un problegraveme drsquoingeacutenierie des connaissances en particulier les

connaissances drsquoadaptation sont difficiles agrave modeacuteliser surtout meacutedicales

- les systegravemes de raisonnement agrave base de cas reposent sur des reacutefeacuterences (des cas

exemples) ils ne peuvent fonctionner sans base de cas cliniques reacuteels pour reacutepondre

agrave certains besoins des cliniciens

- un systegraveme RBC meacutedical exige un grand niveau dinteraction avec lrsquoutilisateur et

surtout dans leacutevaluation des reacutesultats

- cette deacutemarche utilise un modegravele de domaine drsquoougrave les difficulteacutes de modeacutelisation du

savoir-faire des meacutedecins (complexiteacute des ontologies)

- comment formaliser et prendre en comte la deacutemarche diagnostique ou theacuterapeutique

des meacutedecins

- les systegravemes de raisonnement agrave base de cas preacutesentent une acquisition automatique et

increacutementale des connaissances agrave partir des cas

- vouloir adapter et utiliser le RBC dans le domaine meacutedical est tregraves fastidieux et

complexe agrave cause des cas meacutedicaux qui sont deacutecrit par un nombre assez important de

descripteurs ou attributs

- la capitalisation progressive des connaissances est faible dans le domaine meacutedical

Les experts heacutesitent agrave partager leurs connaissances acquises apregraves des anneacutees de

travail et ce pour diverses raisons tant professionnelles que personnelles [Dieng-

Kuntz et al 01]

162 Conclusion

Le raisonnement agrave base de cas (RBC) est une meacutethodologie puissante Crsquoest une

meacutethodologie qui vise la reacuteutilisation des expeacuteriences passeacutees dans la reacutesolution de nouveaux

problegravemes Le RBC comme meacutethodologie drsquoingeacutenierie des connaissances peut ecirctre renforceacutee

dans les diffeacuterentes eacutetapes de son processus par la richesse drsquoautres meacutethodologies de

raisonnement ou techniques crsquoest ce que nous appellerons inteacutegration

Cette inteacutegration a eacuteteacute largement deacuteployeacutee dans les systegravemes de raisonnement multimodaux et

elle srsquoest montreacutee bien adapteacute notamment pour les travaux lieacutes au domaine meacutedical [Schmidt

et al 01] Cet inteacuterecirct pour cette approche multimodale impliquant le RBC remonte agrave

plusieurs anneacutees et a reacutecemment pris une ampleur notamment par les reacutecents travaux des

chercheurs [Bichindaritz et Marling 10] Il sagit drsquoun axe majeur de la recherche sur le RBC

dans diffeacuterents domaines [Begum et al 11 Bichindaritz et Marling 10]

Des chercheurs ont proposeacute des solutions hybrides en combinant le RBC avec dautres

techniques comme le raisonnement agrave base de regravegles et de nombreux travaux ont eacutemergeacute de

ces eacutetudes [Verma et al 14 Marling et al 05] Le premier systegraveme de raisonnement

multimodal en meacutedecine eacutetait CASE il integravegre le RBC avec un raisonnement agrave base de

modegravele (MBR) pour le diagnostic des insuffisances cardiaques [Marling et al 05] Le RBC a

montreacute qursquoil srsquoadapte bien aux inteacutegrations au vue drsquoune multitude de travaux reacutealiseacutes dans ce

sens [Marling et al 02 Marling et al 05]

17 Les inteacutegrations du RBC

Lrsquointeacutegration est une approche constructiviste visant agrave fournir des outils permettant de

progresser dans la reacutesolution drsquoun problegraveme par le processus RBC Cette inteacutegration est une

approche pour combler les lacunes inheacuterentes aux diffeacuterentes phases de son cycle Elle

constitue une issue pour faire eacutevoluer les diffeacuterentes tacircches du cycle RBC [Molines 07] La

combinaison du RBC avec dautres approches (raisonnement multimodal) repreacutesente une autre

faccedilon deacuteviter des problegravemes inheacuterents au RBC comme par exemple ceux lieacutes agrave lrsquoadaptation

Cette combinaison touche principalement la tacircche de remeacutemoration avec dautres strateacutegies de

raisonnement ou de recherche La table 13 donne une liste non exhaustive des meacutethodes

speacutecifiques utiliseacutees seulement nous avons voulu citer quelques exemples illustratifs par type

drsquointeacutegration

171 Inteacutegration RBC-Le raisonnement agrave base de regravegles (RBR)

Comme il est bien connu le raisonnement agrave base de regravegles (Rules Based Reasoning RBR)

consiste agrave utiliser les regravegles par un raisonnement en chainage avant ou chainage arriegravere en

exploitant les donneacutees pour arriver agrave une deacutecision Le RBR a eacuteteacute la premiegravere approche agrave ecirctre

inteacutegreacutee avec succegraves au RBC cest lapproche de raisonnement adopteacute par les systegravemes

experts classiques tels que MYCIN La combinaison RBC-RBR a reccedilu une attention

particuliegravere car les regravegles suivent le formalisme de repreacutesentation de la connaissance explicite

la plus adopteacute par les systegravemes intelligents En tant quoutil efficace le RBR sest bien inteacutegreacute

au RBC et de nombreuses solutions ont eacuteteacute proposeacutees

Verma et al ont proposeacute une solution hybride en utilisant un systegraveme baseacute sur la fouille de

donneacutees (regravegles) et le RBC Il consiste en une base de connaissances un raisonnement agrave base

de RBC et un sous-systegraveme de fouille de donneacutees pour proposer un modegravele guideacute par la

connaissance pour produire actions recommandeacutees aux utilisateurs Cette combinaison vise agrave

accroicirctre la capaciteacute agrave reacutesoudre des problegravemes et agrave ameacuteliorer la preacutecision des actions

suggeacutereacutees [Verma et al 14] Cabrera et Edye ont utiliseacute une inteacutegration des regravegles et RBC

pour diagnostiquer les cas cliniques de meacuteningite bacteacuterienne aigueuml Ils proposent un systegraveme

qui est initialement appliqueacute agrave la phase de preacute-diagnostic avec des regravegles de diagnostic de

base et si le stade de preacute-diagnostic reacuteussit il y a une solution au problegraveme qui est preacutesenteacute agrave

lutilisateur offrant par la mecircme la possibiliteacute de reacuteviser nouveau cas et si le cas nest pas

eacutevident ou simple le preacute-diagnostic nest pas applicable et le systegraveme passe agrave lrsquoutilisation du

RBC [Cabrera et Edye 10]

CARE-PARTNER est un systegraveme interactif daide agrave la deacutecision pour le suivi agrave long terme des

patients transplanteacutes de cellules osseuses Il donne laide agrave la deacutecision meacutedicale aux centres de

soin qui suivent les patients transplanteacutes Le systegraveme emploie un cadre multimodal de

raisonnement qui combine le raisonnement agrave base de cas et le raisonnement agrave base de regravegles

Une des caracteacuteristiques du systegraveme est quil emploie une base de connaissances riche en cas

prototypes et des directives de pratique pour interpreacuteter des cas meacutedicaux

172 Inteacutegration RBC-Le raisonnement agrave base de modegraveles (MBR)

Le raisonnement agrave base de modegraveles (Models Based Reasoning MBR) est une approche dans

laquelle les connaissances geacuteneacuterales sont repreacutesenteacutees par la formalisation des relations

matheacutematiques ou physiques preacutesentes dans un problegraveme drsquoun domaine donneacute Le MBR a eacuteteacute

combineacute avec succegraves au RBC dans de nombreux domaines [Merida-Campos et Rolloacuten Rico

03] La meacutethodologie MBR repreacutesente une alternative pour sattaquer agrave certaines lacunes du

RBC et de la complexiteacute du domaine dapplication Linteacutegration RBC-MBR facilite

geacuteneacuteralement le processus dadaptation ameacuteliore les performances et lefficaciteacute des

traitements [Koton 88]

CASEY eacutetait le premier systegraveme RBC-MBR Il utilise une base de cas patient et un modegravele

physiologique du cœur humain pour diagnostiquer les insuffisances cardiaques Il a eacuteteacute interconnecteacute avec un programme dinsuffisance cardiaque agrave base du MBR deacutejagrave existant et

utilise en plus un modegravele physiologique du cœur pour faire correspondre les nouveaux cas aux anciens et deacuteduire de nouveaux diagnostics a partir des anciens cas Lorsque CASEY na pas

trouveacute une assez proche correspondance entre le cas courant et les anciens cas il invoque le

systegraveme MBR original pour reacutesoudre le problegraveme [Marling et al 02]

PROTOS est lrsquoun des premiers systegravemes RBC-MBR qui utilise un modegravele multi-relationnel

de connaissances pour diagnostiquer les maladies auditives et la remeacutemoration des cas

[Marling et al 02]

Montani et al ont essayeacute dinteacutegrer diffeacuterentes meacutethodologies dans un systegraveme de

raisonnement agrave base de modegraveles (MMR) Ce systegraveme a eacuteteacute utiliseacute dans lappui de theacuterapie

pour les patients diabeacutetiques [Montani et al 01] Les auteurs affirment que la plupart des

systegravemes utilisant plus dune meacutethode font cela seulement dans un mode exclusif avec des

meacutethodes fonctionnant simplement comme prolongements agrave une des autres meacutethodes

Montani affirme quun systegraveme de MMR a besoin dune inteacutegration beaucoup plus eacutetroite des

technologies pour obtenir lensemble des beacuteneacutefices dune solution multimodale Le systegraveme

proposeacute essaie demployer une inteacutegration complegravete et dutiliser le RBC le raisonnement agrave

base de regravegles et le raisonnement agrave base de modegraveles (RBM)

173 Inteacutegration RBC-La recherche drsquoInformation (IR)

Dans lrsquoapproche avec recherche de lrsquoinformation (Information Retrieval IR) on sefforce

dobtenir une remeacutemoration parfaite ou la reacutecupeacuteration de toutes les informations pertinentes

avec une parfaite preacutecision Beaucoup de proceacutedures IR ont eacuteteacute appliqueacutees dans diffeacuterents

systegravemes

Begum et al ont suggeacutereacute une solution en utilisant un algorithme de recherche de

correspondance flou incorporeacute dans un systegraveme RBC pour seacutelectionner et reacutecupeacuterer un cas en

plus de la veacuterification des contraintes avec notation Cette meacutethode donne le cas le plus

simple agrave adapter Cette approche a eacuteteacute testeacutee pour proposer un menu pour le traitement du

stress [Begum et al 09] CAREPARTNER est un systegraveme qui integravegre le RBC-RBR et lrsquoIR

pour aider les cliniciens au suivi agrave long terme des patients atteints de cancer qui ont subi des

transplantations de moelle osseuse Dans ce systegraveme les cas contiennent des problegravemes et des

solutions speacutecifiques aux patients les regravegles codent des directives pratiques standards et lrsquoIR

fournit aux cliniciens des documents pertinents la litteacuterature meacutedicale pour aider la pratique

clinique [Marling et al 05]

174 Inteacutegration RBC-La satisfaction de contraintes (CSP)

La satisfaction de contraintes (Constraint Satisfaction Problem CSP) est un paradigme de

lrsquoIA largement utiliseacute en aide agrave la deacutecision Dans cette approche le problegraveme est deacutefini en tant

que modegravele CSP puis le RBC est utiliseacute pour compenser les eacuteleacutements manquant dans ce

modegravele Les deux principales approches pour inteacutegrer CSP et RBC ont eacuteteacute

- lrsquoutilisation du RBC pour initialiser le systegraveme CSP

- lrsquoutilisation du CSP dans lrsquoeacutetape dadaptation du RBC

Dans la premiegravere approche un cas similaire est reacutecupeacutereacute par RBC sera utiliseacute pour

positionnez le processus CSP Dans la deuxiegraveme approche le CSP fournit agrave RBC une

meacutethode speacutecifique pour accomplir ladaptation [Marling et al 02]

Sqalli et al ont utiliseacute le CSP pour modeacuteliser le problegraveme et le RBC prend en charge le

processus de meacutemorisation en fournissant la base de cas avec de nouveaux cas ces cas ne

sont pas meacutedicaux seulement ils montrent quand mecircme lrsquoutilisation de cette approche

drsquointeacutegration Le RBC est eacutegalement utiliseacute pour mettre agrave jour le modegravele CSP et le rendre plus

robuste pour reacutesoudre plus de problegravemes Un premier systegraveme RBC-CSP eacutetait CADSYN qui

a utiliseacute des contraintes de conception pour lrsquoadaptation de cas et la geacuteneacuteration des dessins de

structure de bacirctiments [Sqalli et al 99 Sqalli et Freuder 98] Un autre systegraveme CHARADE

a eacutegalement utiliseacute cette combinaison pour geacuterer les urgences dans le combat des feux de

forecircts Dans ce systegraveme RBC est utiliseacute pour eacutevaluer rapidement les situations durgence et

CSP est utiliseacute pour deacuteterminer comment exploiter au mieux les ressources disponibles pour

geacuterer lurgence [Marling et al 05]

175 Inteacutegrations RBC-Lrsquoanalyse multicritegraveres (AMC)

Laspect multicritegravere a eacuteteacute un axe de deacuteveloppement dans lrsquoaide agrave la deacutecision meacutedicale en

particulier par les travaux de Belacel De nombreux travaux ont eacuteteacute meneacutes dans cette direction

notamment en meacutedecine parmi lesquels Belacel proposa une meacutethodologie pour lutilisation

de lrsquoaspect multicritegravere dans lrsquoaide au diagnostic meacutedical [Belacel 03] Lanalyse

multicritegraveres a contribueacute donc agrave reacutesoudre certaines limites du RBC en palliant certaines

faiblesses auxquelles les meacutethodes classiques du RBC ne peuvent reacutepondre

Armaghan et Renaud ont utiliseacute linteacutegration RBC-AMC pour eacutetudier le diabegravete Cette eacutetude

traite de lopeacuteration recherche en utilisant le concept de deacutecision multicritegraveres dans la

description du problegraveme pour rechercher la solution dans un sceacutenario baseacute sur des cas Ils

proposent dutiliser lacquisition de connaissances comme base pour rechercher des solutions

drsquoaides agrave la deacutecision multicritegraveres non compensatoires [Armaghan et Renaud 12] Malekpoor

et al ont proposeacute une TOPSIS-RBC approche (Technique pour la Preacutefeacuterence dOrdre par

Similitude agrave la solution ideacuteale) Au deacutepart RBC est utiliseacute pour extraire de base de donneacutees

Par la suite les cas infeacutereacutes sont eacutevalueacutes agrave laide de TOPSIS une approche deacutecisionnelle

multicritegraveres pour prescrire un plan de dose optimal Cette meacutethode aidera les oncologues

pour prescrire un plan de dose optimal pour le cancer de la prostate et eacuteviter les effets

secondaires du traitement [Malekpoor et al 16] Araujo de Castro et al ont utiliseacute un modegravele

hybride baseacutee sur lrsquoanalyse multicritegraveres et le RBC pour le diagnostic de la maladie

drsquoAlzheimer [Araujo de Castro et al 09] Li et Sun ont combineacute lrsquoanalyse multicritegraveres avec

le RBC pour ameacuteliorer un processus de fouille de donneacutees pour la deacutetection des maladies [Li

et Sun 09] Erjaee et al ont proposeacute une meacutethode speacutecifique baseacutee sur le multicritegravere pour

proposer une aide agrave la deacutecision pour un traitement efficace de lrsquoHelicobacter pylori Infection

chez les enfants [Erjaee et al 12]

176 Inteacutegration RBC-La fouille de donneacutees (FDD)

Les techniques de fouille de donneacutees ont eacutegalement eacuteteacute utiliseacutees de diffeacuterentes faccedilons pour

faciliter le raisonnement agrave base de cas [Guo et al 11 Bichindaritz 15] Dans la litteacuterature

plusieurs contributions visant la combinaison des techniques du la fouille de donneacutees avec le

processus du RBC ont eacuteteacute proposeacutees

Balakrishnan et al ont proposeacute un systegraveme de preacutediction de la reacutetinopathie agrave base de regravegles

dassociation deacuteduite a travers lalgorithme Apriori et le raisonnement baseacute sur des cas Les

regravegles dassociation sont utiliseacutees pour analyser les profils dans lensemble de donneacutees et pour

calculer la probabiliteacute de reacutetinopathie tandis que le raisonnement baseacute sur des cas est utiliseacute

pour la phase de recherche des cas similaires Cette technique aborde le problegraveme de la

maintenance de cas-base en deacuteveloppant une nouvelle technique dite laquo association-based case

reduction technique (ACRT) raquo pour reacuteduire la taille de la base de cas afin dameacuteliorer

lefficaciteacute tout en maintenant ou mecircme en ameacuteliorant la preacutecision du RBC [Balakrishnan et

al 12] Sung et Seong ont fait reacutecemment une eacutetude en se basant sur une meacutethode hybride

combinant des meacutethodes de fouille de donneacutees (regravegles drsquoassociation arbres de classification)

pour aider les meacutedecins agrave faire une classification plus rapide et plus preacutecise des maladies de

douleurs thoraciques [Sung et Seong 10]

Araujo de Castro et al ont combineacute le raisonnement agrave base de regravegles (RBR) et le RBC pour

recommander des meacutedicaments neuroleptiques pour les patients atteints dAlzheimer [Araujo

de Castro et al 09]

CARE-PARTNER integravegre le RBC-RBR et lrsquoIR (Information Retrieval) pour aider les

cliniciens agrave suivre agrave long terme les patients atteints de cancer qui ont subi des transplantations

de moelle osseuse Ici les cas contiennent des problegravemes et des solutions speacutecifiques aux

patients les regravegles dictent les lignes directrices de pratique standard et lIR fournit aux

cliniciens les documents pertinents de la litteacuterature meacutedicale pour soutenir la pratique clinique

sus nommeacutee laquo evidence-based clinical practice raquo [Marling et al 05]

Table 13 Systegravemes deacuteveloppeacutes avec le RBC et dautres techniques [Begum et al 11]

AuthorSystem

Other Techniques Used In Conjunction With Cbr

Matching Techniques

01 McSherryCaseBook HDR (hypothetico-deductive reasoning) Authorrsquos Defined Similarity Algorithm

02 De PazExpressionCBR NN amp statistics Nearestndashnieghbour and minkowski distance

03 PernerFungi-PAD Image processing Authorrsquos defined similarity measurement

function

04 CordierFrakaS None Using adaptation knowledge

05 CorchadoGerAmi Variational calculus Hierarchicalmultivariate conglomerates

analysis and mahalanobis distance

06 Glez-PentildeageneCBR RBR amp Fuzzy logic Authorrsquos defined fuzzy similarity metric

07 PernerHEp2-PAD Image processing amp data mining Euclidian distance Nearest-nieghbour

08 SchmidtISOR Statistics Keywordndashbased similarity

09 BegumIPOS Fuzzy logic Fuzzy similarity similarity matrix euclidian

distance cosine similarity

10 DrsquoAquinKASIMIR Semantic Web belief revision theory Fuzzy logic amp

ergonomy

Matching of source (general) cases using

adaptation knowledge

11 BichindaritzMeacutemoire RBR Data mining amp statistics Ontology assisted case matching including

semantic information

12 MontaniRHENE Temporal abstractions Euclidian distancenearest-neighbour

13 KwiatkowskaSomnus Fuzzy logic Fuzzy logic semiotic approach

14 LorenziSISAIH None Nearestndashnieghbour

15 OchoaSIDSTOU Data mining Authorrsquos defined method

16 AhmedBiofeedback Fuzzy logic Fuzzy similarity matchingsimilarity matrix

17 BrienADHD None Modified nearestndashnieghbour matching

18 DoyleBronchiolitis RBR Nearestndashnieghbour

19 OrsquosullivanDermatology KM amp image processing IR Metrics

20 MarlingType-1 diabetes RBR Nearestndashnieghbour and similarity metric

21 Songradiotherapy planning Fuzzy logic Dempster-Shafer Theory amp simulated

ammealing

Fuzzy sets distance function and authorrsquos

defined similarity function

22 WuDietary counseling Data mining rule based amp ontology Nearestndashnieghbour

23 ZhuangPathology Data mining and clustering Kohonenrsquos selfndashorganizing maps

24 AhnBreast Cancer Genetic algorithms Genetic algorithms nearest-neighbour

25 HuangChronic

Deseases Data mining

KnowledgendashGuide Method weight Ratio

Functionality

26 Changchildren

Developmental None Nearestndashnieghbour

HouelandPalliative care Rule-based amp probabilistic model-based method Semantic matching

28 NicolasMelanoma RBR Normalized euclidian distance

29 TopelMetabolic disease None Similarity tables difference-based similarity

functions

30 ArshadiMOE4CBR Spectral clustering amp logistic regression Modified nearest-neighbour

desease None Case retrieval net

32 ObotHepatitis Rule base amp neural networks Binary search algorithm

33 CBSMSStress management RBR textual information retrieval amp fuzzy logic Fuzzy similarity matchingmodified distance

function similarity matrix

34 YuanHDCU Support vector machine Self-organizing map

18 Conclusion

Dans ce chapitre nous avons passeacute en revue lrsquoutilisation de RBC dans le domaine meacutedical

agrave travers ses diffeacuterentes utilisations tant en diagnostic qursquoen theacuterapie

Cette meacutethodologie srsquoest vu eacutetendre notamment avec lrsquointeacutegration drsquoautres meacutethodologies de

raisonnement agrave son processus particuliegraverement les meacutethodes de fouille de donneacutees et son

application a travers diffeacuterents domaine de la meacutedecine Nous constatons que les concepts de

fouille de donneacutees recouvrent plusieurs dimensions et peuvent convenir agrave la mutualisation des

diffeacuterentes meacutethodes de traitement des donnes et des connaissances en vue de palier les

limites drsquoautres proceacutedures de calcul agrave diffeacuterents problegravemes agrave des eacutechelles diffeacuterentes Cela

peut aller a de lrsquoextraction de connaissances agrave la modeacutelisation ou agrave la recherche de motifs

inteacuteressants Dans notre eacutetude nous avons cibleacute lrsquoaide agrave la deacutecision dans le domaine meacutedical

Cependant ce champ est assez geacuteneacuteral et vaste Il comporte plusieurs facettes plusieurs

probleacutematiques etc De ce fait nous nous sommes orienteacutes vers les systegravemes drsquoaide agrave la

deacutecision meacutedicale guideacutee par un processus drsquoe fouille de donneacutees Ulteacuterieurement une autre

application avec lrsquoanalyse multicritegraveres sera eacutetudieacutee afin de tester une autre approche

drsquointeacutegration qui nous permettra drsquoapprocher ce thegraveme de la deacutecision meacutedicale inteacutegreacutee selon

deux approches drsquointeacutegration Ceci afin drsquoeacutetendre notre champ drsquoapplication et expeacuterimenter

notre approche drsquointeacutegration avec deux meacutethodologies de raisonnement

Chapitre 2

Inteacutegration RBC-Fouille de

donneacutees pour lrsquoaide agrave la

deacutecision meacutedicale

Chapitre 2

Inteacutegration RBC-Fouille de donneacutees

pour lrsquoaide agrave la deacutecision meacutedicale

21 Introduction 45

27 Conclusion 61

21 Introduction

La meacutedecine a eu recours agrave la meacutethodologie du RBC parce que ce mode de raisonnement est

tregraves proche du raisonnement humain De ce fait la meacutedecine srsquoest approprieacute ce mode de

traitement dans la recherche de solutions en aide agrave la deacutecision meacutedicale Cependant les

limites montreacutees par ce mode de raisonnement se sont reacutepercuteacutees aussi sur les systegravemes

utilisant cette meacutethodologie en meacutedecine Le chercheurs se sont vu obligeacutes de les reacutesoudre en

adoptant de nouvelles proceacutedures et techniques palliatives notamment en inteacutegrant les

meacutethodes de fouille de donneacutees qui ont montreacute quelques avantages Aussi parce que la

meacutedecine utilise une immense quantiteacute de donneacutees accumuleacutees au cours des anneacutees dans de

grandes bases de donneacutees qursquoil fallait exploiter en aide agrave la deacutecision

22 La fouille de donneacutees

Historiquement la fouille de donneacutees a pris naissance dans les secteurs qui manipulaient de

grands volumes de donneacutees clients banques grande distribution etc Gracircce agrave des meacutethodes

drsquoanalyse de donneacutees et de statistiques on a utiliseacute la fouille de donneacutees depuis plus de 40 ans

dans de nombreux secteurs drsquoactiviteacutes Mais si le concept est aujourdrsquohui au cœur du processus

qui manipule de grands volumes de donneacutees brutes pour trouver des connaissances

profitables puisqursquoil srsquoagit de lrsquoextraction de connaissances pertinentes qui megravenent agrave la prise

de deacutecision

Les meacutethodes statistiques analysaient surtout des donneacutees eacuteleacutementaires historiseacutees

provenant de la gestion courante La fouille de donneacutees se focalise sur les donneacutees qui

circulent dans les systegravemes drsquoinformations des entiteacutes administratives entreprises ou

organisations et par la mecircme le milieu hospitalier ou meacutedical

Deacutefinition 1

laquo La fouille de donneacutees est lrsquoensemble des meacutethodes et techniques destineacutees agrave lrsquoexploration et

lrsquoanalyse de bases de donneacutees informatiques (souvent grandes) de faccedilon automatique ou

semi-automatique en vue de deacutetecter dans ces donneacutees des regravegles des associations des

tendances inconnues ou cacheacutees des structures particuliegraveres restituant lrsquoessentiel de

lrsquoinformation utile tout en reacuteduisant la quantiteacute de donneacutees raquo [Kantardzic 11]

Deacutefinition 2

Une autre deacutefinition communeacutement admise est celle de Fayyad laquo La fouille de donneacutees est

un processus non trivial qui consiste agrave identifier dans des donneacutees des motifs nouveaux

valides potentiellement utiles et surtout compreacutehensibles et utilisables raquo [Fayyad et al 96]

221 Les meacutethodes de la fouille de donneacutees

Pour reacutealiser u ne tacircche de fouille de donneacutees on utilise souvent une ou plusieurs meacutethodes

que lrsquoon choisira en fonction de plusieurs consideacuterations telles que

- la tacircche agrave reacutesoudre

- la nature et la disponibiliteacute des donneacutees

- la finaliteacute du modegravele construit etc

Ceci dit celles qui sont preacutesenteacutees ci-dessous sont tout de mecircme les plus importantes Il faut

noter qursquoil nrsquoy a pas de meacutethode meilleure chacune preacutesente des avantages et des

inconveacutenients On trouve alors [Dunham 06 Han et al 00]

[a] Les meacutethodes de visualisation

Elles permettent lrsquoanalyse lrsquoexploratoire avec comme objectif le deacutegagement de motifs de

structures de synthegraveses etc Elles sont baseacutees sur des graphiques qui facilitent lrsquointerpreacutetation

des reacutesultats Les meacutethodes les plus utiliseacutees sont les graphiques de statistiques eacuteleacutementaires

(moyenne eacutecart type variance) les histogrammes les nuages de points et les courbes

[b] Les arbres de deacutecision

Ce sont des structures qui repreacutesentent des ensembles de deacutecisions Ces deacutecisions geacutenegraverent

des regravegles pour la classification drsquoun ensemble de donneacutees crsquoest donc une repreacutesentation

graphique dune proceacutedure de classification crsquoest-agrave-dire la preacutediction de variables discregravetes

Les nœuds internes de larbre sont des tests sur les attributs et les feuilles sont les classes Un

arbre de deacutecision peut donc ecirctre perccedilu comme eacutetant un ensemble de regravegles qui megravenent agrave une

classe Une correspondance est eacutetablie entre un objet deacutecrit par un ensemble de

caracteacuteristiques (attributs) et un ensemble de classes disjointes Chaque feuille de lrsquoarbre

deacutenote une classe et chaque nœud inteacuterieur un test portant sur un ou plusieurs attributs produisant un sous-arbre de deacutecision pour chaque reacutesultat possible du test La construction de

lrsquoarbre se fait par un algorithme approprieacute On trouve alors ID3 CHAID CART QUEST et

[c] Les reacuteseaux de neurones

Ce sont des modegraveles preacutedictifs qui utilisent des donneacutees existantes avec un reacutesultat connu

pour former un modegravele pouvant ecirctre utiliseacute en preacutediction avec des reacutesultats inconnus Un

reacuteseau neuronal est composeacute de groupes de nœuds (neurones) ougrave chaque groupe de nœuds correspond agrave une couche Il est formeacute par au moins trois couches entreacutee intermeacutediaire et

sortie Dans la couche entreacutee chaque nœud correspond agrave une variable preacutedictrice Les valeurs

internes des autres nœuds (des couches intermeacutediaires et de la couche sortie) sont calculeacutees agrave

travers une fonction de sommation La couche sortie contient un ou plusieurs nœuds et les variables agrave preacutedire

Le reacuteseau peut avoir plusieurs couches intermeacutediaires (mais une seule entreacutee et une seule

sortie) appeleacutees aussi couches cacheacutees Chaque nœud de la couche j est relieacute agrave tous les nœuds de la couche j+1 A chaque arc est associeacute un poids (une valeur) Wij crsquoest le poids de lrsquoarc

entre le nœud i et le nœud j

Les reacuteseaux de neurones sont des outils tregraves utiliseacutes pour la classification lestimation la

preacutediction et le groupement Ils permettent de construire un modegravele qui preacutedit la valeur drsquoune

variable agrave partir drsquoautres variables connues appeleacutees variables preacutedictrices Si la variable agrave

preacutedire est discregravete (qualitative) alors il srsquoagit drsquoune classification si elle est continue

(quantitative) il srsquoagit alors de reacutegression Les meacutethodes les plus utiliseacutes sont le Perceptron

multicouches et les reacuteseaux de Kohonen

[d] Les reacuteseaux bayeacutesiens

Ce sont des modegraveles probabilistes graphiques Il srsquoagit drsquoun graphe acyclique dirigeacute ougrave

chaque nœud repreacutesente une variable continue ou discregravete et les arcs repreacutesentent une deacutependance probabiliste entre un nœud et ses parents Si un arc relie un nœud Y agrave un nœud Z alors Y est le parent de Z et Z est le descendant de Y Chaque variable est indeacutependante des

variables auxquelles elle nrsquoest pas relieacutee Les variables peuvent ecirctre continues ou discregravetes

Chaque lien entre deux variables est pondeacutereacute par la valeur de la deacutependance en probabiliteacute

Ainsi la valeur que porte lrsquoarc reliant Y agrave Z est en fait P (ZY) Les reacuteseaux bayeacutesiens

neacutecessitent un nombre eacuteleveacute de paramegravetres agrave estimer alors que dans la plupart des cas le

nombre de donneacutees disponibles est faible

[e] Les machines agrave vecteur de support (SVM)

Ils appartiennent agrave une classe drsquoalgorithmes drsquoapprentissage initialement deacutefinis pour la

discrimination crsquoest-agrave-dire la preacutevision drsquoune variable qualitative initialement binaire Elles

ont eacuteteacute ensuite geacuteneacuteraliseacutees agrave la preacutevision drsquoune variable quantitative Les SVM peuvent ecirctre

utiliseacutes pour reacutesoudre des problegravemes de discrimination (crsquoest-agrave-dire deacutecider agrave quelle classe

appartient un eacutechantillon) ou de reacutegression (crsquoest-agrave-dire preacutedire la valeur numeacuterique dune

variable)

[f] La meacutethode des k-plus proches voisins (k-ppv)

Crsquoest est une meacutethode deacutedieacutee agrave la classification qui peut ecirctre eacutetendue agrave des tacircches

destimations La meacutethode k-ppv est une meacutethode de raisonnement agrave partir de cas Elle part de

lideacutee de prendre des deacutecisions en recherchant un ou des cas similaires deacutejagrave reacutesolus en

meacutemoire Elle deacutecide de la classe agrave laquelle appartient un nouveau cas en examinant les k cas

qui lui sont similaires ou proches Il ny a pas deacutetape dapprentissage consistant en la

construction dun modegravele agrave partir dun eacutechantillon dapprentissage Cest leacutechantillon

dapprentissage qui conduit au modegravele On lui associe une fonction de distance et une fonction

de choix de la classe en fonction des classes des voisins les plus proches

[g] La meacutethode k-moyenne (k-means)

La meacutethode consiste agrave diviser les donneacutees en k groupes k eacutetant donneacute par lrsquoutilisateur Cette

meacutethode commence par un groupement aleacuteatoire des donneacutees (en k groupes) ensuite chaque

objet est affecteacute au groupe le plus proche Apregraves lrsquoexeacutecution de la premiegravere iteacuteration les

moyennes des groupes sont calculeacutees et le processus est reacutepeacuteteacute jusqursquoagrave stabilisation des

groupes

[h] Lrsquoinduction de regravegles

Crsquoest une technique qui permet drsquoidentifier des profils associations ou structures entre les

items ou objets qui sont freacutequents dans les bases de donneacutees Autrement dit il srsquoagit

drsquoidentifier les items qui apparaissent souvent ensemble lors drsquoun eacutevegravenement Cette regravegle

dassociation est une regravegle de la forme laquo Si X et Y Alors Z raquo regravegle dont la seacutemantique peu

ecirctre eacutenonceacutee laquo Si X et Y apparaissent simultaneacutement Alors Z apparait raquo Pour consideacuterer et

exprimer cette association sous forme drsquoune regravegle il faut deacutefinir des quantiteacutes numeacuteriques qui

vont servir agrave valider son inteacuterecirct drsquoougrave le support et la confiance Le support est la freacutequence

dapparition simultaneacutee des eacuteleacutements qui apparaissent dans la preacutemisse et la conclusion soit

support=freacutequence (preacutemisse et conclusion) et la confiance=freacutequence (preacutemisse et

conclusion) freacutequence (preacutemisse) Ainsi les regravegles dont le support et la confiance sont assez

eacuteleveacutes sont alors privileacutegieacutees Les algorithmes les plus utiliseacutes sont Apriori FP-Growth

[i] Les modegraveles de Markov cacheacutes

Les modegraveles de Markov cacheacutes drsquoordre 1 ou 2 (HMM1 et HMM2 pour Hidden Markov

Models) sont utiliseacutes pour la classification des diffeacuterentes donneacutees temporelles ou spatiales

Contrairement aux algorithmes classiques qui fournissent une reacuteponse exacte les HMMs

permettent un apprentissage automatique ils interviennent par exemple dans de nombreux

algorithmes danalyse de seacutequences biologiques que ce soit pour la deacutetection de gegravenes et la

deacutetection de motifs exceptionnels

[j] La reacutegression lineacuteaire (meacutethode statistique)

Crsquoest une technique qui vise la preacutediction de la valeur drsquoune variable continue Son objectif

est de deacutefinir le meilleur modegravele qui associe une variable quantitative laquo Sortie raquo agrave plusieurs

variables preacutedictrices laquo Entreacutee raquo Cette opeacuteration srsquoappelle ajustement du modegravele aux

donneacutees Les modegraveles lineacuteaires sont les plus freacutequemment utiliseacutes Crsquoest ce qursquoon appelle la

reacutegression lineacuteaire La relation qui relie une variable agrave preacutedire Y agrave p autres variables

preacutedictrices (Xi) est une eacutequation de reacutegression souvent sous cette forme

Y = a0 + a1 X1 + a2 X2 + + ap Xp

Les meacutethodes les plus utiliseacutees sont la reacutegression simple et la reacutegression multiple

[k] La reacutegression logistique

Crsquoest une technique statistique qui permet de calculer la probabiliteacute de survenue drsquoun

eacuteveacutenement agrave partir drsquoun ensemble de variables preacutedictives Mais la reacutegression logistique ne

converge pas toujours vers une solution optimale

[l] Les algorithmes geacuteneacutetiques

Ce sont des techniques drsquooptimisation de type meacuteta-heuristique fondeacutees sur les principes de

lrsquoeacutevolution biologique Ils ne constituent pas une meacutethode de fouille de donneacutees agrave part entiegravere

et ne ciblent directement aucune tacircche Ils viennent aider le processus de fouille de donneacutees

Ce sont des heuristiques qui guident la recherche de bons modegraveles dans un espace de

recherche tregraves vaste Les algorithmes geacuteneacutetiques se basent sur les principes de seacutelection

enjambement et mutation qui sont des notions issues de la geacuteneacutetique Lrsquoinconveacutenient majeur

des algorithmes geacuteneacutetiques est le temps drsquoexeacutecution qui est assez long Il nrsquoy a pas de garantie

quant agrave lrsquoobtention de la solution optimale au problegraveme poseacute en un temps fini et sa

complexiteacute augmente en fonction du nombre de regravegles utiliseacutees

23 Extraction de Connaissances agrave partir de Donneacutees (ECD)

Avec la numeacuterisation des donneacutees des diffeacuterents services hospitaliers les praticiens ressentent

le besoin de croiser les donneacutees issues de ces diffeacuterents services afin de deacuteduire de nouvelles

informations qui leur permettent de diagnostiquer des cas qui preacutesentent certaines complexiteacutes

[Kargupta et al 97] ce croisement de donneacutees sera appeleacute Extraction de Connaissances agrave

partir de donneacutees (ECD) ou Knowledge Discovery from Data (KDD) Ce concept drsquoECD

remonte agrave 1989 mais les premiegraveres confeacuterences sur le sujet datent de 1995 Ce concept est

apparu avec lrsquoexplosion des quantiteacutes drsquoinformations stockeacutees suite au progregraves important des

meacutethodes de traitement et des supports de stockage

Donc lrsquoECD vise agrave deacutecouvrir dans les grandes quantiteacutes de donneacutees des connaissances

preacutecieuses qui peuvent aider agrave comprendre les donneacutees ou agrave preacutedire un comportement futur de

ces donneacutees La Fouille de donneacutees qui est lrsquoopeacuteration cleacute du processus ECD utilise depuis

sont apparition plusieurs outils de statistiques et drsquointelligence artificielle pour atteindre ses

objectifs Elle se situe agrave lrsquointersection de nombreuses discipline (figure 21) comme

lrsquoapprentissage automatique les technologies de bases de donneacutees les statistiques la

repreacutesentation des connaissances lrsquointelligence artificielle les systegravemes experts etc

[Kodratoff 96]

Figure 21 Disciplines co-fondatrices de la FD [Kodratoff 98]

Dans son prolongement vers drsquoautres disciplines nous trouvons lrsquoECD meacutedicales qui est

baseacutee sur la notion de croisement de donneacutees meacutedicales afin drsquoaider le praticien de la santeacute agrave

comprendre et agrave prendre en charge un patient comme par exemple trouver et expliquer les

causes agrave effet drsquoun meacutedicament afin de promouvoir une theacuterapie bien preacutecise ou de valider

lefficaciteacute drsquoun meacutedicament

Deacutefinition 1

Fayyad et al deacutefinissent ce concept comme laquo un processus non trivial qui construit un

modegravele valide nouveau potentiellement utile et au final compreacutehensible agrave partir de

donneacutees raquo [Fayyad et al 96]

Deacutefinition 2

Zighed et al preacutesentent lrsquoECD comme laquo un processus iteacuteratif et interactif drsquoanalyse drsquoun

grand ensemble de donneacutees brutes afin drsquoextraire des connaissances exploitables par un

utilisateur analyste qui y joue un rocircle central raquo [Zighed et al 01]

Dans un processus ECD il existe diffeacuterents intervenants dont lutilisateur lexpert en fouille

de donneacutees lanalyste de donneacutees et lanalyste du domaine dapplication [Buchner et al 97

Simoudis 96]

- Lutilisateur est la personne agrave qui est destineacute le systegraveme ECD Le plus souvent

lutilisateur apparaicirct comme eacutetant un expert du domaine et qui possegravede certaines

notions en fouille de donneacutees lui permettant dinteragir dans les diffeacuterentes eacutetapes du

processus

- Lexpert en fouille de donneacutees est la personne qui met en place le processus ECD

Souvent il est assisteacute par lutilisateur et lanalyste de donneacutees

- Lanalyste de donneacutees soccupe de seacutelectionner et de transformer les donneacutees pour les

preacuteparer au processus

- Lanalyste du domaine est un expert qui peut analyser les reacutesultats afin de les valider

Dans certains processus drsquoECD il nest fait reacutefeacuterence quagrave lutilisateur ce qui sous-entend que

lutilisateur rempli plusieurs rocircles [Fayyad et al 96]

231 Les tacircches de lrsquoECD

La tacircche repreacutesente le but ou lrsquoobjectif drsquoun processus drsquoECD Fayyad et al distinguent

dans la pratique deux grandes familles de tacircches reacutealiseacutees en ECD la description et la

preacutediction [Fayyad et al 96b]

- la description se concentre sur la recherche de caracteacuteristiques geacuteneacuterales relatives aux

donneacutees fouilleacutees ce sont des motifs (modegraveles scheacutemas ou regravegles) deacutecrivant ces

donneacutees ils doivent ecirctres compreacutehensibles et interpreacutetables par lrsquoutilisateur

- la preacutediction consiste agrave utiliser des attributs dans la base de donneacutees pour preacutedire des

valeurs futures ou inconnues dautres variables consideacutereacutees

Ces tacircches de description et de preacutediction sont reacutealiseacutees agrave lrsquoaide drsquoune varieacuteteacute de meacutethodes de

fouille de donneacutees Nous preacutesentons ici un bref aperccedilu sur quelques unes de ces meacutethodes

Formellement la fouille de donneacutees est consideacutereacutee comme lrsquoeacutetape centrale du processus

dECD Pour cela on lui associe de nombreuses meacutethodes vu la diversiteacute des objectifs qui lui

sont assigneacutes Parmi celles-ci nous citons [Dunham 06 Han et al 00]

[a] La description

Parfois les analystes essaient simplement de trouver une maniegravere de deacutecrire des tendances

cacheacutees dans les donneacutees Les descriptions de ces tendances ou modegraveles servent agrave expliquer

ou veacuterifier un fait Cela permet souvent une exploitation suppleacutementaire en vue de fournir des

explications Par exemple ceux qui ont le plus de diplocircmes sont les plus susceptibles

drsquoavoir un poste de responsabiliteacute La technique la plus approprieacutee agrave cette tache est les

regravegles drsquoassociations

[b] La classification

La classification consiste agrave examiner des caracteacuteristiques drsquoun eacuteleacutement nouvellement preacutesenteacute

afin de lrsquoaffecter agrave une classe preacutedeacutefinie Elle est utiliseacutee pour preacutedire les valeurs discregravetes ou

nominales (homme femme rouge vert bleu etc La classe est un attribut particulier agrave

valeurs discregravetes Un exemple de tacircche de classification est par exemple lrsquoattribution drsquoun

type de diabegravete I ou II agrave un patient Une des techniques les plus approprieacutees agrave la classification

est les arbres de deacutecision

[c] Le groupement

Le groupement par similitude consiste agrave reacuteunir les objets qui vont naturellement ensemble Un

groupe maximise la similariteacute de ces objets et minimise la similariteacute des objets ne lui

appartenant pas Pour ce faire le processus de fouille de donneacutees utilise des fonctions de

distance Ces fonctions eacutevaluent les distances existantes entre les entiteacutes agrave grouper De

nombreuses fonctions de distance sont disponibles mais les plus freacutequemment utiliseacutees sont

celles qui calculent les distances euclidiennes Cependant il faut noter quil est difficile de

calculer ces distances pour des valeurs symboliques telles que des chaicircnes de caractegraveres un

codage ou une transformation est alors neacutecessaire En effet il ny a pas de variable cible pour

le groupement La tacircche de groupement ne cherche pas agrave classer estimer ou preacutedire la valeur

dune variable cible mais plutocirct agrave segmenter lensemble des objets en sous-groupes

relativement homogegravenes agrave lrsquoaide de mesures de distance Le groupement est une tacircche

dapprentissage non superviseacutee car on ne dispose daucune autre information preacutealable que

la description des objets agrave grouper Lorsque les groupes ont eacuteteacute construits dautres techniques

ou une expertise doivent deacutegager leur signification et leur eacuteventuel inteacuterecirct Les meacutethodes de

groupement se divisent en deux types le groupement baseacute sur les partitions et le groupement

hieacuterarchique La technique la plus connue du premier type est la meacutethode des k-moyenne (k-

means)

[d] Lestimation

Elle consiste agrave estimer la valeur dun champ agrave partir des caracteacuteristiques dun objet

Contrairement agrave la classification le reacutesultat drsquoune estimation permet drsquoobtenir une variable

continue Lestimation est similaire agrave la classification sauf que la variable cible est numeacuterique

plutocirct que cateacutegorique Les modegraveles sont construits en utilisant des donneacutees qui fournissent la

valeur de la variable cible ainsi que les preacutedicteurs Par exemple lestimation de la

pression arteacuterielle dun patient baseacutee sur son acircge son indice de masse corporelle

Lestimation peut ecirctre aussi utiliseacutee dans un but de classification Par exemple on peut estimer

le revenu drsquoune personne selon divers critegraveres (type de veacutehicule profession type drsquohabitation

etc) ensuite deacutefinir des tranches de revenus pour classifier les individus La technique la plus

approprieacutee agrave lrsquoestimation est les reacuteseaux de neurones

[e] La preacutediction

Cela consiste agrave estimer une valeur future en fonction de valeurs anciennes sauvegardeacutees

(historique) La preacutediction est semblable agrave la classification et lestimation sauf que pour la

preacutevision les reacutesultats se situent dans lavenir La seule meacutethode pour mesurer la qualiteacute de la

preacutediction est drsquoattendre les reacutesultats Un exemple de cette tacircche appliqueacutee au marketing est

la preacutediction du prix dun article apregraves deux mois Les meacutethodes de classification et

destimation peuvent ecirctre utiliseacutees en preacutediction Les techniques les plus approprieacutees agrave la

preacutediction sont les arbres de deacutecision et les reacuteseaux de neurones

[f] La recherche drsquoassociations

Crsquoest la tacircche la plus inteacuteressante en FDD Elle est plus connue sous le nom de lrsquoanalyse du

panier de la meacutenagegravere Elle consiste agrave deacuteterminer les attributs qui sont lieacutes Lexemple type

est la deacutetermination des articles (le pain le lait les biscuits etc) qui se retrouvent ensemble

sur un mecircme ticket de supermarcheacute Cette tacircche peut ecirctre effectueacutee pour identifier des

opportuniteacutes de vente et concevoir des groupements attractifs de produit

[g] Lrsquoanalyse drsquoexception et de deacuteviation

Dans cette tacircche on tente de deacutegager et drsquoeacutetudier des exceptions ou des surprises contenues

dans les donneacutees comme par exemple les objets ne pouvant ecirctre classeacutes par une classification

Ces objets peuvent reacuteveacuteler des explications utiles dans certaines situations

[h] La visualisation

Elle aide lrsquoutilisateur agrave acqueacuterir et accroicirctre ses connaissances et agrave guider son raisonnement

gracircce agrave ses capaciteacutes drsquoanalyse Habituellement crsquoest par visualisation que se fait le post-

traitement des modegraveles de connaissance Dans le premier type de visualisation lrsquoutilisateur ne

connaicirct pas forceacutement ce qursquoil cherche dans les donneacutees il essaye de chercher des modegraveles

des motifs ou plus geacuteneacuteralement des hypothegraveses qursquoil veut deacutemontrer Au deuxiegraveme type de

visualisation lrsquoutilisateur a une hypothegravese qursquoil veut tester et confirmer Ce type de

visualisation est deacuteriveacute directement des statistiques et ne convient pas vraiment au principe

mecircme de la fouille de donneacutees (bien qursquoil en fasse partie) En fouille de donneacutees il existe

trois types de visualisation

- Seacutelection de sous-espaces Il srsquoagit drsquoune seacutelection de regravegles ou de groupes qui

contiennent un item ou un ensemble drsquoitems choisi par lrsquoutilisateur Dans le cas des

regravegles drsquoassociation lrsquoutilisateur peut seacutelectionner les regravegles qui contiennent un ou

plusieurs items dans la partie gauche ou dans la partie droite ou bien dans les deux parties

agrave la fois Ce type de visualisation est convenable en cas de grande quantiteacute dinformations

traiteacutees

- Ordonnancement Crsquoest un tri selon un ou plusieurs critegraveres particuliers tels que la taille

des donneacutees leur importance etc Pour trier les groupes par exemple on peut traiter le

critegravere de lrsquoimportance des donneacutees de la maniegravere suivante Plus le geacuteneacuterateur est de

petite taille plus il est plus important Puis plus le nombre de lignes du jeu de donneacutees

qui comportent les similariteacutes est grand plus il est important

- Affichage par les outils graphiques Crsquoest une visualisation des reacutesultats sous formes de

graphiques de matrices drsquohistogrammes etc Ceci permettra de mieux interpreacuteter les

reacutesultats

Tous ces types de visualisation peuvent ecirctre combineacutes ensemble pour construire des outils de

visualisation des diffeacuterents motifs eacutetablis par un processus drsquoECD

Table 21 Les tacircches de lrsquoECD

232 Le processus ECD

Le nombre deacutetapes deacutefini dans un processus dECD est variant selon les auteurs neacuteanmoins

nous preacutesentons un processus plus ou moins standard et le plus utiliseacute avec ces diffeacuterentes

eacutetapes [Han et al 00]

Le modegravele du processus de fouille de donneacutees que nous preacutesentons se deacutecompose en

plusieurs eacutetapes la seacutelection des donneacutees le preacutetraitement la transformation la fouille de

donneacutees et enfin leacutevaluation et la preacutesentation des reacutesultats

Le modegravele du processus drsquoECD que nous avons retenu se deacutecompose en plusieurs phases

1 La seacutelection ou la creacuteation drsquoun ensemble de donneacutees agrave eacutetudier

2 Le preacutetraitement qui permet drsquoeacuteliminer le bruit et traiter les donneacutees manquantes

3 La transformation ou la deacutefinition des structures optimales de repreacutesentation des

donneacutees

4 La fouille de donneacutees agrave lrsquoaide de paramegravetres approprieacutes

5 lrsquointerpreacutetation et lrsquoeacutevaluation durant laquelle les eacuteleacutements extraits sont analyseacutes pour

aboutir agrave des connaissances stockeacutees dans une base de connaissances

Il faut noter qursquoil y a la possibiliteacute drsquoun retour agrave une eacutetape anteacuterieure afin de reacuteviser le

processus

Tacircches de lrsquoECD

Caracteacuteristiques Objectifs

Meacutethodes de fouille de donneacutees utiliseacutees

Description

Il srsquoagit de deacutecrire les donneacutees pour essayer de deacutecouvrir et de

comprendre le processus qui est agrave leur origine

Stat eacuteleacutementaire

Histogramme

moyenne eacutecart-type

ACPhellip

Estimation Consiste agrave estimer la valeur drsquoune variable agrave valeurs continues agrave

partir des valeurs drsquoautres attributs

Reacutegression

Reacuteseaux de neurones

Preacutediction

Consiste agrave preacutedire la valeur future drsquoun attribut en fonction drsquoautres

attributs

Se base sur le preacutesent pour trouver des reacutesultats dans le futur

Assimilable agrave lrsquoestimation mais les objets sont classeacutes en fonction

drsquoun comportement futur preacutedit

Arbre de deacutecision

Reacuteseaux bayesiens

Classification

Consiste agrave examiner les caracteacuteristiques dun objet et lui attribuer une

classe

Les classes sont connues agrave lrsquoavance avec des profils particuliers

Algo Geacuteneacutetique

Groupement

Il srsquoagit de grouper des objets en se basant sur leurs similariteacutes

Les objets sont les plus similaires dans un groupe et moins similaires

entre deux groupes

La similariteacute peut ecirctre calculeacutee pour diffeacuterents types de donneacutees Elle

deacutepend des donneacutees utiliseacutees et du type de similariteacute rechercheacutee

k moyennes

Recherche

drsquoassociations

Deacuteterminer les attributs qui sont correacuteleacutes ie deacutecouvrir des relations

plus fines entre les donneacutees

A-priori

FP-Growth

Figure 22 Scheacutema global de lrsquoECD drsquoapregraves Fayyad et al [Fayyad et al 96]

A partir de ce scheacutema nous pouvons dire que la fouille de donneacutees nrsquoest qursquoune eacutetape de

traitement dans le processus ECD Elle est le pivot du processus En fait crsquoest une eacutetape de

traitement des donneacutees qui va donner les motifs ou modegraveles qui seront exploiteacutes

ulteacuterieurement par lrsquoutilisateur Elle consiste agrave appliquer des algorithmes drsquoapprentissage sur

les donneacutees afin drsquoextraire des connaissances valides

233 Les eacutetapes du processus ECD

2331 La seacutelection des donneacutees

Cette eacutetape ne se limite pas agrave la seule seacutelection des donneacutees qui vont ecirctre exploiteacutees Elle

comprend eacutegalement lanalyse du problegraveme agrave reacutesoudre [Dunham 06 Han et al 00 Fayyad

et al 96] ce qui permet den deacuteduire le ou les types de donneacutees qui sont exploiteacutes ainsi que

les meacutethodes qui pourraient ecirctre utiliseacutees pour accomplir cette tacircche

2332 Le preacutetraitement des donneacutees

Cette seconde eacutetape permet drsquoaffiner les donneacutees Si la base de donneacutees est bien construite le

preacutetraitement de donneacutees peut permettre drsquoameacuteliorer les reacutesultats lors de la fouille de donneacutees

Les donneacutees agrave analyser par les meacutethodes de fouille de donneacutees sont parfois incomplegravetes

inconsistantes erroneacutees incompatibles entre elles ou inadapteacutees [Han et al 00] Ces donneacutees

sont courantes et se retrouvent reacuteguliegraverement dans les bases de donneacutees Donc il faut les

preacuteparer du point de vue forme type et contenu Plusieurs proceacutedures sont alors neacutecessaires

On trouve alors les proceacutedures de nettoyage de transformation et les proceacutedures de reacuteduction

- La proceacutedure de nettoyage

Le nettoyage des donneacutees consiste agrave retravailler ces donneacutees bruiteacutees en supprimant

certaines et en modifiant drsquoautres de maniegravere agrave tirer le meilleur profit Le but de ces deux

opeacuterations est de geacuteneacuterer de nouvelles donneacutees retravailleacutees pour faciliter leur

exploitation future Pour le traitement des donneacutees manquantes plusieurs meacutethodes

permettent daccomplir cette opeacuteration et le choix entre elles deacutepend des donneacutees et de

lobjectif de leacutetude

- La reacuteduction des donneacutees

Cette proceacutedure permet une reacuteduction de la repreacutesentation des donneacutees tout en

sauvegardant leur inteacutegriteacute Les meacutethodes de reacuteduction les plus connues sont

- agreacutegation des donneacutees cibles agregravege les donneacutees pour construire un cube de

donneacutees ceci permet de visualiser les donneacutees de faccedilon multidimensionnelle

- reacuteduction dimensionnelle deacutetecte les attributs qui ne sont pas inteacuteressants

faiblement inteacuteressants ou reacutecurrents afin de les supprimer

- compression des donneacutees codage qui permet la reacuteduction de la taille des donneacutees

- discreacutetisation et geacuteneacuteration de concept hieacuterarchique remplace les valeurs bruiteacutees

des attributs par des niveaux conceptuels plus eacuteleveacutes

2333 La transformation des donneacutees

Cette proceacutedure transforme les donneacutees sous une forme approprieacutee aux meacutethodes de fouille de

donneacutees Les meacutethodes que nous retrouvons dans cette proceacutedure sont les suivantes

- lagreacutegation permet de regrouper des donneacutees saisies agrave des peacuteriodes diffeacuterentes

Ceci permet davoir une vue densemble sur toute la dureacutee de lrsquoacquisition

- la geacuteneacuteralisation remplace les donneacutees primaires par des concepts supeacuterieurs en

utilisant des hieacuterarchies de concepts Par exemple lattribut type nom_rue peut

ecirctre geacuteneacuteraliseacute agrave un concept supeacuterieur tel que adresse

- la normalisation permet de regrouper les valeurs dattributs dans un intervalle bien

deacutelimiteacute afin de faciliter linterpreacutetation des donneacutees

- lrsquoajout dattributs consiste agrave ajouter des attributs afin de les rendre les donneacutees

compatibles avec certaines meacutethodes de fouille de donneacutees

Crsquoest lrsquoapplication drsquoune meacutethode adeacutequate sur les donneacutees precirctes agrave lrsquoemploi Du fait dune

grande diversiteacute des donneacutees exploiteacutees il en reacutesulte un nombre important de meacutethodes de

fouille de donneacutees Ces derniegraveres sont issues de divers domaines comme par exemple les

statistiques lanalyse de donneacutees lapprentissage automatique etc En outre certaines de ces

meacutethodes peuvent ecirctre combineacutees afin de reacuteduire les inconveacutenients de lrsquoune ou lrsquoautre Le

choix des meacutethodes de fouille de donneacutees est fonction dune part des besoins exprimeacutes par

lutilisateur et dautre part des donneacutees exploiteacutees

2335 Lrsquoeacutevaluation et la preacutesentation

Crsquoest lrsquoeacutevaluation des motifs (modegraveles) extraits qui est faite agrave ce stade Celle-ci permet de

mesurer lrsquointeacuterecirct de ces motifs Ensuite une preacutesentation des reacutesultats agrave lrsquoutilisateur gracircce agrave

diffeacuterentes techniques de visualisation Ce nrsquoest qursquoagrave partir de la preacutesentation que lrsquoon peut

employer le terme de connaissance agrave condition que ces motifs soient valideacutes par lrsquoexpert du

domaine On distingue alors deux modes de validation statistique et par expertise Pour

certains problegravemes on peut associer les deux modes de validation [Young 94]

- la validation statistique

Cela consiste agrave utiliser des meacutethodes de base de statistique descriptive Lrsquoobjectif est

drsquoobtenir des informations qui permettront de juger le reacutesultat obtenu ou drsquoestimer la

qualiteacute par le biais des donneacutees drsquoapprentissage Cette validation peut ecirctre obtenue

- le calcul des moyennes et variances des attributs

- le calcul de la correacutelation entre certains champs

- ou la deacutetermination de la classe majoritaire dans le cas de la classification

- la validation par expertise

Elle fait appel agrave un expert dans le domaine duquel proviennent les donneacutees Celui-ci

jugera la pertinence des reacutesultats produits Dans le domaine meacutedical par exemple le

motif extrait doit ecirctre facile agrave comprendre pour cela une premiegravere validation doit ecirctre

effectueacutee par un expert meacutedical qui jugera de la compreacutehensibiliteacute du motif avant de

le preacutesenter au meacutedecin pour exploitation

La validation complegravete dun systegraveme agrave base drsquoECD consiste alors agrave sassurer de ladeacutequation

entre la connaissance modeacuteliseacutee dans la base de connaissances et la connaissance de lexpert

Deux techniques de validation peuvent ecirctre envisageacutees

- La validation par lexamen des reacutesultats obtenus agrave partir de la base de

connaissances

Elle permet de mesurer lrsquoadeacutequation entre la connaissance reacuteelle et sa modeacutelisation

en confrontant les reacutesultats du systegraveme et ceux de lexpert sur un ensemble de

problegravemes constituant un jeu de tests On suppose dans ce type de validation que

lexpert possegravede une description du monde reacuteel sous forme dun ensemble de

problegravemes caracteacuteristiques accompagneacutes de leurs solutions

Pour ce type de validation de nombreuses meacutethodes sont utiliseacutees comme le hold-

out sous-eacutechantillonnage aleacuteatoire (random sub-sampling) validation croiseacutee (cross-

validation) et bootstrap [Beleites et al 16] Cependant des mesures de performance

peuvent ecirctre utiliseacutees pour analyser les modegraveles preacutedictifs Ils sont baseacutes sur quatre

valeurs de la matrice de confusion telles que reacutesumeacutees dans la figure 23 vrai positif

(TP) faux positif (FP) vrai neacutegatif (TN) et faux neacutegatif (FN) De plus agrave un autre

niveau de veacuterification leacutevaluation de la performance de lensemble du test est

estimeacutee par le taux derreur (error rate) et il sera estimeacute agrave laide de mesures derreurs

communes Ainsi il est utiliseacute la sensibiliteacute (sensitivity) la speacutecificiteacute (specificity)

la preacutecision (accuracy) telles quelles sont deacutefinies ci-dessous

Table 22 Les mesures pour lrsquoeacutevaluation de modegraveles [Beleites et al 16]

Mesure Formule de calcul

Sensibiliteacute (Sensitivity) pourcentage de cas positif qui

sont correctement identifieacutes

comme positifs

TP(TP + FN)

Speacutecificiteacute (Specificity) pourcentage de cas

correctement identifieacutes comme

neacutegatifs

TN(TN + FP)

Preacutecision (Accuracy) pourcentage de cas

correctement testeacutes (Reacuteellement

Positifs ou reacuteellement Neacutegatifs)

(TP + TN) (TP + FP + TN +

Valeur preacutedictive positive

(Positive Predictive Value

pourcentage de cas testeacutes

positifs et reacuteellement positifs

119879119875119879119875 + 119865119875

Valeur preacutedictive neacutegative

(Negative Predictive Value

neacutegatifs et reacuteellement neacutegatifs

119879119873119879119873 + 119865119873

Figure 23 Matrice de confusion 2 x 2 dimensions

- La validation par leacutetude de la coheacuterence de la base de connaissances

La deacutetection dincoheacuterence dune base de connaissances suppose que soit donneacute un

modegravele conceptuel du monde reacuteel pour leacutetude de la coheacuterence Ce modegravele peut ecirctre

consideacutereacute plus explicite que la connaissance issue de la base de connaissances Crsquoest

agrave laide de ce modegravele que nous pouvons juger de la coheacuterence de la base de

connaissances sans faire appel agrave un expert

Actual

Positive Negative

Positive

True Positive

False Positive

Negative

False Negative

True Negative

Sensitivity

Specificity

Table 23 Les meacutethodes de fouille de donneacutees

24 Apport de la fouille de donneacutees en aide agrave la deacutecision meacutedicale

La meacutedecine a eu recours agrave la fouille de donneacutees en raison de lrsquoimmense quantiteacute de donneacutees

accumuleacutees au cours des anneacutees dans de grandes bases de donneacutees Ainsi lapport de la

fouille de donneacutees en meacutedecine a eacuteteacute tregraves grand notamment par la mise agrave disposition drsquooutils

speacutecifiques danalyse de donneacutees meacutedicales pour lrsquoaide agrave la deacutecision [Barigou et al 12]

Aussi il est tregraves inteacuteressant de pouvoir trouver des relations inteacuteressantes entres les entiteacutes

comme par exemple le lien qui peut exister entre la prise drsquoun meacutedicament et un effet

secondaire afin de deacuteduire des effets indeacutesirables drsquoune meacutedication

La fouille de donneacutees a donc eacuteteacute tregraves utile dans de nombreux travaux et systegravemes drsquoaide agrave la

deacutecision meacutedicale Nous en citerons quelques exemples

[a] En diagnostic

La recherche de patients pouvant ecirctre soumis agrave des scheacutemas theacuterapeutiques bien deacutetermineacutes

est parmi les premiegraveres applications reacutealiseacutees Une cateacutegorisation des patients est faite pour

cibler les patients par groupes La recherche des facteurs de risque pour certaines pathologies

comme le diabegravete est effectueacutee agrave partir de donneacutees des drsquoeacutetudes eacutepideacutemiologiques avec choix

drsquoun traitement approprieacute et individuel [Zorman et al 02] Mokeddem et al ont preacutesenteacute une

nouvelle approche pour le diagnostic des maladies coronariennes cette nouvelle meacutethode est

fondeacutee sur les algorithmes geacuteneacutetiques et la classification naiumlve bayeacutesienne [Mokeddem et al

Meacutethodes de FDD

Descrip

Preacuted

ictive

iseacute

erviseacute

Reacuteg

ression

lineacuteaire

Reacuteseau

deacutecisio

Reacuteseau

eacutesien

eacuteneacutetiq

Regraveg

drsquoassociatio

Description

Estimation

Preacutediction

Classification

Groupement

Recherche

Associations

[b] En theacuterapeutique

Lrsquoassociation de meacutedicaments avec leurs effets secondaires sur une cateacutegorie de patients est

une tache qui a eacuteteacute abordeacutee tregraves tocirct en fouille de donneacutees meacutedicales [Prather et al 97] La

recherche drsquoassociation entre theacuterapeutique et une symptomatologie donneacutee a eacuteteacute aussi

abordeacutee suivi drsquoune eacutetude sur les effets indeacutesirables [Prather et al 97] La preacutediction des

maladies cardio-vasculaires chez un patient donneacute [Podgorelec 05] Certains praticiens ont

besoin de faire un suivi drsquoune cateacutegorie de patients afin de promouvoir les traitements les plus

adapteacutes agrave ces derniers [Ramirez et al 00 Richards et al 01]

[c] En pronostic

On recherche agrave preacutedire le temps de reacutetablissement apregraves une opeacuteration en fonction des

donneacutees du patient (acircge poids etc) [Schmidt et Gierl 02] Huang et al utilisent un

raisonnement agrave base de cas coupleacute aux arbres de deacutecision et une recherche drsquoassociation agrave

base de cas pour le pronostic des maladies chroniques [Huang et al 07]

25 Synthegravese de lrsquoutilisation des meacutethodes de FDD en aide agrave la

Les meacutethodes de fouille de donneacutees citeacutees preacuteceacutedemment ont eacuteteacute largement utiliseacutees dans

de nombreuses eacutetudes en meacutedecine en particulier les arbres de deacutecision et les reacuteseaux de

neurones

Les arbres de deacutecision

Allayous et al ont utiliseacute les arbres de deacutecision pour deacuteterminer les variables impliqueacutees dans

la seacuteveacuteriteacute et la reacutecurrence de la crise de seacutequestration spleacutenique aigueuml (augmentation brutale

de la taille de la rate et chute du taux de lrsquoheacutemoglobine) Cette meacutethode fournit un outil de

diagnostic qui ameacuteliore le traitement meacutedical et la qualiteacute des soins pour les patients atteint de

cette pathologie [Allayous et al 08] Park et al ont utiliseacute lalgorithme C45 pour construire

un arbre de deacutecision pour deacutecouvrir les principales causes du diabegravete de type II Cet

algorithme geacutenegravere un ensemble de regravegles pour le diagnostic et la preacutediction du diabegravete [Park

et al 06]

Les regravegles drsquoassociation

Balakrishnan et al proposent un systegraveme de preacutediction de la reacutetinopathie baseacute sur les regravegles

dassociation en utilisant lalgorithme Apriori et le raisonnement agrave base de cas Les regravegles

dassociation sont utiliseacutees pour analyser les motifs dans les donneacutees et pour calculer la

probabiliteacute de reacutetinopathie alors que le raisonnement agrave base de cas est utiliseacute pour reacutecupeacuterer

des cas similaires Cette technique aborde le problegraveme de la maintenance de cas-base en

deacuteveloppant une nouvelle technique ACRT (Association-based Case Reduction Technique)

pour reacuteduire la taille de la base de cas afin dameacuteliorer lefficaciteacute tout en maintenant ou mecircme

en ameacuteliorant la preacutecision du RBC [Balakrishnan et al 12]

Sung et Seong ont reacutecemment reacutealiseacute une eacutetude fondeacutee sur la construction dune meacutethode

hybride combinant des meacutethodes de fouille de donneacutees (regravegles dassociation arbres de

deacutecision) pour aider les cliniciens agrave classifier des maladies de la douleur thoracique de

maniegravere preacutecises [Sung et Seong 10]

Les reacuteseaux de neurones

Malyshevska a eacutetudieacute le problegraveme du diagnostic du cancer agrave laide des reacuteseaux de neurones

Lobjectif de cette eacutetude eacutetait de classifier les diffeacuterents types de cellules utiliseacutes pour

deacuteterminer le risque de cancer [Malyshevsa 09] Sivakumar a preacutesenteacute une meacutethode baseacutee sur

les reacuteseaux neuronaux pour classifier les patients atteints de reacutetinopathie diabeacutetique

(complications courantes du diabegravete) Cet algorithme geacutenegravere un ensemble de regravegles pour le

diagnostic et la preacutediction du diabegravete [Sivakumar 07]

La reacutegression logistique

Kiezun et al ont utiliseacute la meacutethode de reacutegression logistique pour aider les cliniciens dans le

diagnostic de lrsquoinfection du myocarde (une infection peut provoquer une inflammation

du myocarde qui est le muscle cardiaque) chez des patients preacutesentant une douleur thoracique

[Keizun et al 09]

Lrsquoimplication des meacutethodes de fouilles de donneacutees a eacuteteacute tregraves remarqueacutee de par les nombreuses

eacutetudes et reacutealisations dans le domaine meacutedical Seulement les donneacutees meacutedicales sont assez

varieacutes et complexes et souvent elles sont repreacutesenteacutees dans des structures plates dans les bases

de donneacutees habituelles sans les liens neacutecessaires qui peuvent donner un peu plus de sens dans

leur existence dans un endroit commun en lrsquooccurrence la base de donneacutees

De plus les situations meacutedicales (voir introduction geacuteneacuterale Sect 3) auxquelles nous faisons

reacutefeacuterence dans notre travail sont assez varieacutees ce qui conditionne lrsquoapplication de telle ou

telle meacutethode qui souvent mets lrsquoutilisateur devant un autre problegraveme celui de la bonne

preacuteparation des donneacutees qui a lui seul est un autre travail ardu De ca fait nous le voyons a

travers les diffeacuterents travaux qursquoil y a eu des tentatives assez varieacutees drsquoutilisation de

meacutethodes ce qui montre que rien nrsquoest deacutefinitivement eacutetabli par rapport agrave lrsquointeacutegration des

meacutethodes de fouille de donneacutees au RBC et quel celles-ci montrent toujours des limites Nous

passerons quelque unes en revue dans la section suivante afin drsquoavoir une ideacutee sur les

difficulteacutes drsquointeacutegration

26 Les limites de lrsquointeacutegration

Lrsquoutilisation combineacutee de RBC et des meacutethodes de fouille de donneacutees a augmenteacute drsquoune

maniegravere consideacuterable dans le domaine meacutedicale Cependant cette inteacutegration a montreacute des

limites qui poussent les chercheurs du domaine agrave trouver des solutions Parmi ces limites

nous notons [Pandey et Mishra 10 Pan et al 07 Lamiche 13]

- Le premier problegraveme concerne la speacutecificiteacute des donneacutees meacutedicales il srsquoagit de donneacutees

particuliegraveres complexes heacuteteacuterogegravenes hieacuterarchiques souvent impreacutecises subjectives

entacheacutees de valeurs manquantes ou incomplegravetes

- Toutes ces lacunes au niveau des donneacutees font que le processus de fouille de donneacutees

devient assez laborieux en traitement surtout en phase de seacutelection et preacutetraitement des

donneacutees de base

- Lrsquoaccumulation de tregraves grande quantiteacute de donneacutees (eacutetude eacutepideacutemiologiques et

pharmaceutiques geacutenomique imagerie etc) Cet accroissement des connaissances

meacutedicales a entraineacute une augmentation du nombre de paramegravetres neacutecessaires agrave la

description drsquoune situation deacutecisionnelle prise en charge par le meacutedecin

- Il devient de plus en plus difficile pour un meacutedecin de maicirctriser la deacutefinition du cas voir

simplement drsquoy acceacuteder en temps utile par un simple processus de fouille de donneacutees

- Drsquoune faccedilon geacuteneacuterale la gestion drsquoobjets complexes est devenue neacutecessaire pour sa prise

en charge par un processus RBC avant de passer le relais vers un processus de fouille de

donneacutees

- Comment opeacuterer une fouille drsquoobjets complexes (Cas) si ceux-ci preacutesentent des images

des textes etc mais aussi des concepts relieacutes entre eux

- La consideacuteration des points de vue des acteurs de la deacutecision est un aspect qui nrsquoest pas

pris en charge par la fouille de donneacutees et qui aussi important que les donneacutees fouilleacutees

elles mecircme

27 Conclusion

Lrsquointeacutegration des meacutethodes de fouille de donneacutees agrave la meacutethodologie RBC appliqueacutee au

domaine meacutedical a eacuteteacute une expeacuterience assez enrichissante mais aussi avec des difficulteacutes

inheacuterentes au domaine drsquoapplication mais aussi aux limites de certaines meacutethodes citeacutes ci-

dessus

- Au niveau de lrsquointeacutegration celle est conditionneacutees surtout par la qualiteacute des donneacutees qui

elle mecircme conditionne la qualiteacute des motifs extrait qui vont et viennent entre le RBC et

lrsquoECD

- Au niveau de la fouille des donneacutees proprement dite la qualiteacute des donneacutees et la meacutethode

de prise en compte des donneacutees manquantes ont une influence sur les reacutesultats obtenues

par ces techniques

Le second problegraveme concerne la validation du reacutesultat de tout le processus drsquointeacutegration par

les experts Chose qui nrsquoest pas facilement aiseacutee du moment que nous avons deux validations

simultaneacutees

- en premier la validation du reacutesultat de la fouille de donneacutees

- en second la validation de lrsquoaide agrave la deacutecision proposeacutee par le processus en entier

Les deux validations neacutecessitent un niveau drsquoexpertise assez eacuteleveacute de la part du meacutedecin

Chose que lrsquoon ne trouvera pas facilement chez le corps meacutedical

De ce fait une certaine prudence doit ecirctre de mise surtout lorsqursquoil srsquoagit de systegravemes qui

peuvent ecirctre utiliseacutes dans la pratique courante des meacutedecins et qui ne sont pas forcement

familiariseacute avec les proceacutedures de fouille de donneacutees qui neacutecessitent souvent des

connaissances assez particuliegraveres et non geacuteneacuterales sur les types de donneacutees et leurs

manipulations

Sur un autre volet il y a un aspect tregraves important en aide agrave la deacutecision qui nrsquoest pas pris en

charge par la fouille de donneacutees Crsquoest lrsquoaspect choix du deacutecideur

En effet le deacutecideur a des preacutefeacuterences des eacutevaluations et des choix Ces aspects ne sont pas

pris en compte par les meacutethodes de fouille de donneacutees ces derniegraveres srsquoappliquent

froidement sur des stocks de donneacutees De ce fait quelque soit la meacutethode appliqueacutee en

support au RBC elle ne pourra donner que des reacutesultats plus ou moins distanceacutes par rapport

agrave la reacutealiteacute ou aux attentes du deacutecideur

Au final on se retrouve avec des combinaisons de meacutethodes mais avec une possibiliteacute drsquoeacutecart

par rapport agrave la reacutealiteacute parce que les choix du deacutecideur ne sont pas suffisamment pris en

consideacuteration par le processus drsquoaide agrave la deacutecision

A cet effet une autre approche plus pragmatique et proche de la reacutealiteacute du deacutecideur semble

ecirctre plus envisageable crsquoest le raisonnement agrave base de cas avec une collaboration de lrsquoAMC

Cette approche a eacuteteacute abordeacutee par inteacutegration au RBC du fait que celle-ci est formaliseacutee a

travers des meacutethodes bien poseacutees theacuteoriquement et ne preacutesente pas drsquoeacutenormes difficulteacutes

quant agrave son utilisation technique Nous lrsquoaborderons dans le prochain chapitre

Chapitre 3

Inteacutegration RBC-AMC

pour lrsquoaide agrave la deacutecision

meacutedicale

Chapitre 3

Inteacutegration RBC-AMC pour lrsquoaide agrave la

31 Introduction 64

35 Conclusion 79

31 Introduction

ne tregraves grande partie des problegravemes de deacutecision se caracteacuterise par la diversiteacute des

points de vue qui sont souvent contradictoires et qui mesurent des choses de nature

diffeacuterente Aussi sont nombreuses les situations concregravetes ougrave les conseacutequences sont

suffisamment complexes pour quune seule fonction objectif (un seul critegravere) ne puisse

appreacutehender toute linformation neacutecessaire agrave la comparaison globale des actions (solutions)

La reacutesolution de ce type de problegravemes doit tenir compte simultaneacutement de tous les points de

vue jugeacutes pertinents par le deacutecideur et de plusieurs critegraveres crsquoest lrsquoanalyse multicritegraveres

Cest vers la fin des anneacutees soixante qursquoil y a eu la naissance de ce paradigme qui regroupe

une grande partie des notions de loptimisation monocritegravere Les chercheurs de ce nouveau

mode de raisonnement deacuteveloppent des moyens de travail nouveaux pour reacutesoudre des

probleacutematiques deacutecisionnelles drsquoun nouveau genre diffeacuterentes du paradigme monocritegravere

Toutefois de nouvelles questions sont poseacutees par exemple comment pondeacuterer les critegraveres et

comment les agreacuteger En effet le paradigme multicritegraveres se caracteacuterise par un scheacutema de

penseacutee qui tient compte de plusieurs critegraveres qui sont agrave consideacuterer dans le processus

deacutecisionnel Ce paradigme trouve sa justification dans le constat quil est tregraves difficile sinon

impossible doptimiser tous les points de vue devant lesquels le deacutecideur prend sa deacutecision

De lagrave on a essayeacute agrave deacutevelopper des modegraveles plus ou moins formaliseacutes dans la perspective

dameacuteliorer de faciliter et daccompagner le deacutecideur dans le deacuteroulement du processus

deacutecisionnel

Lensemble des meacutethodes et modegraveles deacuteveloppeacutes en analyse multicritegraveres ont un but commun

qui vise agrave aider le deacutecideur agrave prendre une deacutecision qui le satisfait et en lrsquointeacutegrant dans une

deacutemarche deacutecisionnelle en lui offrant la possibiliteacute de progresser vers une solution

32 Lrsquoanalyse multicritegraveres (AMC)

Un problegraveme de deacutecision monocritegravere est un problegraveme du type

opt119946119950119946119956119942119955 119944(119961) ∶ 119961 isin 119912 ougrave A est lensemble des actions admissibles et

g est la fonction critegravere agrave optimiser

Ce modegravele traduit geacuteneacuteralement un problegraveme bien structureacute et bien deacutefini matheacutematiquement

qui simpose agrave la fois au deacutecideur et agrave lhomme deacutetude exemple

opt119946119950119946119956119942119955 119927119955119946119961(119961) ∶ 119961 isin 119912

Lorsque les actions potentielles dun problegraveme de deacutecision ne sont pas eacutevalueacutees par un critegravere

unique mais par un ensemble de critegraveres quon deacutesigne par g1 g2 hellip gm et que le deacutecideur

souhaite optimiser simultaneacutement le problegraveme poseacute sera alors de la forme

opt119946119950119946119956119942119955 119944120783(119961) 119944120784(119961) hellip 119944119950(119961) 119961 isin 119912

La principale difficulteacute dun problegraveme multicritegraveres est quil sagit dun problegraveme sans solution

objective Il nexiste pas en geacuteneacuteral une action meilleure que toutes les autres et

simultaneacutement sur tous les critegraveres Le concept de solution optimale un postulat de base de

lapproche monocritegravere na donc pas de sens dans un contexte multicritegraveres Il sagit donc

drsquoaider le deacutecideur agrave progresser vers une action de compromis [Roy 91]

Objectif de lrsquoanalyse multicritegraveres

Face agrave la complexiteacute de diverses situations ougrave lrsquoecirctre humain est appeleacute agrave deacutecider il fait

intervenir un ou plusieurs critegraveres dans un environnement parfois aleacuteatoire Le deacutecideur ne

peu eacutevaluer correctement un problegraveme pour le reacutesoudre drsquoautant plus si plusieurs paramegravetres

entrent en jeux pour eacutevaluer la situation probleacutematique et deacutecider drsquoune action (solution) Ceci

fait que le deacutecideur choisi lrsquoanalyse multicritegraveres pacque le deacutecideur nrsquoas par la faculteacute de

faire une eacutevaluation en prenant en compte plusieurs paramegravetres parfois conflictuel Ceci

laquo deacutepasse raquo un peu de ces capaciteacutes mentales Cependant il srsquooriente vers lrsquoAMC afin de

lrsquoaider agrave faire cette laquo combinaison raquo drsquooption par des meacutethodes prouveacutees et pouvant assurer le

calcul combinatoire ou parfois reacutecursif afin de lui faire sortir une option la meilleure Donc

lrsquoobjectif est celui de trouver la solution optimale si lrsquoon peut dire par la prise en compte de

paramegravetres suivant le problegraveme les solutions envisageacutees et les critegraveres drsquoeacutevaluation sur

lesquels il se base pour chercher une solution

321 Le paradigme multicritegraveres

De nombreuses approches traitent des problegravemes de deacutecision Les approches classiques

(utiliteacute theacuteorie des jeux analyse coucirct-beacuteneacutefices programmation matheacutematique etc) ont aideacute

agrave traiter des problegravemes de deacutecision en optimisant un objectif (coucirct distance etc) Lrsquoaide

multicritegravere agrave la deacutecision est apparue pour traiter plusieurs classes de problegravemes de deacutecision

(choix tri rangement) srsquoexprimant agrave lrsquoaide de critegraveres et des preacutefeacuterences du deacutecideur Cette

approche procegravede a la fois agrave lrsquoaide drsquoune deacutemarche coupleacutees a des meacutethodes pratiques pour

solutionner des problegravemes de deacutecision

3211 Action

Crsquoest une repreacutesentation de leacuteleacutement de solution qui contribue agrave la deacutecision par exemple

lrsquoachat drsquoun produit le choix drsquoun site pou implanter une usine etc constituent des actions

Quand les actions sont exclusives on utilise le terme variante alternative en anglais Les

actions potentielles ont pour objet de deacutelimiter le champ des solutions possibles On peut faire

apparaitre deux types drsquoactions potentielles les actions reacuteelles et les actions fictives Les

premiegraveres correspondent agrave une reacutealiteacute susceptible drsquoecirctre appreacutehendeacutee par le deacutecideur par

exemple une Peugeot 206 est une action reacuteelle On peut neacuteanmoins vouloir consideacuterer des

actions qui ne correspondent agrave aucune reacutealiteacute existante mais qui permettent quand mecircme

drsquoeacuteclairer les deacutecisions ce sont les actions fictives Elles vont servir de base pour effectuer

des comparaisons Si on reste dans le domaine automobile on peut dire qursquoune voiture

familiale ou une voiture sport sont des actions fictives

Les notions de Preacutefeacuterence Indiffeacuterence Incomparabiliteacute et Surclassement

Lrsquoactiviteacute drsquoaide agrave la deacutecision passe par la comparaison des actions entre elles en utilisant les

critegraveres Vincke ne considegravere que deux relations la preacutefeacuterence et lrsquoindiffeacuterence noteacutees

respectivement I et P ou (~ et gt) [Vincke 89]

- Preacutefeacuterence

Cette relation permet de traduire une situation dans laquelle il existe des raisons claires

et suffisantes pour mettre en eacutevidence une preacutefeacuterence entre deux actions 119886 119890119905 119887 On

notera

119938 119927 119939 ∶ une situation dans laquelle 119938 est preacutefeacutereacutee agrave 119939

Cela signifie que a est meilleure que b De part la seacutemantique associeacutee agrave cette relation il

est naturel de consideacuterer cette relation comme eacutetant irreacuteflexive et asymeacutetrique

- Indiffeacuterence

Cette relation traduit une situation dans laquelle il nrsquoexiste pas de raisons suffisamment

fortes pour confirmer une preacutefeacuterence dans un sens ou dans lrsquoautre On notera 119938 119920 119939 ∶ une situation drsquoindiffeacuterence entre 119938 et 119939 Cela signifie que a et b sont tellement proches et il est difficile de dire que lrsquoune est

meilleure que lrsquoautre Cette relation est geacuteneacuteralement consideacutereacutee comme eacutetant reacuteflexive

et symeacutetrique Ces deux relations apparaissent ainsi comme compleacutementaires Lorsque

deux actions 119938 et b sont indiffeacuterentes il nrsquoest pas possible daffirmer une preacutefeacuterence

dans un sens ou dans lautre De mecircme lorsquil existe une preacutefeacuterence entre 119886 et b les

deux actions ne peuvent ecirctre indiffeacuterentes

119938 119875 119939 119838119853 119939 P 119938

- Incomparabiliteacute

Il peut exister des situations ougrave le deacutecideur ne peut sexprimer en faveur dune action ou

dune autre sans pour autant ecirctre indiffeacuterent on parlera de situations dincomparabiliteacute

119938 R b 119938 est incomparable avec b

Cela signifie que a et b sont tellement diffeacuterentes lrsquoune de lrsquoautre qursquoil est difficile de

pouvoir les comparer Cette relation est naturellement consideacutereacutee comme symeacutetrique et

irreacuteflexive Comme pour les autres relations utiliseacutees en modeacutelisation des preacutefeacuterences

nous consideacutererons que cette relation nest pas neacutecessairement transitive

- Surclassement

Le concept de surclassement est ducirc agrave Roy [Roy 85] Une relation de surclassement est

une relation S deacutefinie dans A telle que a S b srsquoil y a suffisamment darguments pour

admettre que 119938 est au moins aussi bonne que b sans quil y ait de raison importante de

refuser cette affirmation 119938 119930 119939 119886 est au moins aussi bonne que b 119938 119930 119939 hArr 119914(119938 119939) 119942119957 119915(119938 119939)

On dit quune action a surclasse une action b si 119938 est au moins aussi bonne que b

relativement agrave une majoriteacute de critegraveres (condition de concordance C (119938 b)) sans ecirctre

trop nettement plus mauvaise relativement aux autres critegraveres (condition de non-

discordance D (119938 b)) crsquoest-agrave-dire il ny a pas de critegravere qui eacutemet son veto pour 119938 S

Table 31 Les situations possibles de comparaison de 2 actions

Situations Relations Repreacutesentations

a S b et non b S a a P b

non b S a et b S a b P a

a S b et b S a a I b

non a S b et non b S a a R b

3212 Critegravere

Schaumlrlig propose la deacutefinition la suivante laquo un critegravere est une reacutefeacuterence par rapport agrave

laquelle on mesure la conseacutequence drsquoune action en drsquoautres termes un critegravere exprime plus

ou moins les preacutefeacuterences du deacutecideur relativement agrave un attribut donneacute raquo [Schaumlrlig 85]

Situation Deacutefinition Relation binaire

(proprieacuteteacutes)

Notation

Preacutefeacuterence Stricte Existence de raisons claires et positives qui

justifient une reacutefeacuterence significative en faveur

de lrsquoune (identifieacutee) des deux actions

P relation asymeacutetrique

(irreacuteflexive)

Preacutefeacuterence faible Existence de raisons claires et positives qui

infirment une preacutefeacuterence stricte en faveur de

lrsquoune (identifieacutee) des deux actions mais ces

raisons sont insuffisantes pour en deacuteduire soit

une preacutefeacuterence stricte en faveur de lrsquoautre soit

une indiffeacuterence entre ces deux actions (ces

raisons ne permettent donc pas drsquoisoler lrsquoune

des deux situations preacuteceacutedentes comme eacutetant la

seule approprieacutee)

Q (ldquoquasirdquo) relation

asymeacutetrique

(irreacuteflexive)

Indiffeacuterence Existence de raisons claires et positives qui

justifient une eacutequivalence entre les deux

actions

I relation symeacutetrique

et reacuteflexive

Incomparabiliteacute Absence de raisons claires et positives justifiant

lrsquoune des trois situations preacuteceacutedentes

R (refus de se prono

ncer)relation

symeacutetrique irreacuteflexive

Surclassment Existence darguments pour admettre qursquoune

action est meilleure que lrsquoautre

119886 119878 119887

Selon Vincke laquo Un critegravere est une fonction g deacutefinie sur lensemble A des actions qui prend

ses valeurs dans un ensemble totalement ordonneacute et qui repreacutesente les preacutefeacuterences du

deacutecideur selon un point de vue raquo [Vincke 89] Lorsque le problegraveme repose sur la

consideacuteration de plusieurs critegraveres nous les notons g1 hellip gn Leacutevaluation dune action 119938

suivant le critegravere j est noteacutee gj(119938)

Un critegravere peut donc ecirctre deacutefini comme le moyen de modeacuteliser un point de vue Cependant

plusieurs aspects dune action peuvent concourir agrave un mecircme point de vue Par exemple si

lon sinteacuteresse au point de vue confort dune automobile plusieurs aspects doivent ecirctre pris en

compte comme la suspension la tenue de route le niveau sonore etc

Un critegravere est alors une fonction g deacutefinie sur A et prenant ses valeurs dans un ensemble

totalement ordonneacute R ou g A rarr R et qui repreacutesente les preacutefeacuterences du deacutecideur selon un

point de vue On distingue alors plusieurs types de critegraveres le vrai critegravere le pseudo critegravere

le quasi critegravere

Chaque action 119938 de A sera donc repreacutesenteacutee par un vecteur (gl (119938) gn(119938)) que lon appelle

vecteur de performances Lensemble A des actions sera repreacutesenteacute par une matrice appeleacutee

matrice de performance Il existe alors diffeacuterents types de critegraveres Le vrai critegravere le pseudo

critegravere le quasi-critegravere et le preacute-critegravere

3213 Poids

Il est assez courant en analyse multicritegraveres que le deacutecideur pense qursquoun critegravere est plus

important qursquoun autre pour des raisons diverses parmi lesquelles ses preacutefeacuterences personnelles

Nous appelons poids (w) cette mesure de lrsquoimportance relative entre les critegraveres telle qursquoelle

est vue par le deacutecideur Neacuteanmoins cette mesure nrsquoest pas toujours deacutetermineacutee facilement par

le deacutecideur Ils doivent ecirctre le reflet des points de vue des diffeacuterents acteurs concerneacutes par la

prise de deacutecision Ces derniers laquo sappuient sur un systegraveme de perception de valeurs et

drsquoopinions diffeacuterentes pour expliciter leurs preacutefeacuterences Plusieurs meacutethodes de pondeacuteration

de critegraveres existent et elles peuvent beaucoup influencer le reacutesultat final de lanalyse raquo

[Pomerol et Barba‐Romero 93] Eastman et al notent une difficulteacute couramment rencontreacutee

dans la reacutesolution des probleacutematiques multicritegraveres est lrsquoaffectation des poids aux diffeacuterents

critegraveres conduisant agrave la prise de deacutecision surtout lorsque le nombre de critegraveres est assez eacuteleveacute

[Eastman et al 93]

3214 Matrice de performance

Face agrave un problegraveme de deacutecision le deacutecideur est ameneacute agrave juger et agrave eacutevaluer les actions

potentielles en utilisant les critegraveres Un critegravere est donc un facteur de jugement utiliseacute pour

mesurer et eacutevaluer une action Il diffegravere de la notion de variable dans la mesure ougrave un critegravere

est relieacute aux preacutefeacuterences du deacutecideur alors quune variable ne lest pas neacutecessairement

Dans le cas freacutequent ougrave lanalyse des conseacutequences des actions potentielles conduit agrave

construire plusieurs critegraveres cest lanalyse multicritegraveres qui permet de donner des reacuteponses au

problegraveme poseacute Pour chaque action consideacutereacutee et pour chaque critegravere un seuil de preacutefeacuterence

(p) dindiffeacuterence (q) et un seuil de veto (v) sont estimeacutes Chaque critegravere se voit attribuer un

poids (w) traduisant sa contribution dans la deacutecision finale Le reacutesultat de lanalyse des

conseacutequences est preacutesenteacute dans une matrice de performance eacutegalement appeleacutee matrice

deacutevaluation ou matrice de jugements

Table 33 Matrice de performance

Table 34 Exemple de matrice de performance ( pour le choix drsquoimplantation drsquousine)

322 Les probleacutematiques multicritegraveres

La probleacutematique peut ecirctre perccedilue comme eacutetant une orientation de lrsquoinvestigation qursquoon

adopte pour un problegraveme de deacutecision donneacute Elle exprime les termes dans lesquels le deacutecideur

ou lrsquohomme drsquoeacutetude pose le problegraveme et traduit le type de la solution qursquoil souhaite obtenir

Roy distingue trois probleacutematiques de base dont les caracteacuteristiques sont reacutesumeacutees ci-dessous

Ainsi tout problegraveme deacutecisionnel multicritegraveres doit se ramener neacutecessairement agrave lrsquoune drsquoentre

elles Nous avons alors les probleacutematiques de choix de tri de rangement et de description

respectivement noteacutees Pα Pβ Pγ et Pδ [Roy 85]

[a] Probleacutematique de choix ( Pα )

Elle consiste agrave seacutelectionner un sous ensemble aussi restreint que possible de lensemble des

actions A contenant les meilleures actions Lideacuteal est dobtenir une seule et meilleure action

Mais agrave cause de la nature conflictuelle des critegraveres il est preacutefeacuterable de fournir au deacutecideur

quelques actions qui repreacutesentent diffeacuterentes variantes de la meilleure action Formellement

le reacutesultat de ce type de situation deacutecisionnelle est un sous ensemble Arsquo sub A Exemple

choix du meilleur site pour une installation industrielle

g1 hellip hellip gj

a1 g1(a1) gj(a1)

hellip

g1(an) gj (an)

Poids w1 wj

Actions

Eloignement

centre ville

Surface

Avis Architecte

(note)

Site 1

Site 2

[b] Probleacutematique de tri (Pβ)

Elle consiste agrave affecter chaque action agrave un ensemble de cateacutegories preacutedeacutefinies Cette

formulation est adeacutequate lorsque le problegraveme de deacutecision consiste agrave examiner chaque action

indeacutependamment des autres (en tenant compte que des caracteacuteristiques intrinsegraveques de chaque

action) dans le but de proposer une recommandation parmi un ensemble de recommandations

speacutecifieacutees auparavant Chaque recommandation peut ecirctre associeacutee agrave une cateacutegorie Le

problegraveme de deacutecision est alors vu comme un tri des actions potentielles en diffeacuterentes

cateacutegories preacutedeacutefinies La proceacutedure de tri doit ecirctre deacutefinie de telle sorte que chaque action est

affecteacutee agrave une et une seule cateacutegorie Comme par exemple lrsquoaffectation de diffeacuterents sites

(chaque site est une action) agrave un type drsquoinstallation industrielle particulier parmi diffeacuterentes

installations

[c] Probleacutematique de rangement (Pγ)

Elle consiste agrave ranger les diffeacuterentes actions en allant de la meilleure action agrave la moins bonne

avec eacuteventuellement des ex aequo Cette probleacutematique est inteacuteressante lorsque les actions

sont agrave diffeacuterencier selon leur inteacuterecirct relatif Il est agrave noter quen pratique le rangement peut ecirctre

neacutecessaire seulement pour les actions les plus inteacuteressantes Exemple la maintenance de

plusieurs sites industriels en commenccedilant par le site le plus urgent

[d] Probleacutematique de description (Pδ)

Elle consiste simplement agrave deacutecrire les actions et leurs conseacutequences et non pas agrave les comparer

comme cest le cas avec les trois autres probleacutematiques preacuteceacutedentes Ici il nexiste pas une

solution Exemple identifier et deacutecrire dans le seul but dapprendre et se preacuteparer agrave

drsquoeacuteventuels incidents

Table 35 Les probleacutematiques deacutecisionnelles

Probleacutematique

Objectif

Prescription

Opeacuteration

Pα (Alpha)

Seacutelectionner un sous ensemble aussi restreint

que possible de A contenant les meilleures

actions

Sous ensemble Arsquo subA

Pβ (Beta)

Affecter chaque action de A agrave une et une seule

des cateacutegories deacutefinies selon de normes

preacuteeacutetablies

Partition de A

Pγ (Gamma)

Ordonner les actions de A de la moins bonne agrave

la mauvaise

Ordre partiel sur A

Rangement

P (Omega)

Deacutecrire les actions et leurs conseacutequences

Ordre partiel sur A

Description

Notons que plusieurs auteurs ne retiennent pas la probleacutematique de description eacutetant donneacute

qursquoil nrsquoexiste pas de meacutethodes particuliegraveres pour cette probleacutematique [Schaumlrlig 85]

323 Lrsquoanalyse multicritegraveres drsquoun problegraveme deacutecisionnel

3231 La formulation multicritegraveres drsquoun problegraveme deacutecisionnel de choix

Un problegraveme deacutecisionnel est la deacutefinition drsquoune situation agrave analyser qui demande une aide agrave la

deacutecision Cette situation probleacutematique est deacutecrite agrave lrsquoaide drsquoattributs qui sont les lrsquoobjet de la

deacutecision et les diffeacuterents critegraveres utiliseacutes pour une eacutevaluation de la future aide agrave la deacutecision

(solution) Pour cela le deacutecideur utilisera diffeacuterentes actions (solutions possibles) des

critegraveres et des pondeacuterations pour ces derniers De ce fait un problegraveme multicritegraveres sera

deacutefini comme suit

Problegraveme Deacutecisionnel Multicritegraveres (Ap Ck Wt )

Ougrave A = a1 a2 an lrsquoensemble des actions potentielles (ou alternatives)

C = c1 c2 cm les critegraveres deacutevaluation (cj (ai)=eacutevaluation de ai selon le critegravere cj)

W = w1 w2 wk les poids des critegraveres

Ce problegraveme deacutecisionnel multicritegraveres sera repreacutesenteacute par une matrice de jugement qui

permettra de repreacutesenter lrsquoeacutevaluation quantitative ou qualitative des diffeacuterents critegraveres qui

entreront dans la recherche de la solution aide agrave la deacutecision

324 La deacutemarche multicritegraveres drsquoun problegraveme deacutecisionnel

Diffeacuterentes deacutemarches existent pour conduire une situation de deacutecision multicritegraveres Chaque

deacutemarche met lrsquoaccent sur certains aspects aux deacutepends drsquoautres et par conseacutequent chacune

aura ses avantages et ses inconveacutenients [Laaribi 00 Chakhar 06] Deux importantes eacutecoles

portent leur regard sur lrsquoaide multicritegraveres agrave la deacutecision

- lrsquoeacutecole ameacutericaine baseacutee sur lrsquoapproche top‐down (du haut vers le bas) agrave partir des

objectifs qursquoil deacutefinit [Keeney et Raiffa 93]

- lrsquoeacutecole franccedilaise baseacutee sur lrsquoapproche bottom-up (du laquo bas vers le hautraquo) agrave partir des

conseacutequences qursquoils preacuteconisent [Roy 85 Roy et Vanderpooteen 96]

La deacutemarche de Keeney et Raiffa consiste agrave construire une structure hieacuterarchique ayant agrave son

premier niveau lrsquoobjectif global qui est eacuteclateacute en sous-objectifs qui agrave leur tour sont

eacuteclateacutes en sous-sous-objectifs jusqursquoagrave ce qursquoil soit atteint un niveau mesurable qualifieacute

drsquoattributs [Keeney et Raiffa 93] Quant agrave lrsquoapproche de Roy bottom-up il identifie toutes

les conseacutequences pouvant reacutesulter de la mise en œuvre des actions que lrsquoon structure en

dimensions puis en axes de signification autour desquels sont construits les critegraveres [Roy 85]

Chakhar preacutecise que laquo Les meacutethodes drsquoaide agrave la deacutecision deacuteveloppeacutees selon la premiegravere

approche sont tregraves diffeacuterentes de celles deacuteveloppeacutees selon la deuxiegraveme approche mais elles

ne srsquoopposent pas car elles srsquoappliquent agrave des problegravemes diffeacuterents Elles sont donc plutocirct

compleacutementaires raquo [Chakhar 06] Drsquoapregraves Vansnick laquo les deux eacutecoles se basent sur le mecircme

modegravele de deacutecision pour lrsquoapplication de leurs meacutethodes raquo [Vansnick 90]

Les problegravemes de deacutecision multicritegraveres opegraverent habituellement en 3 phases [Ham 08

Maystre et al 94] Ben Mena note que les deux premiegraveres sont communes pour toutes les

meacutethodes multicritegraveres agrave lrsquoinverse des deux derniegraveres qui deacutependent de la meacutethode choisie Il

propose la deacutemarche suivante [Ben Mena 00]

1 Creacuteation drsquoune liste drsquoactions potentielles

Au cours de cette eacutetape on eacutetablit une liste des actions potentielles qui vont rentrer en

concurrence Cette liste nest pas exhaustive et deacutefinitive Elle peut eacutevoluer tout au

long de leacutetude (suppression ou ajout drsquoactions)

2 Modeacuteliser les preacutefeacuterences du deacutecideur (Creacuteation drsquoune matrice de performance)

- Creacuteation drsquoune liste de critegraveres agrave prendre en consideacuteration

Il srsquoagit drsquoeacutelaborer la liste des critegraveres agrave prendre en consideacuteration Un critegravere

peut ecirctre plus important qursquoun autre Cette importance relative est exprimeacutee par

un poids

- Evaluer les actions selon les critegraveres et creacuteation de la matrice de performance

Nrsquoimporte quelle meacutethode multicritegraveres agit sur la matrice des performances Il

srsquoagit de juger chaque action par rapport agrave chacun des critegraveres crsquoest la matrice

de performances Il est de dimension (ntimesm) qui pour chaque action A1 de

lrsquoensemble des actions A on fait correspondre un vecteur G = (G1 (A1) G2

(A1)hellip Gn(A1)) Ces valeurs numeacuteriques sont souvent appeleacutees performances

Deux ensembles sont consideacutereacutes le premier A est celui des actions le second C

est celui des critegraveres

A = A1 A2 A3hellip An C = C1 C2 C3hellip Cm

avec n le nombre des actions et m le nombre des critegraveres Sij deacutesigne la

performance ou lrsquoeacutevaluation de lrsquoaction Ai par rapport au critegravere Cj

3 Agreacutegation des preacutefeacuterences

Pour deacutefinir une solution (action) qui fait eacutemerger une preacutefeacuterence commune (qui jouit

globalement des meilleures eacutevaluations) les jugements doivent ecirctre agreacutegeacutes crsquoest ce

qursquoon appelle lrsquoagreacutegation des preacutefeacuterences qui consiste en laquo une opeacuteration permettant

drsquoobtenir des informations sur la preacutefeacuterence globale entre les actions potentielles agrave

partir drsquoinformations sur les preacutefeacuterences par critegraveres raquo [Maystre et al 94]

Les meacutethodes multicritegraveres diffegraverent selon leurs faccedilons de traiter cette derniegravere eacutetape Les trois

premiegraveres eacutetapes sont pratiquement communes agrave toutes les meacutethodes La diffeacuterence entre

elles se trouve fondamentalement dans la faccedilon de reacutealiser les deux derniegraveres eacutetapes relatives

agrave lrsquoeacutevaluation et agrave lrsquoagreacutegation crsquoest-agrave-dire dans la faccedilon drsquoeacutevaluer chacune des solutions en

fonction des critegraveres retenus

Figure 31 Les eacutetapes drsquoune meacutethode multicritegraveres [Nafi et Werey 10]

3241 Lrsquoagreacutegation

Il srsquoagit drsquoeacutetablir un modegravele des preacutefeacuterences globales crsquoest-agrave-dire une repreacutesentation

formalisant de telles preacutefeacuterences relativement agrave un ensemble A drsquoactions potentielles que

lrsquohomme drsquoeacutetude juge approprieacute au problegraveme drsquoaide agrave la deacutecision [Ben Mena 00]

De ce fait un problegraveme multicritegraveres va manipuler un ensemble noteacute A 119938l 1199382hellip 119938n ougrave ai

est lrsquoaction i Les actions sont eacutevalueacutees et compareacutees sur la base dun ensemble des critegraveres

deacutevaluation g1 g2hellip gm Leacutevaluation dune action 119938 selon un critegravere gj est noteacutee gj (119938)

Ainsi pour deacutefinir une solution (action) qui fait eacutemerger une preacutefeacuterence commune (qui jouit

globalement des meilleures eacutevaluations) les jugements ou eacutevaluations partielles (ie par

rapport agrave chaque critegravere) doivent ecirctre agreacutegeacutes en une eacutevaluation globale en utilisant un

meacutecanisme dagreacutegation approprieacute Cette agreacutegation consiste agrave utiliser un meacutecanisme

matheacutematique drsquoagreacutegation pour combiner les diffeacuterentes eacutevaluations partielles (ie par

rapport agrave chaque critegravere) en une eacutevaluation globale (ie qui tient compte de tous les critegraveres)

Les proceacutedures drsquoagreacutegation sont en quelque sorte la caracteacuteristique principale des meacutethodes

multicritegraveres Les meacutethodes multicritegraveres diffegraverent selon leurs faccedilons de traiter cette opeacuteration

(agreacutegation)

Objet de la deacutecision

Action ou alternative

Construction

des critegraveres

Choix drsquoune meacutethode drsquoaide agrave la deacutecision

Deacutefinir le tableau

de performances

Deacuteterminations des

poids et seuils

Choix drsquoune meacutethode drsquoagreacutegation

Recommandations et

aide agrave la deacutecision

Formulation du

problegraveme

Environnement Contexte Acteurs

3242 Les meacutethodes dagreacutegation selon lapproche du critegravere unique de synthegravese

Roy ainsi que Maystre et al lappellent approche du critegravere unique de synthegravese eacutevacuant

toute incomparabiliteacute [Roy 85 Maystre et al 94] Vincke nomme cette approche theacuteorie

de lutiliteacute multicritegraveres [Vincke 89] drsquoautres les deacutesignent sous lrsquoappellation meacutethodes

dagreacutegation complegravete Cette approche est la plus classique Scharlig note que ces meacutethodes

peuvent saveacuterer les seules utilisables en pratique [Scharlig 85] On cherche agrave agreacuteger les n

critegraveres afin de les reacuteduire en un critegravere unique et obtenir une fonction agrave critegravere unique qui

syntheacutetise lrsquoensemble des critegraveres ceci implique que les critegraveres soient tous mesurables On

suppose aussi que les jugements sont transitifs exemple a S b b S c alors a S c

On trouve alors les principales meacutethodes la somme pondeacutereacutee la moyenne pondeacutereacutee

combinaison lineacuteaire pondeacutereacutee (WLC Weighted Lineair Combination) AHP (Analytical

Hierarchy Process) de Saaty moyenne par pondeacuteration controcircleacutee (OWA Ordred Weighted

Averaging) goal programming utiliteacutes additives (UTA) analytic hierarchy process (AHP) et

multi attribute utility theory (MAUT)

3243 Les meacutethodes interactives selon lapproche du jugement local interactif

Elles sont appeleacutees meacutethodes dagreacutegation locale interactive avec iteacuterations essai-erreur

Ces meacutethodes reposent sur on interaction reacutegissant lrsquoenchainement drsquoeacutetapes de dialogues et de

traitement permettant de cheminer a travers des essais et erreurs et sur la base de jugement

local vers des eacuteleacutements de solutions On compare alors les actions deux agrave deux et on veacuterifie

si selon certaines conditions preacuteeacutetablies lune des deux actions surclasse lautre ou pas et agrave

partir de toutes ces comparaisons on tente ensuite de reacutealiser une synthegravese et eacutelaborer une

proposition de quelques alternatives puis reprise de lanalyse en boucle Parmi ces meacutethodes

on a la programmation lineacuteaire multiple et UTA interactive

3244 Les meacutethodes de surclassement selon lapproche du surclassement de synthegravese

Les meacutethodes appartenant agrave cette approche dinspiration franccedilaise sont appeleacutees eacutegalement

les meacutethodes dagreacutegation partielle Selon Roy ces meacutethodes acceptent lincomparabiliteacute

entre les diffeacuterentes actions lorsque lrsquoaffirmation drsquoune preacutefeacuterence ou drsquoune indiffeacuterence

srsquoavegravere ecirctre insuffisamment justifieacutee (notion de preacutefeacuterence) Ce type de meacutethodes sapplique

aux cas ougrave lensemble des actions est fini On cherche agrave comparer des actions par couple et agrave

eacutetablir des relations de surclassement entre ces eacuteleacutements sur la base drsquoun indice de

surclassement Electre Promeacutetheacutee Oreste Macbeth sont les meacutethodes les plus connues dans

cette cateacutegorie

325 Les principales meacutethodes multicritegraveres

Les meacutethodes danalyse multicritegravere sont souvent classeacutees sur la base de lensemble des

actions A en deux cateacutegories meacutethodes discregravetes et meacutethodes continues Roy a regroupeacute ces

derniegraveres dans trois cateacutegories principales repreacutesentant chacune drsquoelles une approche

diffeacuterente [Roy 85] Ces cateacutegories sont preacutesenteacutees ci-dessous (figure 32) De nombreuses

meacutethodes ont vu le jour depuis la typologie preacutesenteacutee par Roy mais celle-ci demeure

pertinente et ces meacutethodes peuvent ecirctre associeacutees aux cateacutegories proposeacutees [Figueira et al

05 Figueira et al 16]

Figure 32 Les meacutethodes drsquoagreacutegation

3251 Les meacutethodes PROMETHEE

Promeacutetheacutee a eacuteteacute proposeacutee pour la premiegravere fois en 1982 par Brans [Brans 82] Le principe de

la meacutethode Promeacutetheacutee consiste agrave eacutetablir un processus de comparaison numeacuterique de chaque

action par rapport agrave toutes les autres actions Le reacutesultat de cette comparaison permet le

classement ordonneacute des actions [Brans et al 84] Dans cette meacutethode deux traitements

matheacutematiques particuliers sont proposeacutes le premier permet de ranger les actions en un preacute-

ordre partiel et qui megravene agrave lincomparabiliteacute (meacutethode Promeacutetheacutee I) le second permet de

ranger les actions potentielles selon un preacute-ordre total (Promeacutetheacutee II)

Approche nord-ameacutericaine Approche francophone

Locale

Les meacutethodes drsquoagreacutegation

critegravere unique de

synthegravese ou

- Agreacutegation complegravete

(Maystre)

- Reacutesultat Classement

Meacutethodes interactives ou

- jugement local interactif

- Reacutesultat Une seule action

Meacutethodes de

Surclassement ou

- Agreacutegation partielle

(Schaumlrlig )

- Reacutesultat Relation de

surclassement

ELECTRE

PROMETHEE

MELCHIOR

hellip

Meacutethode des points de

reacutefeacuterence

TOPSIS Somme ou moyenne pondeacutereacutees Weight Product Method

(WPM) Goal programming Deacuteclassement compareacute Meacutethodes politiques (vote) Analytic Hierarchy Process

(AHP) Theacuteorie de lrsquoutiliteacute multi-attribut

(Multi-Attribute Utility Theory

MAUT) Meacutethodes drsquoutiliteacute additives

Table 36 Les meacutethodes PROMETHEE

Meacutethode

Principe

PROMETHEE I

La meacutethode peut ecirctre appliqueacutee agrave nrsquoimporte quel ensemble de variantes deacutenombrable

A et commence par calculer les diffeacuterences entre chaque paire drsquoalternatives par

rapport agrave chaque critegravere Une fonction de preacutefeacuterence est ensuite appliqueacutee agrave

lrsquoensemble de ces diffeacuterences afin de les convertir en degreacutes de preacutefeacuterence qui

prennent des valeurs entre 0 et 1

Une valeur de 0 signifie que le deacutecideur ne considegravere pas la diffeacuterence entre les deux

alternatives pour ecirctre significative et une valeur de 1 signifie que la diffeacuterence est

assez forte pour le deacutecideur afin de preacutefeacuterer la meilleure alternative Enfin la

meacutethode agregravege ces degreacutes de preacutefeacuterence pour chaque solution alternative afin de

deacutefinir soit un score par critegravere (appeleacute flux net uni critegravere) soit un score global

(appeleacute le flux net) PROMETHEE I donne un classement partiel des actions

PROMETHEE II

On utilisera Promeacutetheacutee II si on souhaite disposer dun rangement complet de toutes

les actions Ce rangement est obtenu en rangeant les actions dans lordre deacutecroissant

des Ф (actions) PROMETHEE II donne un classement total des Actions

PROMETHEE III

PROMETHEE III est une extension de PROMETHEE II dans laquelle la notion

dindiffeacuterence est amplifieacutee En effet le preacuteordre complet PROMETHEE II laisse

relativement peu de place aux indiffeacuterences eacutetant donneacute quelles reacutesultent deacutegaliteacutes

entre les flux nets des actions Le plus souvent PROMETHEE fournit un ordre

complet sur lensemble des actions sans aucune indiffeacuterence

PROMETHEE IV

Dans certains cas le problegraveme poseacute nest pas de seacutelectionner une action particuliegravere

ou de ranger lensemble des actions de la meilleure agrave la moins bonne mais au

contraire de seacutelectionner un sous-ensemble dactions La probleacutematique est dun type

plus complexe noteacute Pα An Elle consiste agrave choisir A actions parmi n le nombre A

eacutetant fixeacute agrave lavance ou agrave deacuteterminer selon les cas Dans PROMETHEE VI il est

aussi proposeacute au deacutecideur de fixer des intervalles dans lesquels les poids peuvent

varier

3252 Les meacutethodes ELECTRE

Electre est une famille de meacutethodes conccedilues par Roy Elles se basent sur les mecircmes concepts

fondamentaux de lrsquoanalyse multicritegraveres mais diffegraverent dans leurs fonctionnements ainsi que

dans le type de la probleacutematique traiteacutee On trouve alors les notions de sur-classement ainsi

que les notions de concordance et de discordance Dans ce qui suit nous survolons les

diffeacuterentes meacutethodes de la famille Electre agrave savoir Electre I Electre II Electre III Electre

IV Electre Is Electre Tri [Roy et Boyssou 93]

Table 37 Les meacutethodes ELECTRE

Meacutethode

Principe

Electre I

Cette meacutethode permet de reacutesoudre les problegravemes multicritegraveres de choix Elle permet

drsquoidentifier le sous-ensemble drsquoactions offrant le meilleur compromis possible on

vise eacutegalement agrave retenir la meilleure deacutecision ou solution Souvent utiliseacutee dans le

choix de solution ou de deacutecision concurrentes afin drsquoidentifier le sous ensemble de

solution le plus performant sur la base des critegraveres consideacutereacutes

Electre II

Cette meacutethode relegraveve de la probleacutematique deacutecisionnelle γ (proceacutedure de classement) Il sagit donc dessayer de classer toutes les actions de la meilleure jusquagrave la

moins bonne Lapproche utiliseacutee reste toujours la mecircme elle est fondeacutee sur la

concordance et la discordance

Electre III

La meacutethode Electre III relegraveve de la probleacutematique deacutecisionnelle γ (proceacutedure de classement) son but est de classer les actions potentielles depuis les meilleures

jusquaux moins bonnes Pour se faire Electre III traite une matrice drsquoeacutevaluation

contenant des actions et des pseudos critegraveres Les traitements de surclassement munis

sur cette matrice permettront drsquoeacutetablir un preacute-ordre final partiel

Electre IV

Cette meacutethode relegraveve aussi de la probleacutematique deacutecisionnelle γ (proceacutedure de classement) teacutemoigne dune sophistication de plus en plus pousseacutee Par rapport agrave

cette meacutethode il ny a plus de poids attribueacute agrave chaque critegravere et lrsquoabandon de

lhypothegravese de sur-classement qui rend inutiles les notions de concordance et de

discordance

Electre TRI

Cette meacutethode relegraveve de la probleacutematique β (proceacutedure daffectation) pose le

problegraveme en termes dattribution de chaque action agrave une cateacutegorie preacutedeacutefinie Ainsi

des actions de reacutefeacuterence sont utiliseacutees pour segmenter lespace des critegraveres en

cateacutegories Cette une meacutethode inteacuteressante dans la mesure ougrave elle permet une

comparaison diffeacuterente des actions potentielles non plus entre elles mais par rapport

agrave une action de reacutefeacuterence

Electre IS

Elle relegraveve aussi de la probleacutematique deacutecisionnelle α crsquoest une adaptation drsquoElectre I

agrave la logique floue permettant dutiliser des pseudo-critegraveres Pour choisir la

meilleure action potentielle une partition des actions potentielles A en deux sous-

ensembles doit ecirctre reacutealiseacutee comme dans Electre I cest dans le noyau (sous-

ensemble des actions non-surclasseacutes) que se trouve la meilleure action La

construction de ces partitions neacutecessite lrsquoutilisation de la relation de sur-classement

326 Le choix de meacutethodes multicritegraveres

Cette eacutetape deacutepend de la nature du problegraveme poseacute Plusieurs meacutethodes ont eacuteteacute deacuteveloppeacutees la

table 38 identifie certaines meacutethodes en fonction de la probleacutematique eacutetudieacutee

Table 38 Choix de la meacutethode multicritegraveres [Nafi et Werey 10 Rogers et al 00]

Critegraveres

Probleacutematique Meacutethode multicritegraveres

Vrai critegravere

Electre I

Electre II

Pseudo critegravere

Electre IS

Electre Tri

Electre III IV

33 Synthegravese de lrsquoutilisation de lrsquoAMC pour lrsquoaide agrave la deacutecision

meacutedicale

Lanalyse multicritegraveres a contribueacute agrave reacutesoudre certaines limites du RBC Ainsi de

nombreuses eacutetudes ont eacuteteacute meneacutees dans ce sens On a essayeacute drsquoameacuteliorer lapproche

traditionnelle du RBC pour ameacuteliorer les systegravemes daide agrave la deacutecision par diverses meacutethodes

Nous citons quelques travaux

331 Utilisation des meacutethodes du critegravere unique de synthegravese

Malekpoor et al ont proposeacute une approche TOPSIS-RBC Initialement le RBC est utiliseacute

pour extraire les cas pertinents de la base de donneacutees Par la suite les cas infeacutereacutes sont eacutevalueacutes

en utilisant TOPSIS (technique de preacutefeacuterence de commande par similariteacute avec la solution

ideacuteale une technique de prise de deacutecision multicritegraveres) pour prescrire un plan de dose

optimal Cette meacutethode aidera les oncologues agrave faire un meilleur compromis entre les mesures

de similariteacute le taux de reacuteussite et les effets secondaires du traitement [Malekpoor et al 16]

Bouhana et al ont utiliseacute une combinaison du RBC et AHP pour la recherche ditineacuteraire

[Bouhana et al 11]

332 Utilisation des meacutethodes de surclassement

traite de lopeacuteration Remeacutemoration en utilisant le concept de deacutecisions multicritegraveres dans la

proposent dutiliser lacquisition des connaissances comme base pour la recherche de solutions

agrave partir daides agrave la deacutecision multicritegraveres non compensatoires [Armaghan et Renaud 12] Li

et Sun ont combineacute le RBC et AMC pour ameacuteliorer un processus de fouille de donneacutees pour

la deacutetection de la maladie [Li et Sun 09] Erjaee et al ont proposeacute une meacutethode speacutecifique

baseacutee sur des critegraveres multiples pour proposer une deacutecision pour un traitement efficace contre

linfection Helicobacter pylori chez les enfants [Erjaee et al 12]

34 Les limites de lrsquointeacutegration RBC-AMC

Lrsquointeacutegration RBC-AMC a eacuteteacute largement eacutetudieacutee en meacutedecine Cependant cette inteacutegration

a montreacute quelques lacunes Parmi lesquelles nous notons [Moreno 15]

- Leacutevolution constante des connaissances en santeacute

- les difficulteacutes dinteropeacuterabiliteacute au sein des systegravemes dinformation meacutedicaux

- Concentration de lrsquoapproche agrave reacutesoudre agrave lrsquoaspect recherche du RBC En effet les

eacutetudes se sont atteler agrave toucher lrsquoaspect recherche de cas en se concentrant sur la

description du cas pour essayer de reacutesoudre une lacune RBC

- Parfois une translation amoindri du cas meacutedical en problegraveme AMC ou drsquoautres aspect

lis agrave lrsquoAMC sont neacutegligeacutes tels que la pondeacuteration des critegraveres qui est parfois lieacutee aux

attributs mecircme du cas

- La jonction RBC-AMC nrsquoest bien prise en charge convenablement faisant parfois deux

processus successifs et non inteacutegreacutes

35 Conclusion

Deacutecider drsquoun traitement meacutedical adopter un reacutegime lors drsquoune infection ou diagnostiquer

une maladie ont eacuteteacute des sujets parmi tant drsquoautres largement traiteacutes en aide agrave la deacutecision par

RBC Avec lrsquointroduction de lrsquoapproche multicritegraveres ceci a faciliteacute plus ou moins la

reacutesolution de certaines probleacutematiques lieacutees agrave la remeacutemoration de cas similaires Neacuteanmoins

lrsquoutilisation de cette approche par combinaison du RBC et de lrsquoAMC reste tributaire drsquoune

bonne translation du cas meacutedical en problegraveme multicritegraveres sans cette opeacuteration de translation

deacutefinition lrsquoaspect multicritegraveres ne donnera pas les reacutesultats escompteacutes La plupart des

hybridations se sont inteacuteresseacutees agrave reacutesoudre les lacunes du RBC sans pour autant se concentrer

sur la qualiteacute des reacutesultats obtenus Il semble que dautres facteurs entrent en jeux tels que la

pondeacuteration qui est aussi une autre probleacutematique au niveau AMC Ces facteurs peuvent en

effet affecter la deacutecision finale du systegraveme agrave lrsquoeacutetude

Afin deacutevaluer les reacutesultats dans cette approche RBC-AMC le modegravele de prise de deacutecision

doit ecirctre adapteacute non seulement pour reacutesoudre les lacunes du RBC mais tenir aussi compte des

contraintes de lrsquoAMC La jonction RBC-AMC doit ecirctre bien prise en charge pour tenir

compte simultaneacutement des exigences respectives au RBC et agrave lrsquoAMC

Chapitre 4

Proposition de systegravemes

drsquoaide agrave la deacutecision inteacutegreacutes

Chapitre 4

Proposition de systegravemes drsquoaide agrave la

deacutecision inteacutegreacutes

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

41 Introduction

e preacutesent travail de recherche a pour objectif dadopter une meacutethodologie pour Lrsquointeacutegration du RBC et une autre meacutethode de raisonnement que nous appellerons dans notre eacutetude le Raisonneur Lapproche dinteacutegration est utiliseacutee pour soutenir

le processus de raisonnement du RBC particuliegraverement dans la phase recherche de situations similaires (remeacutemoration)

Nous explorons une nouvelle approche qui utilise lrsquointeacutegration RBC-Raisonneur pour proposer une strateacutegie de remeacutemoration qui permet au final de choisir la meilleure solution agrave partir dun ensemble de situations deacutejagrave reacutesolues Cette approche contribuera agrave remeacutedier certains inconveacutenients lieacutes au fait de trouver plusieurs cas similaires et par conseacutequent plusieurs solutions plus ou moins acceptables Nous utilisons un modegravele deacutecisionnel baseacute sur lrsquoideacutee drsquointeacutegration de deux modes de raisonnements qui peuvent ecirctre compleacutementaires Ainsi et avant de deacutetailler notre approche nous ferrons remarquer que nous utiliserons les notions citeacutees au chapitre 1 (131) ayant trait agrave la deacutecision meacutedicale

42 Approche drsquoaide agrave la deacutecision inteacutegreacutee proposeacutee

421 Formalisation du problegraveme meacutedical

Dans une eacutetude preacuteceacutedente [Mansoul et Atmani 16] nous avons deacutefini la situation meacutedicale ougrave habituellement le meacutedecin est en consultation drsquoun patient et devra explorer le diagnostic possible pour prescrire la meilleure theacuterapie

Guideacutes par cette deacutefinition et par les notions que nous avons mises en avant agrave savoir le

raisonnement clinique et la deacutecision en situation (131) La situation meacutedicale que nous preacuteconisons est deacutecrite par le deacutecideur (meacutedecin) devant le diagnostic dune situation et il devra explorer les solutions possibles (diagnostic) pour choisir la meilleure theacuterapie La situation meacutedicale est donc caracteacuteriseacutee par une deacutefinition du problegraveme plus ou moins complegravete une eacutetude exhaustive des diagnosticstheacuterapies possibles et lexistence de preacutefeacuterences individuelles pour chaque diagnostictheacuterapie En plus de lexistence de signes speacutecifiques pour chaque patient par exemple laquopatient acircgeacuteraquo laquoallergie agrave la peacutenicillineraquo etc

Ces signes speacutecifiques vont orienter ou indiquer une theacuterapie souhaiteacutee (par exemple un patient acircgeacute peut ecirctre moins capable de suivre un reacutegime saleacute) En outre il est bien reconnu aujourdhui que les deacutecisions de diagnostic lieacutees agrave chaque patient doivent tenir compte du contexte relatif deacutefini agrave travers les signes speacutecifiques Ainsi le meacutedecin deacutefinit une situation pathologique avec u symptocircmes cliniques et v signes speacutecifiques Du point de vue modeacutelisation la situation meacutedicale devient alors un problegraveme meacutedical deacutefini par des descripteurs et une solution laquodiagnostictheacuterapieraquo consideacutereacutee Pour formaliser cette situation meacutedicale nous utilisons la structure suivante

Situation Meacutedicale = Symptocircmes cliniques Signes Speacutecifiques DiagnosticTheacuterapie_Proposeacutee

Figure 41 La situation meacutedicale

422 Le Modegravele drsquoAide agrave la Deacutecision Meacutedicale Inteacutegreacute

Lrsquointeacutegration se base sur lrsquoideacutee de mutualisation des proceacutedures du RBC et du Raisonneur pour soutenir le RBC dans sa tacircche de recherche de situations similaires ou proches de la situation deacutecisionnelle courante Sur le plan opeacuterationnel de cette inteacutegration RBC-

Raisonneur le raisonneur lui est assigneacute la tacircche principale de laquo reacuteduction de lrsquoensemble des cas eacuteligibles agrave la bonne solution pour faire aboutir la solutionraquo Autrement chaque raisonneur integravegre ses propres fonctionnaliteacutes ses propres donneacutes par rapport agrave la situation meacutedicale et sa propre interface pour communiquer avec lrsquoutilisateur laquo meacutedecin raquo Lrsquointeacutegration entre eux est effectueacutee par un bloc faisant office de pont Celui-ci permet lrsquoeacutechange des donneacutees sous une forme qui convient aux deux parties RBC et Raisonneur qui vont coopeacuterer lors de la recherche de la meilleure solution (DiagnosticTheacuterapie) (figure 42)

Notre deacutemarche repose sur lapplication drsquoune strateacutegie drsquointeacutegration pour reacutealiser une meilleure aide agrave la deacutecision Pour cela nous avons suivi la deacutemarche ci-dessous

- deacutefinir la situation meacutedicale

- initier le RBC

- faire appel au Raisonneur pour guider la recherche de solution et eacutechanger les donneacutees avec le celui-ci

- proposer une solution

- si la solution est accepteacutee il ya meacutemorisation de la nouvelle situation meacutedicale avec sa solution pour une utilisation ulteacuterieure sinon le deacutecideur pourra revenir agrave une eacutetape anteacuterieure pour reacuteviser sa situation meacutedicale ou revoir une eacutetape particuliegravere de la preacutesente deacutemarche

Lrsquoaspect interactiviteacute est assureacute agrave travers le dialogue entre lrsquoutilisateur et le systegraveme dans reacutealisation des tacircches suivantes

- la deacutefinition de la situation meacutedicale

- la modification des donneacutees entreacutees suite agrave des reacutevisions de la situation meacutedicale

Situation Meacutedicale v

signes speacutecifiques

Signe-speacutecifique1 hellip

Signe-speacutecifiquev

u symptoms cliniques

Symptocircme_Clinique1

hellip Symptocircme_Cliniqueu

DiagnosticTheacuterapie_Proposeacute

- lrsquoeacutelaboration du cas meacutedical pour lrsquoaspect RBC

- lrsquointeraction avec le raisonneur agrave travers la deacutefinition du problegraveme meacutedical

- le parameacutetrage et le choix des proceacutedures adeacutequates aux traitements envisageacutes

- lrsquoeacutevaluation et la validation des reacutesultats des traitements avant leur adoption finale

Cette deacutemarche de reacutesolution suivra le Modegravele drsquoAide agrave la Deacutecision Meacutedicale Inteacutegreacute ci-dessous

Figure 42 Modegravele drsquoAide agrave la Deacutecision Meacutedicale Inteacutegreacute

Inteacutegration

Interface

eacutetrag

e et cho

ix de p

roceacuted

Elaboration

Revision

Inteacutegration

Base de Cas

Raisonneur

Adaptation

Nouveau CAS Cs Ss Diagnostic

Theacuterapie _ Solution)

Cas_ Similaires

DiagnosticTheacuterapie_Solution

Recherche Raisonnem

ent agrave Base de C

Cs Ss Diagnostic Theacuterapie_

Solution=

Problegraveme Meacutedical C_symptocircme1=C_valeur1 hellip C_ symptocircme u=C_valeuru

S_speacutecifique1=S_valeur1 S_ speacutecifique v=S_valeurv

Situation meacutedicale [Symptocircmes Cliniques] [Signes Speacutecifiques] [DiagnosticTheacuterapie ]

Cs Ss Diagnostic Theacuterapie_ Proposeacute

4221 Elaboration du modegravele

Pour eacutetablir le modegravele permettant de fixer une strateacutegie de reacutesolution drsquoune situation meacutedicale nous devons deacutefinir quelques eacuteleacutements de base qui servent de support agrave cette situation afin de mieux la deacutecrire degraves le deacutepart et continuer le cheminement jusqursquoagrave atteindre le but celui de lrsquoeacutetablissement drsquoune aide agrave la deacutecision meacutedicale

4222 Deacutefinition de la situation meacutedicale

Cest la compreacutehension et la perception de la situation Le meacutedecin analyse le contexte de la situation et deacutefinit les objectifs de la deacutecision Ainsi le meacutedecin deacutefinit sa situation meacutedicale avec les symptocircmes cliniques (Cs) et les signes speacutecifiques (Ss) Ensuite il peut proposer un diagnostictheacuterapie possible (Diag Therapy_Pr) qui sera pris en compte comme avis meacutedical sur la situation en question et qui est baseacute sur lrsquoeacutevaluation personnelle du meacutedecin (deacutecideur) sans pour autant que cet avis meacutedical ne soit une solution agrave ce stade

En fait le reacutesultat de cette proceacutedure est exploiteacute par les deux axes du model deacutecisionnel le RBC et le Raisonneur Cette proceacutedure comprend donc la deacutefinition du nouveau cas pour la partie RBC et la deacutefinition du problegraveme meacutedical pour le raisonneur

Table 41 Structure de la situation meacutedicale

Medical_Situation

Clinical_symptom [C_Symptom1=C_value1 ] hellip [C_ Symptomu=C_valueu] End_clinical_symptom Specific_Signs [S_Sign1=S_value1]

[S_ Sign v=S_valuev] End_ Specific_Signs DiagnosticTherapy_Pr= End _Medical_case

4223 Le RBC

[a] Construction du cas

Crsquoest lrsquoeacutetape de construction du nouveau cas avec une solution (DiagnosticTheacuterapie_Solution) inexistante encore agrave cette eacutetape La situation meacutedicale megravenera agrave la deacutefinition formelle de la structure suivante pour sa prise en compte par le raisonneur

Table 42 Structure du Cas Meacutedical

Medical_case

[S_ Sign v=S_valuev] End_ Specific_Signs Diagnostic Therapy _Solution= End _Medical_case

[b] Remeacutemoration

Ce processus a une tacircche principale la recherche de similitude Cest la recherche des n cas les plus proches au cas proposeacute en utilisant une mesure de similariteacute Le processus seacutelectionnera les cas les plus proches ou similaires (Cas_Similaires) agrave partir de la base de cas Ces cas plus proches seront initialement consideacutereacutes les plus pertinents pour entamer le processus de recherche de la solution agrave la situation meacutedicale La meacutethode k-nn est utiliseacutee pour la simpliciteacute de sa mise en œuvre

[c] Adaptation

Apregraves la reacutecupeacuteration le systegraveme eacutevalue le degreacute de similitude des cas seacutelectionneacutes avec le cas courant Le degreacute de similitude deacutetermine si une adaptation est neacutecessaire ou si la solution est utiliseacutee telle qursquoelle est Enfin il y a proposition drsquoune solution sur la base des cas reacutecupeacutereacutes

[d] Reacutevision

Lrsquoutilisateur commence par reacuteviser la solution reacutecupeacutereacutee pour refleacuteter les diffeacuterences entre le nouveau cas et le(s) cas reacutecupeacutereacute(s) En fin de compte la (les) solution(s) du (des) cas est adapteacutee pour devenir une solution du problegraveme actuel agrave valider par le meacutedecin

[e] Meacutemorisation

Lorsquune solution (DiagnosticTheacuterapie_Solution) pour le nouveau problegraveme est trouveacutee une nouvelle expeacuterience est faite Le meacutedecin est inviteacute agrave conserver le nouveau cas sil le souhaite avec sa solution Ceci augmentera alors lrsquoexpeacuterience de reacutesolution dautres situations par le processus

423 Le raisonneur

[a] Etape information

Crsquoest la deacutefinition du problegraveme meacutedical pour la partie Raisonneur Plusieurs informations relatives aux symptocircmes peuvent intervenir dans lrsquoeacutevaluation par le meacutedecin Les donneacutees et eacutevaluations reacutecolteacutees sur la situation meacutedicale seront inteacutegreacutees dans le systegraveme pour creacuteer le problegraveme meacutedical Ensuite il y a eacutevaluation par le deacutecideur des diffeacuterents paramegravetres du problegraveme intervenants dans les traitements (Etape b) en fonction de la proceacutedure adopteacutee par le raisonneur

Table 43 Le problegraveme meacutedical (Structure) Problegraveme Meacutedical

C_symptocircme1=C_valeur1 hellip C_ symptocircme u=C_valeuru

[b] Etape traitement

Le raisonneur entamera ses opeacuterations pour faire aboutir la solution Principalement il y aura les opeacuterations suivantes

1 lancement de la proceacutedure approprieacutee (meacutethode multicritegraveres)

2 proposition drsquoune solution (s)

3 reacutevision (si possible) de la solution

43 Proposition drsquoun Systegraveme drsquoAide agrave la Deacutecision Inteacutegreacute

RBC-FDD

Dans cette section nous expeacuterimentons une nouvelle meacutethode en utilisant la collaboration entre le RBC et la FDD pour proposer une strateacutegie qui aide la tacircche de recherche de la meilleure solution agrave travers une meacutethode de fouille de donneacutees le groupement (Clustering)

431 Le problegraveme meacutedical consideacutereacute Diagnostic des maladies de la colonne verteacutebrale

Nous nous proposons drsquoutiliser un ensemble de donneacutees meacutedicales se rapportant aux maladies de la colonne verteacutebrale de patients orthopeacutediques nous projetons dutiliser la base de donneacutees Presumptive Diagnosis of Diseases of Orthopaedic Patients que nous nommerons

UCI_PDDOP1 En fait crsquoest un ensemble drsquoenregistrements de patients chez qui on a diagnostiqueacute des maladies orthopeacutediques Chaque patient est en effet enregistreacute avec ensemble de donneacutees sur six caracteacuteristiques biomeacutecaniques utiliseacutees pour classer les patients orthopeacutediques en 3 classes (Normal Hernia ou Spondilolysthese) Chaque patient est alors deacutecrit par six attributs biomeacutecaniques deacuteriveacutes de la forme et de lorientation du bassin et de la colonne lombaire dans lrsquoordre suivant incidence pelvienne inclinaison pelvienne angle de lordose lombaire pente sacrale rayon pelvien et degreacute de spondyloleacutesistance Tous ces attributs sont les caracteacuteristiques biomeacutecaniques des maladies orthopeacutediques La notation suivante est utiliseacutee pour les eacutetiquettes de classe H pour Hernia S pour Spondylolisthesis et N pour Normal

Figure 43 Echantillon2 de ldquoPresumptive Diagnosis of Diseases of Orthopaedic Patientsrdquo

Aux fins de notre expeacuterimentation nous avons transformeacute les attributs de laquoPresumptive Diagnosis of Diseases of Orthopaedic Patients Data Setraquo en descripteurs de la base de cas ougrave chaque cas (patient) est deacutecrit par les descripteurs X1 X2 X6 et nous associons le descripteur cible Y au diagnostic La table 44 preacutesente ces descripteurs

Table 44 Les descripteurs de la base de donneacutees [UCI_PDDOP]

1 UCI_PDDOP httparchiveicsuciedumldatasetsVertebral+Column 2 Chaque donneacutee eacuteleacutementaire est seacutepareacutee par une virgule

481092363814930724723556468278331785116612405645187947904861Hernia 743776777232053104387877201304423245733414356069055612590603Spondylolisthesis 896805673132704434878313073216569761324412995547649202727682Spondylolisthesis 52862213919410371613469880518143451842312309123951856659161Normal hellip

Descripteur

Descripteur biomeacutecanique

X1 pelvic incidence numeacuterique

X2 pelvic tilt numeacuterique

X3 lumbar lordosis angle numeacuterique

X4 sacral slope numeacuterique

X5 pelvic radius numeacuterique

X6 grade of spondylolisthesis numeacuterique

Y Diagnosis H (Hernia) S (Spondylolisthesis) N (Normal)

432 Inteacutegration RBC-FDD

La contribution de la fouille de donneacutees

Dans ce travail nous expeacuterimentons une nouvelle meacutethode en utilisant la collaboration entre RBC et lECD (fouille de donneacutees) pour proposer une strateacutegie pour la recherche de solution qui permet de choisir la meilleure solution agrave partir dun ensemble reacuteduit de solutions trouveacutees par fouille de donneacutees en lrsquooccurrence la meacutethode de groupement Clustering

433 Le modegravele drsquoaide agrave la deacutecision proposeacute

Donc pour rechercher une solution (diagnostic) nous devons suivre un modegravele deacutecisionnel pratique qui peut ecirctre facilement assimileacute agrave un modegravele deacutecisionnel meacutedical comme suit

- recueillir des informations sur la situation meacutedicale

- prendre en compte drsquoun diagnostic possible srsquoil est proposeacute par le deacutecideur (meacutedecin)

- deacutefinir les descripteurs les plus pertinents qui seront utiliseacutes par la FDD

- eacutevaluer la solution (Diagnostic_Pr) proposeacute

- reacuteviser (si possible) ou accepter la solution choisie

Figure 44 Le modegravele drsquoaide agrave la deacutecision meacutedicale RBC-FDD proposeacute

Situation meacutedicale

Base de Cas

Elaboration

Recherche de cas similaires

Meacutemorisation de la situation

meacutedicale

Nouveau

Recherche

Inteacutegration-FD

Validation de la Solution

Validation

eacutemorisation

Preacutetraitement

Fouille de donneacutees

Validation des motifs

Figure 45 Processus drsquoaide agrave la deacutecision meacutedicale Inteacutegreacute

SeacuteleacutectionPreacutetraitement

Clustring (k-means k)

Clus1 Clus2 hellip Clusk

Clus1 Clus2

hellip Clusk

Meilleur Cluster

Recherche de solution E

Interface

Elaboration

meacutedicale

Base de Cas

Nouveau

CAS ( Cs Ss Oslash)

Dignostics

Similaires

Situation meacutedicale Cs Ss DiagnosticTheacuterapie_Solution= Oslash DiagnosticTheacuterapie_Proposeacute

434 Le systegraveme RBCFDD proposeacute

Nous proposons un systegraveme interactif drsquoaide agrave la deacutecision meacutedicale deacutefini comme un processus complet qui comprend un ensemble deacuteleacutements et de routines pertinentes afin dassurer les fonctions principales du systegraveme et aider agrave prendre les deacutecisions approprieacutees Une description du systegraveme est illustreacutee par la figure 46 qui montre scheacutematiquement lrsquointeacutegration de tous les traitements de lacquisition dinformations sur la situation de deacutecision jusquagrave lrsquoaide agrave la deacutecision

Ce systegraveme sera supporteacute par un modegravele deacutecisionnel comme indiqueacute dans la figure suivante

Figure 46 Le systegraveme RBCFDD proposeacute

Cs Ss Pr_Diag Clinical symptoms Specific Signs Proposed Diagnosis Cls_Diags Best_ Diag Closest Diagnosis Best Diagnosis

NC (Cs Ss Oslash) New_Case (Clinical symptoms Specific Signs Diagnosis= Oslash )

NMC(Cs Ss Best_Diag) New Medical Case (Clinical symptoms Specific Signs Best_Diagnosis)

Remeacutemoration

Adaptation

Meacutemorisation

Reacutevision

Elaboration

Deacutefinition_Situation_Meacutedicale

(Cs Ss Pr_Diag)

Case Base

Production_Nouveau_ Cas

(Cs Ss Best_ Diag)

Cls_Diags

(Cs Ss Best_Diag)

NC (Cs Ss Oslash)

Best_ Diag

Groupement Clustering

(Cs Ss Pr_Diag)

Best Cluster

Weka jColibri

Evaluation

4341 La situation meacutedicale

Le meacutedecin distingue le contexte de la situation deacutefinit les objectifs de la deacutecision et propose srsquoil le souhaite un diagnostic possible qui sera pris en compte pour la preacutesente situation meacutedicale En fait cette proceacutedure est commune aux deux axes du processus deacutecisionnel le RBC et la FDD

4342 Le RBC

(i) Elaboration

Crsquoest la deacutefinition du nouveau cas Le meacutedecin deacutefinit sa situation meacutedicale avec les symptocircmes cliniques (Cs) et les signes speacutecifiques (Ss) Ces derniers vont contribuer agrave construire le nouveau cas NC (Cs Ss Oslash) avec une solution (diagnostic) inexistante agrave ce stade Compte tenu de notre contexte meacutedical (choix de la meacutethode de contraception) un cas meacutedical sera creacuteeacute et ayant structure suivante

Table 45 Le cas meacutedical orthopeacutedique constitueacute

Medical_Case

Clinical_Symptoms Pelvic_incidence=value1

Pelvic_tilt=value2

Lumbar_lordosis_angle=value3

Sacral_slope=value4

Pelvic_radius=value5

Grade_of_spondylolisthesis=value6

End Clinical_Symptoms Specific_Signs End_Specific_Signs Diagnosis= ldquo rdquo END_Medical_Case

(ii) Recherche

Ce processus a une tacircche principale la recherche de similitude Cest la recherche des n cas les plus proches au cas proposeacute en utilisant une mesure de similariteacute La similariteacute locale ne tient compte que des symptocircmes qui ont eacuteteacute veacuterifieacutes gracircce agrave la consultation faite par le meacutedecin Il les considegravere comme plus importants ou assez pertinents pour la deacutefinition de son cas Nous utilisons la meacutethode k-nn Le processus seacutelectionnera alors les cas les plus proches ou similaires (Best_Cluster) agrave partir de la base de cas

Ce meilleur groupe (cluster) sera consideacutereacute comme eacutetant lrsquoespace reacuteduit qui permettra de deacuteduire par la suite le meilleur diagnostic (Best_Diag) Ce cluster est finalement envoyeacute au RBC pour filtrage et proposition de la meilleure (Best_Diag) qui sera consideacutereacutee comme solution De ce fait le meacutedecin aura les charges suivantes

- attribution drsquoune valeur agrave k pour la meacutethode k-nn

- lancement du processus RBC qui sera pris en charge par le pseudo algorithme qui suit

Pseudo Algorithme RBC

1 Input Cls_Diag larr empty 2 NC (CS SS Oslash) 3 Initialize k 4 Retrieve(NC Closest_Cases) using k-nn 5 If Closest_CasesneOslash then

For each Current_Case in Closest_Cases For i=1 to n

Cls_Diag larr Cls_Diag cup Current_Case (Casei Diagi) Endfor Endfor Else

Cls_Diag larr Oslash EndIf

6 RECEIVE(Cls_Diag) 7 Reuse(Best_Diag) 8 Revise(Best_Diag) 9 Retain(Best_Diag result) 10 If result = ldquoyesrdquo Then NMC(CS SS Best_Diag)= PNMC (CS SS Best_Diag)

Else NCM(Oslash Oslash Oslash) Endif

11 Output NMC(CS SS Diag)

Cls_DiagsClosest Diagnostics PNMCProduction_Nouveau_Cas_Medical NMC New_Medical_Case NC New_Case

(iii) Adaptation

Apregraves la reacutecupeacuteration le systegraveme eacutevalue le degreacute de similitude des cas seacutelectionneacutes avec le cas courant Le degreacute de similitude deacutetermine si une adaptation est neacutecessaire ou si la solution reacutecupeacutereacutee peut ecirctre reacuteutiliseacutee directement Ce processus dadaptation est fait pour mieux adapter le cas cible Enfin il propose une solution agrave partir des cas reacutecupeacutereacutes

(iv) Reacutevision

Il commence par adapter la (s) solution (s) reacutecupeacutereacutee (s) pour refleacuteter les diffeacuterences entre le nouveau cas et le (s) cas (s) reacutecupeacutereacute (s) En fin de compte la (les) solution (s) du (des) cas est adapteacutee pour devenir une solution du problegraveme actuel agrave valider par le meacutedecin

(v) Meacutemorisation

Lorsquune nouvelle solution (reacuteussie) pour le nouveau problegraveme est trouveacutee une nouvelle expeacuterience est faite qui peut ecirctre stockeacutee dans la base de cas pour augmenter sa compeacutetence pour reacutesoudre dautres situations ou cas et le meacutedecin est inviteacute sil souhaite conserver le nouveau cas avec sa solution

4343 Le raisonneur FDD

Dans cette section nous expeacuterimentons une nouvelle meacutethode en utilisant la collaboration entre le RBC et la FDD pour proposer une strateacutegie de recherche qui permet de choisir la meilleure solution agrave partir dun espace de solutions trouveacutees par une proceacutedure de fouille de donneacutees le groupement laquoClusteringraquo

Le processus de groupement laquoClusteringraquo

Nous avons choisi une approche rationnelle pour la tacircche de remeacutemoration au lieu dune recherche massive de cas qui est la recette classique du raisonnement nous analysons les cas de maniegravere rationnelle et nous concentrons la recherche sur des peacuterimegravetres particuliers avec des cas speacutecifiques qui font lobjet de suspicion ou ce que nous appellerons laquo cas potentiels raquo Notre objectif est de trouver les cas les plus proches sur tous les cas traiteacutes preacuteceacutedemment afin deacuteviter une complication agrave la phase dadaptation et de la rendre peacutenible En effet nous nrsquoallons pas rassembler tous les cas les plus proches mais plutocirct se concentrer sur un petit peacuterimegravetre de cas similaires Donc nous devons proceacuteder autrement que par une meacutethode classique Ainsi notre meacutethode consiste agrave

- reacuteduire le peacuterimegravetre de recherche

- remeacutemoration agrave partir de ce peacuterimegravetre reacuteduit

De lagrave lopeacuteration de regroupement est guideacutee principalement par les symptocircmes cliniques (Cs) et les signes speacutecifiques (Ss) pour reacuteduire le sous-ensemble de cas eacuteligibles agrave la recherche de solution par similitude Ainsi la reacuteduction des solutions despace de recherche pour leacutetape de remeacutemoration devient une opeacuteration simplifieacutee pour le processus RBC Ce choix peut clairement rendre la remeacutemoration optimale en termes de calculs en ce qui concerne uniquement une solution inteacuteressante ougrave seulement les cas pris dans des circonstances comparables sont reacutecupeacutereacutes De lagrave lensemble des cas les plus proches (Closest_Cases) est reccedilu du RBC pour lassocier au diagnostic proposeacute (Pr_Diag) que lutilisateur a deacutejagrave deacutefinis dans la situation meacutedicale Ce processus sera traiteacute par les eacutetapes suivantes

(i) Seacutelection

- Les symptocircmes cliniques seront pris automatiquement dans lrsquoopeacuteration de seacutelection des attributs participant agrave lrsquoopeacuteration parce que nous jugeons qursquoagrave la base ce sont eux mecircme qui deacutefinissent le problegraveme meacutedical

- Le meacutedecin choisira en plus le ou les attributs qui pourront se joindre agrave la liste des attributs du groupement Ainsi le meacutedecin aura agrave seacutelectionner agrave partir de la liste des signes speacutecifiques ceux qursquoil jugera neacutecessaires agrave faire participer au groupement

En effet les signes speacutecifiques aident agrave mieux restreindre lrsquoespace des cas eacuteligibles afin de ne conserver que ceux qui ne reacutepondent quagrave certaines contraintes deacutefinies par le meacutedecin Ensuite les eacutetapes suivantes (ii) et (iii) seront lanceacutees successivement

(ii) Preacutetraitement

Agrave cette eacutetape il ya preacuteparation des donneacutees pour lrsquoopeacuteration de groupement par un nettoyage ou autres traitements approprieacutes

(iii) Le Groupement (Clustering)

Nous utilisons une proceacutedure de seacutelection que nous avons appeleacutee Clustering ayant pour objectif la geacuteneacuteration du meilleur groupe (Best_cluster) Cette proceacutedure sera guideacutee par le principe que nous reacutesumons comme suit

Principe groupement lt Clustering gt

1 inseacuterer le cas courant dans la base de cas

2 deacutefinir les attributs parmi Cs et Ss les descripteurs qui participent au groupement

3 initialiser 3 k = 2

4 lancer le groupement de la base de cas avec k Ceci permettra de partitionner la base en deux groupes les cas candidats (C_Cases) et les cas non_candidats (C_Cases)4

Le meacutedecin doit veacuterifier les signes speacutecifiques quil veut impliquer dans le regroupement crsquoest-agrave-dire quil considegravere significatif par rapport agrave sa situation Ensuite une automatique et momentaneacutement (jusquagrave la fin du processus de regroupement) insertion du cas actuel dans la base du cas est effectueacutee ceci afin de le consideacuterer dans la proceacutedure de groupement Viendra en dernier lieu le groupent qui est guideacute par les signes speacutecifiques pour seacutelectionner un sous-ensemble de cas mais neacutecessairement preacuteceacutedeacute dun preacutetraitement qui consiste agrave veacuterifier les donneacutees ou autre traitement speacutecifique

En initialisant k agrave 2 lrsquoopeacuteration de groupement divise la base de cas en deux sous ensembles cas candidats (C_Cases) et cas non candidats (NC_Cases) Le groupe eacuteligible agrave RBC est maintenant precirct

Lrsquoensemble du processus de FDD sera traiteacute par le pseudo-algorithme suivant

Pseudo Algorithme Clustering

1 Input New_Case(Cs Ss Oslash) Case_Base 2 Output Best_Cluster 3 Begin 4 Initialize k with 2 for k-means method 5 Insert_momentarily (New_Case Case_Base) 6 Features_Selection(Cs Ss)

3 Pour avoir seulement deux Clusters

4 Nous pouvons eacutegalement reacutepeacuteter le test par rapport agrave kgt 2 pour reacuteduire de plus en plus lespace de recherche des cas Le cas actuel sera automatiquement dans le Cluster (C_Cases) Pour avoir seulement deux Clusters

7 k-means_Clustering (k Case_Base Cs Ss C_Cases NC_Cases) 8 Accept_or_Refuse(C_Cases) 9 If Accept C_Cases Then go to 10

Else return to step 6 or go to 11 Endif

10 Best_Cluster=C_Cases 11 End

(iv) Evaluation

Une fois lrsquoopeacuteration de fouille de donneacutees termineacutee le systegraveme preacutesentera le reacutesultat et le meacutedecin aura agrave le valider Si ce dernier accepte le groupement proposeacute le systegraveme transmet le groupe laquo cluster raquo accepteacute au processus CBR afin de continuer son traitement sinon la solution est rejeteacutee et le meacutedecin peut alors refaire une nouvelle expeacuterimentation apregraves avoir modifieacute si possible ses paramegravetres pour la nouvelle expeacuterimentation Le systegraveme doit alors prendre en comte cette reacutevision du problegraveme meacutedical avant de relancer une nouvelle fois le processus de fouille de donneacutees

435 Mise en œuvre

Lapproche proposeacutee a eacuteteacute appliqueacutee agrave un ensemble de donneacutees meacutedicales de lEnsemble de donneacutees sur les colonnes verteacutebrales de patients orthopeacutediques nous avons reacutealiseacute une plateforme deacuteveloppeacutee en programmant les diffeacuterents modules dont le module drsquointerconnexion (JColibri-Weka) en Java (JBuilder) Nous utilisons la plate-forme JCOLIBRI pour construire la base de cas et toutes les opeacuterations relatives au CBR et WEKA pour le Clustering Lrsquoenvironnement JBuilder a eacuteteacute utiliseacute pour programmer des proceacutedures basiques drsquointerconnexion entre les deux environnements Cette interconnexion permet le passage des donneacutees entre les deux environnements et les expeacuterimentations

- Lrsquoenvironnement JBuilder JBuilder est un IDE (Integrated Development Environment) crsquoest-agrave-dire un logiciel qui simplifie la programmation en proposant un certain nombre de raccourcis et drsquooutils daide agrave la programmation

- La plateforme JColibri [Recio-Garcia et al 2014] Crsquoest une plateforme open source dapplications Elle comprend une hieacuterarchie de classes Java et des fichiers XML La plateforme est organiseacutee autour des eacuteleacutements principaux suivants les tacircches et meacutethodes la base de cas la gestion du cas et les meacutethodes de reacutesolution de problegravemes Dans notre eacutetude la plateforme JColibri a eacuteteacute utiliseacutee afin de proceacuteder au raisonnement agrave base de cas crsquoest-agrave-dire la recherche de cas similaires JColibri traite le processus de reacutesolution de problegravemes comme le montre la figure suivante

Figure 47 Processus RBC adapteacute de Assali et al [Assali et al 09]

- La plateforme WEKA [Hall et al 09]

Weka (Waikato Environment for Knowledge Analysis) est un ensemble drsquooutils permettant de manipuler et drsquoanalyser des fichiers de donneacutees impleacutementant la plupart des algorithmes drsquointelligence artificielle dont les arbres de deacutecision et les reacuteseaux de neurones le groupement la classification et les regravegles drsquoassociation

- Les principaux acteurs de la plateforme

Pour simplifier les tacircches nous avons consideacutereacute un seul principal acteur

Le meacutedecin (deacutecideur) Il est lrsquoutilisateur principal de la plate forme Il lrsquoutilise pour faire de lrsquoaide agrave la deacutecision meacutedicale

Afin de montrer les principales tacircches de lrsquoaide agrave la deacutecision nous preacutesentons quelques diagrammes UML sur lesquels nous nous sommes baseacutes pour deacutevelopper notre plateforme

- Les diagrammes UML

Figure 48 Diagramme de cas drsquoutilisation (FDD)

Figure 49 Le diagramme de classes (FDD)

Meacutedecin

Remeacutemoration

Elaboration Deacutefinir une

situation

Adaptation

Reacutevision

Meacutemorisation Sauvegarder reacutesultat

Deacutemarrer ECD

Seacutelection

Preacutetraitement

Clustering

Configurer

similariteacute

Evaluation

lt Visualiser Aide deacutecision

Deacutefinir une situation meacutedicale gt

Renvoyer reacutesultat gt

lt Deacutemarrer Clusterin

Interface

Define () Display () helliphellip

Meacutedecin (deacutecideur)

Id Password

Motif[] NC[] Case_Base[]

Clustering () RAZ_ECD () Results ()

4351 Expeacuterimentation

Pour les besoins de notre expeacuterimentation nous avons transformeacute leacutechantillon laquo Presumptive Diagnosis of Diseases of Orthopaedic patients Data Setraquo en une base de cas nommeacutee ΩN Il contient n cas i Ω= 1 2 hellip n ougrave chaque cas est composeacute de lensemble X1 X2 X6 appeleacutes attributs descriptifs Ensuite nous associons un attribut cible Y correspondant au diagnostic qui prend valeur dans lensemble Y5=H S N

Table 46 La base de cas ΩN

Apregraves la construction de la base de cas ΩN on subdivise cette base de cas en une base dapprentissage ΩL (80 de ΩN) et une base test ΩT (20 de ΩN) La table 47 montre les bases partielles

Table 47 Bases de cas partielles ΩL ΩT

Pour eacutevaluer lefficaciteacute et veacuterifier leacutevolutiviteacute de lapproche proposeacutee les expeacuteriences ont eacuteteacute reacutealiseacutees comme suit

Nous avons consideacutereacute 20 cas tireacutes aleacuteatoirement de la base test ΩT sans aucune hypothegravese de diagnostic Une comparaison de chaque cas de ΩT se fait avec la base dapprentissage ΩL

comme suit

5 H=Hernia S= Spondylolisthesis N=Normal

630278175

2255258597

3960911701

4047523153

9867291675

-0254399986

Hernia

hellip i 44529051 9433234213 5199999999 3509581679 1347117723 2910657504 Spondyloli

sthesis hellip n

Base de Cas ΩN

Base drsquoapprentissage ΩL 80

Base Test ΩT 20

Pseudo-Algorithme Compute Matching

1 Input Testing Base ΩT 2 Output TC TD 3 Begin 4 For Each case of ΩT

Executer Conditionnal_Structure (5) If Concordance Then TC=TC+1

Else TD=TD+1 Endif

5 End_For 6 End

Avec la structure conditionnelle (5) nous calculons le taux de correspondance correcte Ce taux repreacutesente le nombre de cas correctement identifieacutes dans la base dapprentissage ΩA et diagnostiqueacute de maniegravere identique dans la base test ΩT Les reacutesultats du test sont preacutesenteacutes dans la table 48

forall i є ΩP or i є ΩT Si Y(X(i ) = Y(X(j)) Alors Concordance 6

et Sinon Discordance [5] forall j є ΩA

4352 Evaluation

Nous calculons le taux derreur de chaque type de diagnostic Dapregraves les reacutesultats preacutesenteacutes dans la table 48 nous notons que le taux derreur est relativement faible (infeacuterieur agrave la moyenne) ce qui indique que notre systegraveme tend agrave donner des reacuteponses proches de la reacutealiteacute de la base de donneacutees initiale

Table 48 Comparaison des reacutesultats sur 3 ensembles de donneacutees de test

Selon ces reacutesultats nous notons que le taux de bonne concordance sur la valeur de diagnostic est relativement eacuteleveacute par rapport agrave la moyenne ce qui indique que le systegraveme fournit des

6 Concordance et Discordance sur la valeur de lrsquoattribut Diagnostic (Y) 7 H=Hernia S= Spondylolisthesis N=Normal

Nombre de cas testeacute

agrave partir de ΩT

Type de diagnostic7 des

cas testeacutes (agrave lrsquoorigine)

Cas mal

classeacutes

Taux erreur

20 N 4 20

reacutesultats proches de la reacutealiteacute telle que deacuteclareacutee dans la base test ΩT en particulier pour les cas avec un diagnostic N Nous notons eacutegalement que le taux de bonne reconnaissance est supeacuterieur agrave la moyenne ce qui indique que le modegravele deacutecisionnel adopteacute a tendance agrave reconnaicirctre et agrave faire une bonne reconnaissance de diagnostic

RBC-AMC

Nous mettons agrave contribution lrsquoanalyse multicritegraveres pour appuyer le RBC dans la recherche de solution A cet effet lrsquoAMC permettra de guider le processus vers un espace de recherche de solution assez reacuteduit qui eacutevitera au processus de passer par un ensemble large de cas similaires qui en fin de compte ne serviront pas tous agrave avoir une solution optimale La deacutemarche que nous preacuteconisons adopte un champ drsquoapplication meacutedical agrave savoir lrsquousage des meacutethodes contraceptives chez les femmes

441 Le problegraveme meacutedical consideacutereacute Proposition drsquoune theacuterapie (une meacutethode de

contraception)

Nous projetons dutiliser des donneacutees sur le choix de meacutethodes contraceptives Ces donneacutees proviennent drsquoune base de donneacutees appeleacutee laquo The 1987 National Indonesia Contraceptive Prevalence Survey raquo Cette base de donneacutees est le reacutesultat drsquoune enquecircte reacutealiseacutee en Indoneacutesie sur la preacutevalence des contraceptifs chez les femmes en 1987 [UCI_CMCDS8] Lrsquoeacutechantillon est composeacute de femmes marieacutees qui ne sont pas enceintes ou ne savent pas si elles lrsquoeacutetaient au moment de lenquecircte Ces donneacutees indiquent les meacutethodes contraceptives utiliseacutees par les femmes No-Use Method=1 Long-Term Method=2 ou Short-Term Method=3 La figure 410 donne un aperccedilu drsquoun eacutechantillon de donneacutees

Figure 410 Echantillon9 de ldquoContraceptive Method Choice Data Setrdquo [UCI_CMCDS]

Chaque femme marieacutee est deacutecrite par un ensemble de dix descripteurs dont le dernier contient la meacutethode de contraception utiliseacutee Les descripteurs utiliseacutes sont les suivants

8 UCI_CMCDS httpsarchiveicsuciedumldatasetsContraceptive+Method+Choice

9 Chaque donneacutee eacuteleacutementaire est seacutepareacutee par une virgule

24233112301 451310113401 43237113401 42329113301 helliphellip

Table 49 Les descripteurs de la base de donneacutees [UCI_CMCDS]

Descripteur

Valeur

Wifes age

Wifes education

1=low 2 3 4=high

Husbands education

1=low 2 3 4=high

Number of children ever born

Wifes religion

0=Non-Islam 1=Islam

Wifes now working

0=Yes 1=No

Husbands occupation

1 2 3 4

Standard-of-living index

1=low 2 3 4=high

Media exposure

0=Good 1=Not good

Contraceptive method used

1=No-Use Method 2=Long-Term Method 3=Short-Term Method

Nous nous sommes baseacutes sur les bases du raisonnement clinique non analytique (Chapitre 1 131) pour proposer un modegravele drsquoaide agrave la deacutecision Le modegravele adopteacute (figure 411) montre la reacutealisation du processus jusquagrave aboutissement de la meilleure Theacuterapie_Solution Le modegravele que nous suivons deacutecoule de la situation deacutecrite ci-dessous deacutecrite par le deacutecideur (meacutedecin) deacutefinition du problegraveme plus ou moins complegravete large revue des solutions possibles (Theacuterapies) et lexistence de preacutefeacuterences individuelles pour chaque solution

Ainsi notre approche repose sur une situation typique qui suit le modegravele non analytique du raisonnement clinique fondeacute theacuteoriquement sur ces hypothegraveses

- le meacutedecin a toutes les informations neacutecessaires sur la situation meacutedicale

- le meacutedecin connaicirct les critegraveres pertinents et toutes les theacuterapies avec les conseacutequences de chacune ces critegraveres et theacuterapies sont eacutevalueacutes en fonction de leur importance

- les critegraveres ainsi listeacutes sont stables et ayant des eacutevaluations qui ne changent pas dans le temps

- le meacutedecin choisit la theacuterapie qui garantit les reacutesultats les plus acceptables

Donc pour chercher une solution (DiagnosticTheacuterapie_Solution) nous avons fait une inteacutegration de lrsquoanalyse multicritegraveres (Raisonneur AMC) et nous avons deacutefini un modegravele deacutecisionnel assimilable agrave un modegravele drsquoaide multicritegraveres agrave la deacutecision meacutedical comme suit

- prendre en compte une liste des theacuterapies possibles proposeacutee

- Pondeacuterer les critegraveres par un systegraveme de valeurs adeacutequat

- eacutevaluer chaque theacuterapie selon les critegraveres

- rechercher la meilleure Theacuterapie_Solution

- reacuteviser (si possible) ou accepter la Theacuterapie_Solution

Ce modegravele deacutecisionnel supportera les traitements indiqueacutes par la figure suivante

Figure 411 Le modegravele drsquoaide agrave la deacutecision meacutedicale RBC-AMC proposeacute

443 Le systegraveme RBCAMC proposeacute

Nous proposons un systegraveme interactif drsquoaide agrave la deacutecision meacutedicale deacutefini comme un processus complet qui comprend un ensemble deacuteleacutements et de routines adeacutequates afin dassurer les fonctions principales du systegraveme et aider agrave prendre les deacutecisions approprieacutees Une description du modegravele est illustreacutee agrave la figure 412 qui montre scheacutematiquement lrsquointeacutegration de tous les traitements de lacquisition dinformations sur la situation meacutedicale

Base de Cas

Information

Meacutemorisation du cas meacutedical

Information

echerche

Inteacutegration-AM

Validation

Meacutem

orisation

Cas_Proches

Cas1 Cas2 hellip Cask

Meacutethode Multicritegraveres

Meilleure Theacuterapie_Solution

Nouveau

jusquagrave lrsquoaide agrave la deacutecision finale

Figure 412 Le systegraveme RBCAMC Proposeacute

Cs Ss Pr_Tr Clinical_Symptoms Signs_Specific Proposed_Therapy W C Cls_Trs Best_Tr Weightings Criteria Closest Therapies Best_Therapy NC(CS SS Oslash) Nouveau_Cas(Clinical_Symptoms Signs_Specific Therapy= Oslash) NMC(CS SS Best_Tr) New_Medical_Case(Clinical_Symptoms Signs_Specific Best_Therapy)

Cette eacutetape est initieacutee par le meacutedecin Cest la compreacutehension et la perception de la situation (diagnostic) En effet les donneacutees recueillies par le meacutedecin sont reacuteparties entre ces 2 processus le RBC et AMC Du coteacute RBC elle preacutepare la phase eacutelaboration et de lrsquoautre (AMC) elle permettra drsquoentamer lrsquoeacutetape information

(Cs Ss Pr_Tr)

Base de Cas

Production_Nouveau_ Cas_Meacutedical

(Cs Ss Best_Tr)

NMC (Cs Ss Best_Tr)

NC (Cs Ss Oslash)

Conception

Matrice performance Concordance

Discordance Agreacutegation

Information

T= Cls_Trs Ụ Pr_Tr C=

[C_symptom1=C_value1 C_ ymptomu=C_valueu]

[S_ Specific 1=S_value1 S_ Specific v =S_valuev]

W=w1 helliphellip wu

Reacutevision

(Best_ Tr)

ELECTRE I jColibri

(Best_ Tr)

Closest_ Cases Cas1 hellip Cask

Best_Tr

4432 Le RBC

(a) Elaboration

Cette opeacuteration est eacutetroitement lieacutee au domaine drsquoutilisation consideacutereacute Compte tenu de notre contexte meacutedical (choix de la meacutethode de contraception) un cas meacutedical sera creacuteeacute Il aura la structure suivante

Table 410 Structure du cas meacutedical orthopeacutedique

Medical_Case

Clinical_symptom End_Clinical_ symptom Specific_Signs [Wifes age=value1] [Wifes education=value2] [Husbands education=value3] [Number of children ever born=value4] [Wifes religion=value5] [Wifes now working=value6] [Husbands occupation=value7] [Standard-of-living index=value8] [Media exposure =value9] End_ Specific_Signs Therapy= End_Therapy End_Medical_Case

(b) Remeacutemoration

Ce processus a une tacircche principale la recherche de cas similaires Nous utilisons la meacutethode k-nn pour la simpliciteacute de sa mise en œuvre Le processus seacutelectionnera les cas les plus similaires agrave partir de la base de cas et deacuteduira les theacuterapies qui ont eacuteteacute consideacutereacutees pour ces derniers Ces cas sont initialement envoyeacutes au processus AMC pour les traiter et proposer la solution (Best_tr) Agrave cette eacutetape le meacutedecin

- attribue la valeur k pour la meacutethode k-nn

- lance la proceacutedure de traitement en lrsquooccurrence le pseudo algorithme Recherche_Cas_Similaires ci-dessous

Pseudo Algorithme Recherche_Cas_Similaires

1 Input Cls_Trs larr empty 2 ElaborationNC (CS SS Oslash) 3 Initialization k 4 Rememoration (NC Closest_Cases) using k-nn 5 If Closest_CasesneOslash then

Cls_TrslarrCls_Trs cup Current_Case (Case therapyi) Endfor Endfor Else

Cls_Trslarr Oslash EndIf

6 Call AMC_Process (Cls_Trs) 7 Adaptation (Best_ Tr) 8 Revision (Best_Tr) 9 Memorization(Best_Tr result)

10 If result = ldquoyesrdquo then NMC(CS SS Best_Tr)= PNMC (CS SS Best_Tr)

Else NMC(Oslash Oslash Oslash) Endif

11 Output NMC(CS SS Best_Tr)

Cls_Trs Closest Therapies PNMC Production_New_Medical_Case NMC New_Medical_Case NC New_Cas

(c) Adaptation

A ce stade du processus et selon le principe adopteacute cette opeacuteration est simplifieacutee par lrsquoadoption pure et simple de la meilleure solution (Best_Tr) trouveacutee ce qui eacutevitera au systegraveme de lancer une opeacuteration de veacuterification de degreacute de similitude et autres traitements De ce fait cette opeacuteration se trouve ecirctre juste un passage simple agrave lrsquoopeacuteration suivante

(d) Reacutevision

Aucune reacutevision nrsquoest neacutecessaire et la solution proposeacutee devient une solution au problegraveme actuel agrave valider par le meacutedecin Cette solution peut alors ecirctre testeacutee et eacutevalueacutee Si elle ne convient pas le meacutedecin peut alors lrsquoinvalider et revoir son problegraveme meacutedical de nouveau Il doit alors reacuteviser le problegraveme meacutedical (cas source) ayant servi de base pour la reacutesolution du problegraveme et relancer une nouvelle expeacuterimentation Si la solution est drsquoun inteacuterecirct il peut alors la valider deacutefinitivement avec le cas et lrsquoenregistrer pour enrichir la base de cas

(e) Meacutemorisation

La solution pour le nouveau problegraveme est trouveacutee et valideacutee Une nouvelle expeacuterience est faite elle est stockeacutee dans la base de cas pour enrichir la base de cas et augmenter la capaciteacute agrave reacutesoudre dautres situations ulteacuterieurement

4433 Le raisonneur AMC

Le raisonneur AMC opegravere selon le principe de lrsquoanalyse multicritegraveres en proceacutedant par les eacutetapes cleacutes du processus agrave savoir Information conception choix et reacutevision

(a) Information

Le meacutedecin veacuterifiera et validera les symptocircmes cliniques et les signes speacutecifiques (Cs Ss) Ces donneacutees contribuent agrave deacutefinir le problegraveme multicritegraveres meacutedical (PMM) comme suit

Deacutefinition du problegraveme multicritegraveres meacutedical

Cest lexamen des theacuterapies possibles pour reacutesoudre le problegraveme les diffeacuterents critegraveres qui sont tous deacuteterminants et les pondeacuterations Par conseacutequent notre problegraveme multicritegraveres sera deacutefini comme suit

Figure 413 Structure du Problegraveme Multicritegraveres Meacutedical

En outre cette proceacutedure permet au meacutedecin de poursuivre la deacutefinition de son problegraveme multicritegraveres meacutedical par

- la proposition drsquoune theacuterapie possible et approprieacutee (Pr_Tr)

- lrsquoidentification des critegraveres deacutevaluation des theacuterapies (dans notre cas les descripteurs)

- lrsquoaffectation de pondeacuterations aux critegraveres (dans notre cas ils sont tous agrave 1 donc eacutequivalents)

- lrsquoeacutevaluation de chaque theacuterapie selon les critegraveres deacutefinis et la proposition drsquoune solution

(b) Conception

Au deacutebut de cette eacutetape un ensemble de cas) les plus proches (Closest_Cases est reccedilu du processus RBC pour les joindre agrave la theacuterapie proposeacutee (Pr_Tr) qui pourrait ecirctre proposeacutee par le deacutecideur (meacutedecin) lors de la deacutefinition de la situation meacutedicale deacutecrite ci-dessus (figure 41)

Une fois le problegraveme multicritegraveres meacutedical deacutefini le meacutedecin deacutecidera de la meacutethode multicritegraveres convenable agrave utiliser Pour notre eacutetude Electre I est appliqueacutee Elle permet de reacutesoudre une probleacutematique deacutecisionnelle de type α en identifiant le sous-ensemble (aussi petit que possible) de solutions offrant la meilleure theacuterapie possible (Best_Tr) Cette eacutetape est

PPM = Cs= Ss=[Wifes age=value1] [Wifes education=value2] [Husbands education=value3] [Number of children ever born=value4] [Wifes religion=value5] [Wifes now working=value6] [Husbands occupation=value7] [Standard-of-living index=value8] [Media exposure =value9] Pr_Tr= Therapy

T= [Theacuterapie1 Theacuterapie2 hellip Theacuterapiep]

C= [Wifes age=value1 hellip Media exposure =value9] W=[ w1 hellip wt]

Theacuterapies Cs + Ss W

initieacutee par le pseudo algorithme suivant

Pseudo Algorithme AMC

1 Input Cls_Trs

2 If Pr_Trs ne Oslash Then Cls_Trslarr Cls_Trs cup Pr_Trs EndIf 3 Define_Criteria (Criteria) 4 Define_Weights (Weights) 5 Electre_I (Cls_Trs Criteria Weights) 6 Return to CBR_Process

La meacutethode Electre I Cette meacutethode proposeacutee par Roy [Roy 85] permet de reacutesoudre les problegravemes multicritegraveres de choix Elle permet drsquoidentifier le sous-ensemble drsquoactions offrant le meilleur compromis possible Souvent utiliseacutee dans lrsquoidentification drsquoun sous-ensemble de solutions le plus restreint possible sur la base des critegraveres consideacutereacutes Dans le cas de cette meacutethode on deacutefinit de vrai-critegraveres

- Principe de la meacutethode On considegravere un ensemble A de m actions qui repreacutesentent lrsquoobjet de la deacutecision dont le but est drsquoidentifier un sous-ensemble drsquoactions offrant un meilleur compromis parmi lrsquoensemble de deacutepart On deacutefinit pour chaque critegravere une fonction drsquoeacutevaluation j g (ougrave j=1 agrave n n est le nombre de critegraveres) pour chaque critegravere on eacutevalue un poids kj qui augmente avec lrsquoimportance du critegravere Du fait des techniques de calcul utiliseacutees dans cette meacutethode il faut transformer toutes les performances des actions en notes Celles-ci varieront sur des eacutechelles dont la longueur eacutevoluera de la mecircme faccedilon que les poids accordeacutes aux critegraveres Crsquoest la matrice de performance

- ConcordanceDiscordance La matrice de performance eacutetablie le calcul de lrsquoindice de concordance est fait en consideacuterant chaque critegravere comme un critegravere vrai Lrsquoindice de discordance sera eacutetabli en mesurant pour chaque critegravere dans chaque couple drsquoactions lrsquoeacuteventuelle diffeacuterence discordante entre les deux actions en ne retenant que la plus grande pour ce couple et en la divisant par la plus grande longueur drsquoeacutechelle Cela garantit un indice de discordance compris entre 0 et 1

En placcedilant chaque action agrave la fois en ligne et en colonne on eacutetablit les matrices de concordance et de discordance dont la diagonale ne preacutesente aucune valeur Il faut alors deacutefinir un seuil de concordance et un seuil de discordance Ces seuils permettront de reacutealiser les tests de concordance et de discordance Le premier indique une valeur minimale agrave deacutepasser le second une valeur maximale agrave ne pas outrepasser

Seuil de concordance Le seuil de concordance pour deux actions a et b

est noteacute par C(ab) compris entre 1 et 0 il mesure la pertinence de lrsquoassertion laquo a surclasse b raquo comme suit

Seuil de discordance Le seuil de discordance D (ab) est deacutefini par

Avec δ est la diffeacuterence maximale entre le mecircme critegravere pour deux actions donneacutees

- Le surclassement La relation de sur-classement pour Electre I est construite par la comparaison des seuils de concordance et de discordance agrave des seuils limites de concordance C et de discordance D selon la relation suivante

- Le graphe de sur-classement Il visualise la relation de sur-classement pour lensemble des couples des actions La theacuteorie des graphes est ici utiliseacutee pour repreacutesenter les relations de sur-classement

Figure 414 Exemple drsquoun graphe de sur-classement

- Organigramme de la meacutethode Electre I (le surclassement)

Figure 415 Organigramme du surclassent [Maystre et al 94]

1 Input Performance_Matrix 2 Calculate Concordance_Matrix 3 Calculate Discordance_Matrix 4 Set concordance_threshold_C discordance_threshold_D 5 Result=Calculate Outranking_actions 6 IF Resultat_Satisfaction Then Solution=Result

Else Revenir agrave 4 Endif 7 Output Solution

(c) Choix

Le systegraveme seacutelectionne les theacuterapies possibles et les propose au meacutedecin Ensuite celui-ci effectue une eacutevaluation selon son degreacute de satisfaction et il deacutecidera de prendre en compte ce que lui a eacuteteacute proposeacute et de valider la solution qui sera consideacutereacutee pour le nouveau cas

(d) Reacutevision

Pour lopeacuteration de reacutevision le deacutecideur (meacutedecin) nrsquoa pas besoin de donneacutees factuelles mais il a simplement besoin dune eacutevaluation meacutedicale de la solution proposeacutee Donc le meacutedecin peut reacuteexaminer la situation sil estime que la theacuterapie proposeacutee ne le satisfait pas en revenant agrave une eacutetape preacuteceacutedente (information conception) du processus AMC pour drsquoeacuteventuelles reformulations quil juge neacutecessaires pour redeacutefinir son problegraveme meacutedical

444 Mise en œuvre

Lapproche proposeacutee a eacuteteacute appliqueacutee aux donneacutees sur la preacutevalence de lrsquoutilisation des contraceptifs chez les femmes indoneacutesiennes en 1987 Nous avons reacutealiseacute une plateforme deacuteveloppeacutee dans le mecircme environnement de deacuteveloppement de lrsquoexpeacuterimentation preacuteceacutedente Sauf que nous utilisons la plate-forme JCOLIBRI pour construire la base de cas et toutes les opeacuterations relatives au CBR et AMC (un ensemble de routines) pour la partie Analyse multicritegraveres

- Frame_Work AMC

AMC est un ensemble de proceacutedures qui assurent la reacuteception des cas envoyeacutes par RBC ensuite le parameacutetrage des proceacutedures propres au problegraveme multicritegraveres Ces proceacutedures sont initieacutees par le meacutedecin On alors Receive_Cases Information_Step Electre_I et Find_Best_Solution

Pour simplifier les tacircches nous avons consideacutereacute 1 principal acteur comme dans la preacuteceacutedente expeacuterimentation

Le meacutedecin (deacutecideur) Il est lrsquoutilisateur principal de la plate forme Il lrsquoutilise pour lrsquoaider agrave faire de lrsquoaide agrave la deacutecision meacutedicale

Afin de montrer les principales taches de lrsquoaide agrave la deacutecision nous preacutesentons quelques diagrammes UML sur lesquels nous nous sommes baseacutes pour deacutevelopper notre plateforme

Figure 416 Diagramme des cas drsquoutilisation (AMC)

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer AMC

Information

Conception ELECTRE I

Configurer similariteacute

Reacutevision

Figure 417 Le diagramme de classes (AMC)

Pour les besoins de notre expeacuterimentation nous avons transformeacute leacutechantillon laquoContraceptive Method Choice Data Set sampleraquo en une base de cas nommeacutee ΩN Elle contient n cas i Ω=1 2 hellip n ougrave chaque cas est deacutecrit par lensemble X1 X2 X9 appeleacutes attributs descriptifs Ensuite nous avons associeacute un attribut cible Y correspondant agrave la meacutethode de contraception utiliseacutee qui prend valeurs dans lensemble Y = NUM LTM STM10

Apregraves la construction de la base de cas ΩN nous lrsquoavons partitionneacute selon la meacutethode de contraception utiliseacutee en une base dapprentissage ΩA (60 de ΩN) une base test ΩT (40 de ΩN) et des bases partielles Ω0 Ω1 Ω2 (table 411)

Table 411 Les bases partielles ΩA ΩT Ω0 Ω1 Ω2

ΩA Base Apprent 60

ΩT Base Test 40

ldquoNUMrdquo

Ω1 ldquoLTMrdquo

Ω2 ldquoSTMrdquo

NUM=No-Use Method LTM= Long Term Method et STM= Short Term Method

Id Password Deacutefinir une situation meacutedicale gt

Matrice_Per [] Closest_Cases[] AMC() Receive_Cases Information_Step Electre_I et

Find_Best_Solution RAZ_AMC () Results ()

lt Deacutemarrer AMC

Interface

Define () Display () helliphellip helliphellip

Pour eacutevaluer lefficaciteacute de lapproche proposeacutee des expeacuteriences ont eacuteteacute reacutealiseacutees selon deux techniques ou nous avons utiliseacute la structure conditionnelle (4) pour veacuterifier la concordance (diagnostic similaire) des reacutesultats entre chaque cas preacutesenteacute au systegraveme provenant de base test du meacutedecin ΩP ou de la base test interne au systegraveme ΩT Chaque cas preacutesenteacute au systegraveme est compareacute aux cas de la base drsquoapprentissage ΩA pour veacuterifier la concordance Enfin nous calculons les taux () de concordance et de discordance Ces taux repreacutesentent le nombre de cas correctement identifieacutes aux bonnes meacutethodes de contraception utiliseacutees (NUM LTM ou STM) ou eacutegalement identifieacutes agrave tort dans la base de cas ΩA

forall i є ΩP ou i є ΩT Si Y(X(i ) = Y(X(j)) Alors Concordance et Sinon Discordance [4]

forall j є ΩA

1st technique Les cas sont introduits par le meacutedecin (ΩP) et veacuterifieacutes sur la base

drsquoapprentissage ΩA

Nous avons introduit des valeurs pour deacutefinir 12 cas qui sont supposeacutes ecirctre NUM 12 cas avec lhypothegravese LTM et 12 cas avec lhypothegravese STM Chaque cas preacutesenteacute par le meacutedecin est compareacute aux cas de la base dapprentissage ΩA pour avoir un reacutesultat (en lrsquooccurrence la theacuterapie proposeacutee)

2nd technique les cas sont seacutelectionneacutes depuis ΩT et veacuterifieacutes sur ΩA

Nous avons consideacutereacute 12 cas pris aleacuteatoirement agrave partir de la base test ΩT sans aucune hypothegravese sur le diagnostic Une comparaison est faite entre chaque cas venant de ΩT avec les cas de la base dapprentissage ΩA

4442 Evaluation

Les reacutesultats de la table 412 montrent que le taux de concordance relatif agrave la meacutethode de contraception est supeacuterieur agrave la moyenne ce qui deacutemontre que notre approche reconnait bien la meacutethode de contraception utiliseacutee On peut remarquer ce bon reacutesultat agrave travers par ex la theacuterapie NUM lorsque kge7 et aussi avec STM le reacutesultat est de 75 de bonne concordance Nous notons eacutegalement que le taux de concordance est relativement eacuteleveacute (gt 58) pour notre approche

Aussi par rapport agrave la moyenne ces reacutesultats montrent que lrsquoapproche adopteacute identifie avec un pourcentage eacuteleveacute un cas qui a NUM LTM ou STM comme deacuteclareacute dans la base test ΩT ou ΩP

De mecircme pour la discordance qui indique dans quelle mesure lrsquoapproche identifie agrave tort la meacutethode contraceptive utiliseacutee Dans la table 412 nous notons un reacutesultat infeacuterieur ou eacutegal agrave 40

Autre constatation selon les deux techniques les reacutesultats indiquent avec quelle preacutecision notre approche nidentifie pas correctement la meacutethode de contraception utiliseacutee ou agrave quel taux le test de reconnaissance de la meacutethode de contraception est faux Notre approche donne un reacutesultat infeacuterieur agrave 40 sur les valeurs de test globales ce qui repreacutesente un pourcentage

relativement inteacuteressant

Table 412 Reacutesultats de lrsquoexpeacuterimentation

45 Conclusion

Nous avons essayeacute de preacutesenter une vision globale du deacuteploiement du RBC avec dautres meacutethodologies Les modegraveles hybrides sont effectivement une tendance vers la reacutesolution de certaines lacunes du RBC Pour cela nous avons expeacuterimenteacute deux approches lrsquoune en utilisant une meacutethode de fouille de donneacutees qui a montreacute quelques reacutesultats encourageants Une autre approche a eacuteteacute testeacutee en utilisant lrsquoaspect AMC qui elle aussi a montreacute des reacutesultats acceptables Cependant lors de notre eacutetude nous avons testeacute lrsquoaspect theacuteorique de lrsquointeacutegration comme principe de base avec un teste dans un contexte meacutedical Neacuteanmoins lrsquoune ou lrsquoautre inteacutegration doivent ecirctre prise en charge par le deacuteveloppement de tout un environnement coheacuterent et complet qui prendra en consideacuteration tout le processus drsquoaide agrave la deacutecision avec lrsquointeacutegration du deacutecideur qui restera lrsquoacteur cleacute et qui pourra reacuteellement valider lrsquoapproche et ne restera pas au stade des reacutesultats numeacuteriques

11 selon la base de test 12 sur les valeurs de test globales de k

Taille de la

base Test (Cas)

Meacutethode

contraceptive

utiliseacutee11

Taille

de ΩA

Concordance

Discordance12

k=4 k=7 k=12 k=15

1re technique

ldquoNUMrdquo

asymp 36 ldquoLTMrdquo 50 66 66 66 asymp 38 ldquoSTMrdquo 58 58 75 75 asymp 34

2me technique

ldquoNUMrdquo

Conclusion Geacuteneacuterale

amp Perspectives

Conclusion Geacuteneacuterale amp Perspectives

e domaine meacutedical est tregraves riche en donneacutees Leur manipulation par de simples

proceacutedures devient tregraves fastidieuse De ce fait beaucoup de travaux de recherche

utilisant ces stocks de donneacutees meacutedicales ont produit des theacuteories et des prototypes

de systegravemes drsquoaide agrave la deacutecision meacutedicale Ce qui a encore fait eacutevoluer lrsquoaide agrave la deacutecision

dans ce domaine crsquoest lrsquoeacutevolution des techniques informatiques et les systegravemes de

surveillance et de supervision qui ont offert de nouvelles vues aux praticiens de la santeacute

Toutefois les problegravemes lieacutes au diagnostic des maladies doivent ecirctre encore plus approfondis

par des techniques de modeacutelisation et de traitement de donneacutees et des connaissances dans un

but de reconnaissance des pheacutenomegravenes pathologiques

Tregraves tocirct les SADM ont eacuteteacute utiliseacutes dans le domaine meacutedical De par leur capaciteacute de stockage

de gestion drsquoanalyse de modeacutelisation et drsquoaffichage de donneacutees ils se preacutesentaient alors

comme les outils les plus adeacutequats pour appreacutehender les problegravemes de deacutecision meacutedicale

Neacuteanmoins les techniques informatiques lieacutees au domaine meacutedical souffrent encore de

plusieurs lacunes dans le domaine de lrsquoaide agrave la deacutecision ce qui a fait que beaucoup de

SADM sont resteacutes au stade de prototype La fouille de donneacutees a eacuteteacute aussi tregraves utiliseacutee pour

comprendre les pheacutenomegravenes pathologiques et proposer des solutions en aide agrave la deacutecision

Reacutecemment lrsquoutilisation de lrsquoanalyse multicritegraveres a contribueacute agrave faire des avanceacutees dans ce

domaine

Reacutecemment et dans une seconde phase de recherche dans ce domaine lrsquointeacutegration de

meacutethodologies de raisonnement a fait son entreacutee neacuteanmoins cette inteacutegration a montreacute aussi

certaines limites car les problegravemes de deacutecision lieacutes au domaine meacutedical sont complexes et de

nature multicritegraveres Le traitement de ces problegravemes requiert drsquoabord une bonne deacutefinition du

problegraveme meacutedical De plus lrsquoanalyse et la proposition de solution pour la deacutecision dans ces

situations rendent le cas meacutedical en lui-mecircme une probleacutematique

( I ) LES LIMITES

La mise en place drsquooutils de fouille de donneacutees repose fondamentalement sur le volume

des donneacutees mais aussi sur la qualiteacute des attributs qui sont impliqueacutes dans les opeacuterations

effectueacutees Aussi vu le caractegravere interdisciplinaire de notre travail de recherche (traitement

des connaissances aide agrave la deacutecision) il est important drsquoavoir des donneacutees qui vont bien ces

deux sens Cependant tout au long de notre travail nous avons eacuteteacute confronteacutes agrave de nombreux

freins Il srsquoagit entre autres de la disponibiliteacute des donneacutees expeacuterimentales

Sur le volet aide agrave la deacutecision lrsquointeacutegration a eu un apport confirmeacute et consideacuterable agrave lrsquoaide agrave

la deacutecision au vu du nombre important de travaux drsquointeacutegration RBC AMC FDD Cependant

ces travaux preacutesentent plusieurs limites se rapportant agrave lrsquoaide agrave la deacutecision par RBC en

geacuteneacuteral et aux autres modes de raisonnement aussi Ces limites qui les empecircchent ou limitent

leurs diffusions au-delagrave du contexte acadeacutemique

De maniegravere geacuteneacuterale nous notons

- Lrsquoabsence de meacutethodologies concernant les modes drsquointeacutegration qui nrsquoest pas encore

suffisamment confirmeacute dans le sens ou il nrsquoexiste pas de critegraveres de choix de la

meacutethode agrave inteacutegrer dans un domaine ou un problegraveme donneacute

- Neacutecessiteacute pour le deacutecideur en lrsquooccurrence le meacutedecin drsquoavoir des connaissances

approfondies dans le domaine du traitement des connaissances pour ne pas dire en

- Le raisonnement classique du RBC ne permet pas de supporter facilement le

raisonnement clinique ni mecircme par un raisonnement simple agrave base de regravegles du fait

qursquoune regravegle est deacutejagrave eacutecrite pour ne donner que sa conseacutequence

De maniegravere speacutecifique nous notons

- Lrsquoeacutevaluation des solutions deacuteduites nrsquoest pas faite de maniegravere uniforme entre les

diffeacuterentes meacutethodologies On trouve par exemple que lrsquoune (FDD) eacutevalue des motifs

extraits et lrsquoautre (AMC) eacutevalue des actions (solutions)

- Lrsquoeacutevaluation de la situation meacutedicale est faite diffeacuteremment en FDD et en AMC La

FDD agrave travers les symptocircmes et lrsquoAMC agrave travers les critegraveres

- De lagrave se pose la question relative aux formalismes classiques de repreacutesentation de

donneacutees est ce qursquoils sont adeacutequats Ce qui pose aussi la probleacutematique de la

modeacutelisation des situations meacutedicales en geacuteneacuteral

- Ces preacutefeacuterences pourront guider vers une solution optimale ou aider agrave eacutelaborer une

proceacutedure de classementgroupement de solutions Ainsi la question comment tenir

compte des preacutefeacuterences du deacutecideur est poseacutee du moment que la structure classique du

cas ne permet pas de deacutefinir explicitement cette notion

Sur le volet FDD le point suivant meacuterite une attention

- La consideacuteration des points de vue des acteurs de la deacutecision est un aspect qui nrsquoest

pas pris en charge par la fouille de donneacutees

Sur le volet AMC ce point aussi doit attirer lrsquoattention

- Par rapport agrave une situation meacutedicale comment deacutefinir une proceacutedure qui permet ce

sous-ensemble aussi restreint que possible cagraved la meilleure solution ou solution

optimale

( II ) CONTRIBUTIONS

Nos travaux de recherche se placent dans le cadre de la theacuteorie de la deacutecision de

lrsquoextraction des connaissances avec comme cadre pratique la maladie et la production de

diagnostic Dans notre travail de thegravese notre effort a porteacute sur la proposition de solutions

conceptuelles meacutethodologiques et informatiques afin de pallier certaines limites et par voie

de conseacutequence promouvoir les SADM par une nouvelle approche drsquointeacutegration pour lrsquoaide agrave

la deacutecision meacutedicale Notre choix portait sur la mise en place drsquoun environnement deacutecisionnel

sur la base drsquoun processus drsquoextraction des connaissances drsquoanalyse et de deacuteduction pour les

praticiens de la santeacute afin de reacutepondre agrave des questions deacutecoulant de situations meacutedicales de

consultation de malades

Nous avons proposeacute et testeacute deux strateacutegies drsquointeacutegration RBC-FDD et RBC-AMC Plus

preacuteciseacutement la strateacutegie est centreacutee sur la recherche de solutions dans un espace de recherche

assez reacuteduit ce qui nous emmegravenera agrave restreindre le nombre de situations meacutedicales similaires agrave

la situation en cours de traitement par le praticien de la santeacute Ainsi lrsquoobjectif de deacutepart eacutetait

de fournir aux praticiens qui interviennent dans le domaine des consultations meacutedicales

- Des vues fonctionnelles description des caracteacuteristiques des patients consulteacutes

- Des vues opeacuterationnelles traitement lieacutee agrave une pathologie en vue drsquoune aide agrave la

Une solution possible consiste en lrsquointeacutegration du RBC agrave la FDD ou agrave lrsquoAMC et laisser

lrsquoanalyse et lrsquoappreacuteciation au meacutedecin (deacutecideur)

Le modegravele deacutecisionnel que nous avons conccedilu utilise la theacuteorie de la deacutecision agrave base drsquoun

raisonnement meacutedical Ce raisonnement considegravere le patient comme eacutetant le sujet du

problegraveme meacutedical analyseacute et pour le reacutesoudre nous avons suivi lrsquoapproche rationnelle comme

le point de deacutepart de notre reacuteflexion avec prise en compte du raisonnement clinique consideacutereacute

dans le milieu meacutedical Les dimensions de la situation meacutedicale ont eacuteteacute identifieacutees comme

eacutetant les symptocircmes cliniques et les signes speacutecifiques du patient Ce modegravele deacutecisionnel a eacuteteacute

eacutevalueacute et valideacute par la mise en place drsquooutils inteacutegreacutes de traitements adeacutequats correspondants

aux attentes des praticiens de la santeacute qui sont plus inteacuteresseacutes par les reacutesultats (aide agrave la

deacutecision)

Lrsquoeacutetude bibliographique nous a permis de constater que les meacutethodes de FDD et de lrsquoAMC

sont diverses et ont reccedilu beaucoup drsquoattention de par les travaux en aide agrave la deacutecision

Cependant sont elles toutes bien adapteacutees au domaine meacutedical le constat le plus naturel est

que ces meacutethodes sont sujettes agrave des limitations informatiques de par lrsquoexistence du

pheacutenomegravene combinatoire et autres limitations propres aux meacutethodes Pour faciliter

lrsquointeacutegration des approches de raisonnement nous avons opteacute pour une strateacutegie opeacuterant en

deux eacutetapes

1 Reacuteduction de lrsquoespace de recherche

2 Geacuteneacuterer la solution au problegraveme dans cet espace reacuteduit

Cette strateacutegie permet de reacuteduire consideacuterablement les traitements et eacuteviter drsquoavoir recours agrave

un nombre assez conseacutequent de solutions qui nuisent agrave la qualiteacute du reacutesultat obtenu (aide agrave la

deacutecision)

Cependant nous devions reacutealiser les opeacuterations annexes agrave cette strateacutegie agrave savoir

- La deacutefinition des structures de donneacutees adeacutequates

- La mise en place drsquoune base de cas

- limiter le champ drsquoapplication au seul domaine meacutedical notre terrain drsquoinvestigation

fixeacute degraves le deacutebut de notre eacutetude avec une situation meacutedicale assez reacuteduite en

descripteurs

Les diffeacuterentes expeacuterimentations ont eacuteteacute reacutealiseacutees en utilisant des algorithmes (k-means k-

ppv) qui nous ont permis drsquoaboutir agrave des reacutesultats Cependant nous avons pu identifier les

limites des meacutethodes de groupement agrave savoir le choix des attributs qui rentrent dans

lrsquoopeacuteration ceci impactera les reacutesultats attendus

Dans ce sens et en se basant sur lrsquoapproche drsquointeacutegration que nous avons adopteacutee Nous avons

pu tester les modegraveles deacutecisionnels inteacutegreacutes conccedilus agrave cet effet et obtenu les reacutesultats suivants

- Par rapport agrave lrsquoapproche RBC-AMC (voir 4342) les reacutesultats obtenus deacutemontrent

bien que le modegravele deacutecisionnel suivi identifie avec un bon pourcentage une bonne

theacuterapie (meacutethode de contraception utiliseacutee) telle que deacuteclareacutee dans les bases de test

Ce qui deacutemontre que notre approche reconnait bien la theacuterapie

- De mecircme que pour lrsquoapproche RBC-FDD Les reacutesultats preacutesenteacutes (voir 4452) ont

montreacute que le taux de bonne reconnaissance du diagnostic est relativement au-dessus

de la moyenne ce qui indique que notre approche tend agrave faire un bon diagnostic pour

les cas soumis agrave partir des bases de test

Ceci montre que les modegraveles deacutecisionnels adopteacutes ont tendance agrave donner des reacutesultats

encourageants Ce qui peut nous mener agrave envisager les perspectives suivantes

( III ) PERSPECTIVES

Au terme de nos travaux de recherche et par rapport au domaine que nous avons investis

et des reacutesultats obtenus les perspectives que nous dessinons sont lieacutees drsquoune part aux limites

auxquelles nous avons eacuteteacute confronteacutes et aux reacutesultats encourageants obtenus

Cependant les ameacuteliorations qui pourraient ecirctre apporteacutees agrave notre approche vont ecirctre

guideacutees par les lignes directrices ci-dessous

De maniegravere geacuteneacuterale

- Utiliser une cohorte qui peut se trouver au niveau des infrastructures sanitaires

nationales

- Deacutevelopper environnements personnaliseacutes ainsi des interfaces adapteacutees (structure et

contenu) agrave chaque besoin (par utilisateuret par speacutecialiteacute) pourraient ecirctre deacutegageacutees

bien que ce point nrsquoas pas relation directe avec lrsquoaide agrave la deacutecision mais ce point peut

ecirctre envisageacutee agrave long terme

La FDD peut ecirctre valoriseacutee agrave travers les points suivants

- Adapter la meacutethode de FDD pour reacuteduire les motifs en se concentrant sur les attributs

les plus pertinents (une approche reacutecursive pourrait permettre drsquoeacuteliminer les attributs

non potentiels au cours de lrsquoexeacutecution de la meacutethode de groupement)

- Accessoirement une inteacutegration drsquoun outil de visualisation graphique des reacutesultats ne

pourra qursquoecirctre une ameacutelioration dans leurs preacutesentations

- Tester les potentialiteacutes de la FDD en lrsquoeacutetendant agrave drsquoautres meacutethodes qui peuvent

convenir agrave lrsquoaide agrave la deacutecision meacutedicale telle que la recherche de regravegles drsquoassociation

- Faire une eacutetude assez approfondie sue les meacutethodes de seacutelection des attribues

pertinents agrave faire participer agrave la FDD ce qui permettra de renfoncer la pertinence des

reacutesultats attendus

- Neacuteanmoins un nouveau problegraveme apparaicirct comment choisir la meacutethode agrave appliquer

dans un problegraveme meacutedical donneacute alors que le praticien de la santeacute nrsquoest pas tout agrave fait

bien formeacute aux techniques du traitement de lrsquoinformation

Pour lrsquoAMC elle peut ecirctre valoriseacutee agrave travers

- La notion de pondeacuteration des critegraveres qui pourra ecirctre eacutetudieacutee en profondeur pour

pouvoir fournir un problegraveme multicritegraveres meacutedical qui reflegravete au mieux la situation

meacutedicale Et nous supposons que lrsquoaspect eacutevaluation des critegraveres sera mecircme influenceacute

par la speacutecialiteacute dans le domaine meacutedical en question

Perspectives agrave court terme

La finalisation du prototype Le prototype deacuteveloppeacute ne comporte pas toutes les solutions

proposeacutees dans le cadre de cette thegravese Notre premiegravere preacuteoccupation dans le futur concerne

lrsquoincorporation de ces solutions pour la geacuteneacuteration drsquoautres types drsquoactions

Adoption drsquoune meacutethode drsquoeacutevaluation des actions (solutions) Cette meacutethode pourra proposer

par exemple une eacutevaluation plus ou moins standard qui pourra ecirctre adopteacutee quelle que soit la

meacutethode de raisonnement qui participe agrave lrsquointeacutegration Le deacuteveloppement drsquoune telle meacutethode

pour assister le deacutecideur lors du choix des paramegravetres agrave prendre en consideacuteration lors de

lrsquoeacutevaluation de sa situation meacutedicale Cette meacutethode drsquoeacutevaluation ou de pondeacuteration des

diffeacuterents paramegravetres est tregraves importante pour la reacutealisation drsquoune bonne aide agrave la deacutecision

Perspectives agrave long terme

Revoir la modeacutelisation de la situation meacutedicale par une approche formelle Cette structure

devra ecirctre valideacutee pour adoption en aide agrave la deacutecision meacutedicale au lieu drsquoutiliser une structure

classique propre agrave un raisonnement classique

Faire une eacutetude et adopter une meacutethode ou un principe pour le choix des attributs rentrant

dans lrsquoopeacuteration de FDD meacutedicales

Faire une eacutetude sur la pondeacuteration des critegraveres dans le domaine meacutedical La construction des

critegraveres et leur pondeacuteration varient bien drsquoun praticien agrave un autre Les critegraveres sont construits

sur la base drsquoun ensemble de conseacutequences qui reacutesultent des actions envisageacutees Dans ce cas

nous envisageons drsquoexplorer lrsquoaspect pondeacuteration afin de construire un bon ensemble de

critegraveres bien pondeacutereacutes qui peut ecirctre tregraves utile lors de la modeacutelisation drsquoun problegraveme

multicritegraveres meacutedical

Reacutefeacuterences bibliographiques

[Aamodt et Plaza 94] Aamodt A and Plaza E Case-based reasoning Foundational issues methodological variations and system approaches AI communications Vol 7 no 1 pp 39-59

[Abbasi et Kashiyarndi 06] Abbasi M M and Kashiyarndi S Clinical Decision Support Systems A discussion on different methodologies used in Health Care Marlaedalen University Sweden

[Alnafie 16] Alnafie E Vers une nouvelle approche pour lrsquoelicitation des preacutefeacuterences dans la meacutethodologie multicritegraveres drsquoaide agrave la deacutecision Thegravese de doctorat Universiteacute drsquoOran 1 Ahmed Ben Bella

[Adla 10] Adla A Aide agrave la facilitation pour une prise de Deacutecision Collective Proposition dun Modegravele et dun Outil Thegravese de doctorat Universiteacute de Toulouse Universiteacute Toulouse III-Paul Sabatier

[Agrawal et al 93] Agrawal R Imieliński T amp Swami A Mining association rules between sets of items in large databases ACM SIGMOD Record Vol 22 no 2 p 207-216

[Agrawal et Srikant 95] Agrawal R and Srikant R Mining sequential patterns In Data Engineering Proceedings of the Eleventh International Conference on (pp 3-14) IEEE

[Allayous et al 08] Allayous C Diara JP Emilion R amp Marianne-Pepin T Decision trees for the severity and recurrence of acute splenic sequestration in sickle cell disease

[Alter 80] Alter S Decision support systems current practice and continuing challenges (No 04 HD30 23 A5)

[Althoff et al 98] Althoff KD Bergmann R Wess S Manago M Aurio E Larichev OI Bolotov A Zhuravlev YI amp Gurov SI Case-Based Reasoning for Medical Decision Support Tasks The INRECA Approach Artificial Intelligence in Medicine Journal Vol 12 No 1 25-41

[Aleksovska et Loskovska 11] Aleksovska SL and Loskovska S Architectural and data model of clinical decision support system for managing asthma in school-aged children Minnesota State University Mankato minnesota USA

[Angehrn et Dutta 92] Angehrn A A Dutta S Integrating case-based reasoning in multi-criteria decision support systems INSEAD

[Ansoff 84] Ansoff HI Strateacutegie du deacuteveloppement de lentreprise 1er Ed Ed dorganisation Paris 1984

[Armaghan et Renaud 12] Armaghan N and Renaud J An application of multi-criteria decision aids models for Case-Based Reasoning Information Sciences Vol 210 55-66

[Araujo de Castro et al 09] Araujo de Castro A K Pinheiro P R Dantas Pinheiro M C Towards the Neuropsychological Diagnosis of Alzheimers Disease A Hybrid Model in Decision Making WSKS CCIS 49 pp 522ndash531

[Assali et al 09] Assali A A Lenne D Debray B amp Bouchet S COBRA Une plate-forme de RagravePC baseacutee sur des ontologies InIC 2009 (pp 277-288)

[Austin et al 96] Austin T Iliffe S Leaning M amp Modell M A prototype computer decision support system for the management of asthma Journal of Medical Systems Vol 20 no 1 pp 45-55

[Costa 96] Costa C A B E Les probleacutematiques de lrsquoaide agrave la deacutecision Vers lrsquoenrichissement de la trilogie choix-tri-rangement Recherche opeacuterationnelleOperations Research 30(2) 191ndash216

[Barigou et al 12] Barigou F Atmani B amp Beldjilali B Using a Cellular Automaton to Extract Medical Information from Clinical ReportsJournal of Information Processing Systems 8(1)

[Balakrishnan et al 12] Balakrishnan V Shakouri MR amp Hoodeh H Integrating association rules and case-based reasoning to predict retinopathy Maejo International Journal of Science and Technology Vol 6 No 3 pp 334-343

[Bates et al 03] Bates DW Kuperman G J Wang S Gandhi T Kittler A Volk L Spurr C Khorasani R Tanasijevic M amp Middleton B Ten Commandments for Effective Clinical Decision Support Making the Practice of Evidence-based Medicine a Reality Journal of the American Medical Informatics Association JAMIA 10(6) 523ndash530 URL httpwwwncbinlmnihgovpmcarticlesPMC264429

[Bareiss et al 88] Bareiss E Porter E Bruce W amp Wie CC Protos An exemplar-based learning apprentice International Journal of Man-Machine Studies Vol 29 no 5 pp 549-561

[Bellazzi et Zupan 01] Bellazzi R and Zupan B Intelligent data analysisndashspecial issueMethods Archive 40(5) 362-364

[Begum et al 09] Begum S Ahmed MU Funk P Xiong N amp Von Scheacuteele B A case-based decision support system for individual stress diagnosis using fuzzy similarity matching Computational Intelligence Vol 25 No 3 180-195

[Begum et al 11] Begum S Ahmed M Funk P Xiong N amp Folke M Case-Based Reasoning Systems in the Health Sciences A Survey of Recent Trends and Developments IEEE Transactions on systems man and cybernetics part c applications and reviews Vol 41 No 4 pp 421-434

[Belacel 99] Belacel N Meacutethodes de classification multicritegravere meacutethodologie et applications agrave laide au diagnostic meacutedical Thegravese de doctorat Universiteacute Libre de Bruxelles Belgique

[Belacel 03] Belacel N Multicriteria Decision Analysis Methodology for Medical Diagnosis Aid 2003

[Ben mena 00] Benmena S Introduction aux meacutethodes multicritegraveres daide agrave la deacutecision Biotechnologie Agronomie Socieacuteteacute et Environnement Vol 4 no 2 pp 83-93

[Berner 09] Berner ES Clinical decision support systems State of the Art AHRQ Publication No 09-0069-EFRockville Maryland Agency for Healthcare Research and Quality

[Beleites et al 16] Beleites C Salzer R amp Sergo V ldquoValidation of soft classification models using partial class memberships An extended concept of sensitivity amp co applied to grading of astrocytoma tissuesrdquo Chemometrics and Intelligent Laboratory Systems vol 122 pp 12-22

[Bello-Tomaacutes et al 04] Bello-Tomaacutes JJ Gonzaacutelez-Calero PA amp Diacuteaz-Agudo B Jcolibri An object-oriented framework for building cbr systems In European Conference on Case-Based Reasoning (pp 32-46) Springer Berlin Heidelberg

[Bellazi et Zupan 08] Bellazzi R and Zupan B Predictive data mining in clinical medicine current issues and guidelines International journal of medical informatics Vol 77 8197

[Bichindaritz et Marling 10] Bichindaritz I Marling C Case-based reasoning in the health sciences Foundations and research directions Computational Intelligence in Healthcare 4 Springer Berlin Heidelberg 127-157

[Bichindaritz et Montani 09] Bichindaritz I and Montani S Introduction to the special issue on case-based reasoning in the health sciences Computational intelligenceVol 25 issue 3 pp161-194

[Bichindaritz et al 03] Bichindaritz I Moinpour C Kansu E Donaldson G Bush N amp Sullivan K M Case based reasoning for medical decision-support in a safety critical environment In AIME pages 314ndash323

[Bichindaritz et al 98] Bichindaritz I Kansu E amp Sullivan K M Case-based reasoning in care-partner Gathering evidence for evidence-based medical practice j-LECT-NOTES-COMPSCI 1488 334ndash345

[Bichindaritz 15] Bichindaritz I Data Mining Methods for Case-Based Reasoning in Health Sciences In ICCBR (Workshops) pp 184-198 2015

[Bouhana et al 11] Bouhana A Abed M amp Chabchoub H An integrated Case-Based Reasoning and AHP method for personalized itinerary search Logistics 4th International Conference on IEEE 460-467

[Bouyssou 93] Bouyssou D Deacutecision Multicritegravere ou Aide Multicritegravere Newsletter Of The EuropeanWorking Groupe Series2 P2

[Brans 82] Brans JP Elaboration dinstruments daide agrave la deacutecision meacutethode PROMETHEE Colloque daide agrave la deacutecision Universiteacute Laval Queacutebec

[Brans et al 84] Brans JP Mareschal B amp Vincke Ph PROMETHEE A new family of outranking methods in multicriteria analysis In JP Brans editor Operational Researchrsquo84 pages 408ndash421 North Holland Elsevier Science Publishers BV

[Bruland et al 10] Bruland T Aamodt A amp Langseth H Architectures Integrating Case-Based Reasoning and Bayesian Networks for Clinical Decision Support IFIP Advances in Information and Communication Technology Vol 340 82-91 DOI 101007978-3-642-16327

[Bresson et Lieber 00] Bresson B and Lieber J Raisonnement agrave partir de cas pour laide au traitement du cancer du sein In journeacutees ingeacutenierie des connaissances (pp 189-196)

[Buchner et al 97] Buchner AG Anand SS amp Hughes JG Data mining in manufacturing environments Goals techniques and applications Studies in Informatics and Control 6(4) 319ndash328

[Cabrera et Edye 10] Cabrera MM and Edye EO Integration of rule based expert systems and case based reasoning in an acute bacterial meningitis clinical decision support system arXiv preprint arXiv10031493 Available httpsarxivorgftparxivpapers100310031493pdf

[Chakhar et al 05] Chakhar S Mousseau V Pusceddu C amp Roy B Decision map for spatial decision making In The 9th International Computers in Urban Planning and Urban Management Conference (CUPUMrsquo05) London UK 29 July-1 August

[Chakhar 06] Chakhar S Cartographie deacutecisionnelle multicritegraveres formalisation et impleacutementation informatique thegravese de Doctorat Universiteacute Paris Dauphine

[Chiang et al 15] ChiangIJ Shieh MJ Hsu JY amp Wong JM Building a Medical Decision Support System for Colon Polyp Screening by Using Fuzzy Classification Trees Applied Intelligence Vol 22 Number 1 61-75

[Cleret et al 01] Cleret M Le Beux P amp Le Duff F Les systegravemes drsquoaide agrave la deacutecision meacutedicale Les Cahiers du numeacuterique Vol 2 125-154

[Coiera 13] Coiera E Guide to Health Informatics3rd Edition Hodder Arnold 3e edition

[Das 16] Das TK Intelligent Techniques in Decision Making A Survey Indian Journal of Science and Technology Vol 9 N 12 2016

[Deepti et al 10] Deepti J Rani A amp Rani R A Framework for Medical Diagnosis using Hybrid Reasoning Proceedings of the International Multi Conference of Engineers and Computer Scientists Vol 1

[Degoulet et Fieschi 91] Degoulet P et Fieschi M Traitement de linformation meacutedicale Meacutethodes et applications hospitaliegraveres Collection Manuels Informatiques Masson ndash Entreprise 320 pages

[De Dombal et al 72] De Dombal F T Leaper D J Staniland J R McCann A P amp Horrocks J C Computer-aided diagnosis of acute abdominal pain Br Med J 2(5804) 9-13

[De Paz et al 09] De Paz F J Rodriguez S Bajo J amp Corchado MJ Case-based reasoning as a decision support system for cancer diagnosis A case study International Journal of Hybrid Intelligent Systems Vol 6

[Dieng-Kuntz et al 01] Dieng-Kuntz R Corby O Gandon F Giboin A Golebiowska J Matta N amp Ribiegravere M Meacutethodes et outils pour la gestion des connaissances une approche pluridisciplinaire du Knowledge management Dunod 2eacuteme eacutedition Paris

[Dilou et al 10] Dilou A Rekik M amp Pasquier M N Visualisation en Fouille de Donneacutees

[Djebbar-Zaidi 13] Djebbar-Zaidi A Optimisation de la recherche drsquoun cas Bayeacutesien Thegravese de doctorat Universiteacute Badji Mokhtar de Annaba

[Dunham 06] Dunham M H Data mining Introductory and advanced topics Pearson Education India

[Eastman et al 93] Eastman JR PAK Kyem J Toledano andW Jin GIS and decision making Technical report The United Nations Institue for Training and Research (UNITAR) Geneva

[Erjaee et al 12] Erjaee A Bagherpour M Razeghi S Dehghani S M Imanieh M H amp Haghighat M A multi-criteria decision making model for treatment of Helicobacter pylori infection in children Hong Kong J Paediatr Vol 17 no 4 pp 237-42

[Eva 05] Eva KW What every teacher needs to know about clinical reasoning Med Educ Vol 39 pp98-106

[Fayyad et al 96] Fayyad M Piatetsky-Shapiro G amp Smyth P From data mining to knowledge discovery An overview Advances in Knowledge Discovery and Data Mining pages 1ndash34

[Figueira et al 05] Figueira J Greco S amp Ehrgott M Multiple Criteria Decision Analysis State Of The Art Surveys Springers International series 2005

[Figueira et al 16] Figueira J R Mousseau V amp Roy B ELECTRE methods In Multiple Criteria Decision Analysis (pp 155-185) Springer New York NY

[Fox et al 77] Fox J Johns N Rahmanzadeh A amp Thomson R PROFORMA a general technology for clinical decision support systems Computer methods and programs in biomedicine Vol 54 no 1 pp59-67

[Garg et al 05] Garg A X Adhikari N K J McDonald H Rosas-Arellano M P Devereaux P J Beyene J Sam J amp Haynes R B Effects of computerized clinical decision support systems on practitioner performance and patient outcomes a systematic review JAMA 293(10) 1223ndash1238

[Gierl et al 98] Gierl L Bull M amp Schmidt R Cbr in medicine case-based reasoning technology In Case-Based Reasoning Technology (pp 273-297) Springer Berlin Heidelberg

[Greenes 14] Greenes R A Clinical Decision Support The Road to Broad Adoption Academic Press Amsterdam Boston 2e eacutedition

[Guo et al 11] Guo Y Hu J amp Peng Y Research on CBR system based on data mining Applied Soft Computing Vol 11 No 8 5006ndash5014

[Han et al 00] Han J Kamber M amp Pei J Data mining concepts and techniques (the Morgan Kaufmann Series in data management systems) Morgan Kaufmann

[Hall et al 09] Hall M Frank E Holmes G Pfahringer B Reutemann P amp Witten IH The WEKA data mining software an update ACM SIGKDD explorations newsletter Vol 11 No 1 10-18

[Hamdadou et al 15] Hamdadou J Bouamrane K amp Naoui O E K Meacutethodologie multicritegraveres daide agrave la deacutecision Document peacutedagogique cours Universite Oran 1

[Hamdadou 08] Hamdadou J Un modele pour laprise de decision en ammenagement du territoire une approche multicriteres et une approche de negociation These de doctorat en informatqiue universite oran 1

[Hardin et Chieng 07] Hardin JM and Chieng DC Data Mining and Clinical Decision Support Systems Clinical Decision Support Systems Health Informatics Section 1 44-63 DOI 101007978-0-387-38319-4_3

[Ha et Joo 10] Ha S H and Joo S H A Hybrid Data Mining Method for the Medical Classification of Chest Pain International Journal of Computer and Information Engineering Vol 4 No 1 33-38

[Holtzman 89] Holtzman S Intelligent Decision Systems Addison Wesley 1989

[Huang et Tzeng 11] Huang J J Tzeng G H Multiple attribute decision making methods and applications CRC press

[Huang et al 07] Huang M-J Chen M-Y amp Lee S-C Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis Expert Systems with Applications Vol 32 pp856ndash867

[Hwang et Yoon 81] Hwang C L and Yoon K Methods for multiple attribute decision making (pp 58-191) Springer Berlin Heidelberg

[Jha et al 13] Jha M K Pakhira D amp Chakraborty B Diabetes detection and care applying CBR Techniques International Journal of Soft Computing and Engineering Vol 2 Issue-6

[Kargupta et al 97] Kargupta H Stafford B amp Hamzaoglu I Web based paralleldistributed medical data mining using software agents Los Alamos National Lab NM (United States)

[Kaplan 01] Kaplan B Evaluating informatics applications - clinical decision support systems literature review International Journal of Medical Informatics Volume 64 Issue 1 Pages 15-37

[Kast 2002] Kast R La theacuteorie de la deacutecision La Deacutecouverte laquo Repegraveres raquo 2002 128 pages ISBN 9782707137692 URL httpswwwcairninfola-theorie-de-la-decision--9782707137692htm

[Kassirer 10] Kassirer J P Teaching Clinical Reasoning Case-based and Coached Academic Medicine Vol 85 No 7

[Kawamoto 05] Kawamoto K Houlihan C A Balas E A Lobach D F Improving clinical practice using clinical decision support systems a systematic review of trials to identify features critical to success Bmj 330(7494) 765

[Kantardzic 11] Kantardzic M Data mining concepts models methods and algorithms John Wiley amp Sons

[Keen and Scott-Morton 78] Keen P et Scott-Morton M Decision Support Systems an organizational perspective Addison- Wesley Publishing 1978

[Keeney et Raiffa 93] Keeney R L and Raiffa H Decisions with multiple objectives preferences and value trade-offs Cambridge university press

[Kodratoff 96] Kodratoff Y Lextraction de connaissances agrave partir des donneacutees Un nouveau sujet pour la recherche scientifique In INFORSID Congregraves pp 3-25

[Kodratoff 98]

Kodratoff Y Techniques et outils de lrsquoextraction de connaissances agrave partir des donneacutees Signaux vol 92 pp 38ndash43

[Kong et al 08] Kong G Xu DL Yang JB Clinical decision support systems a review on knowledge representation and inference under uncertainties International Journal of Computational Intelligence Systems Vol1 No 2 159-167

[Kumar et al 09] Kumar KA Singh Y amp Sanyal S Hybrid approach using case-based reasoning and rule-based reasoning for domain independent clinical decision support in ICU Expert Systems with Applications Vol 36 no 1 pp 65-71

[Kiezun et al 09] Kiezun A Lee ITA amp Shomron N Evaluation of optimization techniques for variable selection in logistic regression applied to diagnosis of myocardial infarction Bioinformation vol 3 no 7 p 311

[Kuo et al 01] Kuo WJ Chang RF Chen DR amp Lee CC Data mining with decision trees for diagnosis of breast tumor in medical ultrasonic images Breast cancer research ans treatment 66 51-57

[Keeney 92] Keeney RL Valued-focused thinking A path to creative decision Harvard University Press Cambridge USA

[Klein 98] Klein G Sources of Power How people make decisions Cambridge Mass MIT Press

[Kuilboer et al 02] Kuilboer MM Van Wijk MAM Mossveld M Van der Does E Ponsioen BP de Jongste JC Overbeek S E amp Van der lei J Feasibility Of Asthma Critic a decision-support system for asthma and COPD Which generates patient-specific feedback on routinely recorded data in general practice Family practice Vol 19 no 5 pp442-447

[Kim et Han 01] Kim KS and Han I The cluster-indexing method for case-based reasoning using selforganizing maps and learning vector quantization for bond rating cases In Expert systems with Application 21 147-156

[Korhonen et Laakso 86] Korhonen P J and Laakso J A visual interactive method for solving the multiple criteria problem European Journal of Operational Research 1986 vol 24 no 2 p 277-287

[Koton 88] Koton P Reasoning about evidence in causal explanations in Proceedings of the Seventh National Conference on Artificial Intelligence AAI Press Menlo Park CA pp 256ndash263

[Ltifi et al 10] Ltifi H Ben Ayed M Kolski C amp Alimi A M Deacutemarche centreacutee utilisateur pour la conception de SIAD baseacutes sur un processus drsquoECD application dans le domaine de la santeacute Journal drsquoInteraction Personne-Systegraveme Vol 1 Num 1 Art 1

[Laaribi 00] Laaribi A SIG et Analyse Multicritegravere Hermes Science Publications 1er Ed Paris

[Lebraty 06] Lebraty J F Les systegravemes deacutecisionnels Akoka A Comyn-Wattiau I Encyclopeacutedie de lrsquoinformatique et des systegravemes drsquoinformation Vuibert pp1338-1349 2006

[Lebraty et Guarnelli 14] Lebraty J F et Guarnelli J Deacutecider en situation un eacutetat de lart In Actes du 19egraveme du Colloques de lacute Association Information et Management (AIM) Le Management agrave lrsquoeacutepreuve des Systegravemes drsquoInformation enjeux deacutefis et perspectives

[Li et Sun 09] Li H and Sun J Hybridizing principles of the Electre method with case-based reasoning for data mining Electre-CBR-I and Electre-CBR-II European Journal of Operational Research Vol 197 no 1 pp 214-224

[Leacutevine et Pomerol 89] Leacutevine P et Pomerol J Systegravemes interactifs drsquoaide agrave la deacutecision et systegravemes experts Editions Hermegraves

[Lobach et al 07] Lobach DF Kawamoto K Anstrom KJ Russell ML Woods P amp Smith D Development deployment and usability of a point-of-care decision support system for chronic disease management using the recently approved HL7 decision support service standard Stud Health Technol In-form Vol 129 861-5

[Liu et Ke 06] Liu DR Ke CK Knowledge support for problem-solving in a production process A hybrid of knowledge discovery and case-based reasoning In Expert Systems with Applications

[Gierl et al 98]

Gierl L Bull M amp Schmidt R Cbr in medicine In Case-Based Reasoning Technology pages 273ndash298 Springer Berlin Heidelberg

[McKenney et Scott 71] McKenney J L amp Scott M M Management decision systems computer-based support for decision making Harvard Business School Press

[Mansoul et Atmani 16] Mansoul A and Atmani B Clustering to Enhance Case-Based Reasoning in Modelling and Implementation of Complex Systems Springer International Publishing 2016 pp 137-151

[Mansoul et Atmani 17] Abdelhak M amp Baghdad A Combining Multi-Criteria Analysis with CBR for Medical Decision Support Journal of Information Processing Systems 13(6)

[Maystre et al 94] Maystre LY J Pictet amp Simos J Meacutethodes multicritegraveres Electre Presses Polytechniques et Universitaires Romandes Lausanne Suisse

[Marling et al 05] Marling C Rissland E Aamodt A Integrations with case-based reasoning The Knowledge Engineering Review Vol 20 No 3 241-245

[Marling et al 02] Marling C Sqalli M Rissland E Muntildeoz-Avila H amp Aha D Case-Based Reasoning Integrations AI magazine Vol 23 No 1 p 69

[Marling et al 08] Marling C Shubrook J amp Schwartz F Case-Based Decision Support for Patients with Type 1 Diabetes on Insulin Pump Therapy 9th European Conference ECCBR 2008 Springer-Verlag Berlin 325-339

[Musen et al 14] Musen M A Middleton B amp Greenes R A Clinical decision-support systems In Biomedical informatics (pp 643-674) Springer London

[Malyshevska 09] Malyshevska K The usage of neural networks for the medical diagnosis International Book Series Information Science and Computing 77-80

[Malekpoor et al 16] Malekpoor H Mishra N Sumalya S amp Kumari S An efficient approach to radiotherapy dose planning problem a TOPSIS case-based reasoning approach International Journal of Systems Science Operations amp Logistics p 1-9

[Merida-Campos et Rolloacuten Rico 03] Merida-Campos C et Rolloacuten Rico E CBR and MBR techniques review for an application in the emergencies domain Available httpsupcommonsupcedubitstreamhandle211797020R03-36pdf

[Mokeddem et al 14] Mokeddem S Atmani B amp Mokaddem M A new approach for coronary artery diseases diagnosis based on genetic algorithm International Journal of Decision Support System Technology (IJDSST) 6(4) 1-15

[Montani 08] Montani S Exploring new roles for case-based reasoning in heterogeneous AI systems for medical decision support Applied Intelligence Vol 28 No 3 275-285

[Montani et al 01] Montani S Magni PA Roudsari V Carson E R amp Bellazzi R Integrating different methodologies for insulin therapy support in type 1 diabetic patients In AIMErsquo01 Proceedings of the 8th Conference on AI in Medicine in Europe pages 121ndash130 London UK Springer-Verlag

[Moreno 15] Moreno M Deacuteveloppement des systegravemes drsquoaide agrave la deacutecision dans les cabinets de meacutedecine geacuteneacuterale en France Thegravese pour obtenir le grade de Docteur en Meacutedecine httpspetaleuniv-lorrainefrnoticeviewuniv-lorraine-ori-34885

[Mintzberg et al 76] Mintzberg H Raisinghani D amp Theoret A The structure of unstructured decision process Administrative Science Quarterly 246ndash275

[Mintzberg 82] Mintzberg H Structure et dynamique des organisations Ed dorganisation Paris

[Minsky 81] Minsky M A Framework for Representing Knowledge In Mind Design Haugeland (ed) Boston MIT Press

[Musen et al 06] Musen MA Shahar Y amp Shortliff EH Clinical Decision-Support Systems Biomedical Informatics Health Informatics UNIT II 698-736 DOI 1010070-387-36278-9_20

[Molines 07] Molines N SIG et analyse multicritegravere des outils au service de lameacutelioration du processus deacutecisionnel des projets autoroutiers CRENAM U St-Etienne CRG U Laval (Queacutebec)

[Melvin 12] Melvin A Decision Making using the analytic hierarchy process (AHP) and SASIML SESUG Paper SD-04

[Nafi et Werey 10] Nafi A et Werey C Aide agrave la deacutecision multicritegraveres introduction aux meacutethodes drsquoanalyse multicritegravere de type ELECTRE Module dingeacutenierie financiegravere ENGEES 2009 vol 2010

[Nilsson et Sollenborn 04] Nilsson M and Sollenborn M Advancements and trends in medical casebased reasoning An overview of systems and system development In FLAIRS Conference

[Noori 15] Noori B Developing a CBR system for marketing mix planning and weighting method selection using fuzzy AHP Applied Artificial Intelligence Vol 29 no 1 p 1-32

[Osheroff 09] Osheroff J A Improving Medication Use and Outcomes With Clinical Decision Support Step-By-Step Guide HIMSS

[Ozernoy 92] Ozernoy VM Choosing the best multiple criteria decision-making method INFOR 32(2)159ndash 171

[Pantic 05] Pantic M Introduction to Machine Learning amp Case-Based Reasoning London Imperial College

[Pan et al 07] Pan R Yang Q amp Pan SJ Mining competent case bases for case-based reasoning In Artificial Intelligence 171 1039ndash1068

[Pandey et Mishra 10] Pandey B amp Mishra R B Data mining and CBR integrated methods in medicine a review International Journal of Medical Engineering and Informatics 2(2) 205-218

[Pandey et Mishra 09] Pandey B amp Mishra R B Knowledge and intelligent computing system in medicine Computers in biology and medicine 39(3) 215-230

[Park et al 06] Park Y J Kim B C amp Chun S H New knowledge extraction technique using probability for case-based reasoning application to medical diagnosis Expert Systems 23(1) 2-20

[Pelaccia et al 11] Pelaccia T Tardif J Triby E Ammirati C Betrand C amp Charlin B Comment les meacutedecin raisonnent-ils pour poser des diagnostics et prendre des deacutecisions theacuterapeutiques Les enjeux en meacutedecine drsquourgence Annales franccedilaises de meacutedecine durgence (1) 77-84

[Podgorelec 05] Podgorelec V Hericko M amp Rozman I Improving mining of medical data by outliers prediction In CBMS pages 91ndash96

[Pomerol et Barba-Romero 93] Pomerol JCh et S Barba-Romero Choix multicritegravere dans lrsquoentreprise Hermegraves Paris

[Power 02] Power D J Decision support systems concepts and resources for managers Studies in Informatics and Control 2002 vol 11 no 4 p 349-350

[Prabusankarlal et al 15] Prabusankarlal KM Thirumoorthy P amp Manavalan R Assessment of combined textural and morphological features for diagnosis of breast masses in ultrasound Human-centric Computing and Information Sciences Vol 5 no 1 p 1-17

[Prather et al 97] Prather JC Lobach D F Goodwin LK Hales J W Hage ML amp Hammond W E Medical data mining Knowledge discovery in a clinical data warehouse In n 1997 Annual Conference of the American Medical Informatics Association Philadelphia

[Qi et al 16] Qi J Hu J and Peng Y Hybrid weighted mean for CBR adaptation in mechanical design by exploring effective correlative and adaptative values Computers in Industry Vol 75 p 58-66

[Ramirez et al 00] Ramirez J C Cook D J Peterson L L Peterson D M An event set approach to sequence discovery in medical data Intell Data Anal 4(6) 513ndash530

[Rasmussen 86] Rasmussen J Information processing and human-machine interaction An approach to cognitive engineering

[Rialle 94] Rialle V Deacutecision et Cognition en Biomeacutedecine modegraveles et Inteacutegration Thegravese de doctorat Universiteacute Joseph-Fourier-Grenoble I

[Richards et al 01] Richards G Rayward-Smith V J Soumlnksen P H Carey S amp Weng C Data mining for indicators of early mortality in a database of clinical records Artificial intelligence in medicine 22(3) 215-231

[Reason 93] Reason J Lrsquoerreur Humaine Presses Universitaires de France 2egraveme Ed

[Renaud et al 10] Renaud JL Lagouarde P amp Darmoni S Etude des systegravemes daide agrave la deacutecision meacutedicale France

[Recio-Garcia et al 14] Recio-Garcia J A Diaz-Agudo B Belen amp Gonzalez-Calero P A jcolibri2 Tutorial jcolibri2 A framework for building Case-based reasoning system Science of Computer Programming 79 126-145

[Renaud-Salis et al 10] Renaud-Salis J Lagouarde P amp Darmoni SJ Eacutetude des systegravemes drsquoaide agrave la deacutecision meacutedicale Haute Autoriteacute de Santeacute (HAS) httpwwwhas-santefrportailjcmsc_1021245systemes-informatiques-d-aide-a-la-decision-medicale

[Rogers et al 00] RogersM BruenM amp Maystre L Y ELECTRE and decision support method and applications in engineering and infrastructure investment Kluwer Academeic Publisher ISBN 0- 7923-8647-7 USA

[Roy 85] Roy B Meacutethodologie Multicritegraveres drsquoAide agrave la Deacutecision Collection Gestion Seacuterie Production et techniques quantitatives appliqueacutees agrave la gestion Economica Paris

[Roy 91] Roy B The outranking approach and the foundations of ELECTRE methods Theory Decision pp 49-73

[Roy 92] Roy B Science de la deacutecision ou science de lrsquoaide agrave la deacutecision Revue Internationale de Systeacutemique 6(5) 497ndash529

[Roy et Bouyssou 93] Roy B et Bouyssou D Aide multicritegravere agrave la deacutecision meacutethodes et cas Paris Economica 1993

[Roy et Vanderpooten 96] Roy B and Vanderpooten D The European school of MCDM Emergence basic features and current works Journal of Multi-Criteria Decision Analysis 5(1) 22ndash38

[Royes 04] Royes G F A Hybrid Fuzzy-Multicriteria-CBR Methodology for Strategic Planning Support Processing NAFIPS04 Annual Meeting of the Fuzzy Information Vol 1 208-213

[Saraiva et al 16] Saraiva R Perkusich M Silva L Siebra C amp Perkusich A Early diagnosis of gastrointestinal cancer by using case-based and rule-based reasoning Expert Systems with Applications Vol 61 pp 192-202

[Schaumlrlig 85] Schaumlrlig A Deacutecider sur plusieurs critegraveres panorama de lrsquoaide agrave la deacutecision multicritegravere Collection Diriger lrsquoentreprise Presses Polytechniques et Universitaires Romandes Lausanne Suisse

[Schneider 96] Schneider D K Modeacutelisation de la deacutemarche du deacutecideur politique dans la perspective de lrsquointelligence artificielle Ecole polytechnique feacutedeacuterale de Lausanne vol 440

[Schwartz et al 08] Schwartz FL Shubrook J H amp Marling R Use of case-based reasoning to enhance intensive management of patients on insulin pump therapy Journal of diabetes science and technology Vol 2 no 4 pp 603-611

[Schmidt et al 01] Schmidt R Montani S Bellazzi R Portinale L amp Gierl L Cased-based reasoning for medical knowledge-based systems International Journal of Medical Informatics Vol 64 No 2 pp 355-367

[Schmidt et Vorobieva 05] Schmidt R and Vorobieva O Adaptation and medical case-based reasoning focusing on endocrine therapy supportrdquo Artificial Intelligence in Medicine 10th Conference on Artificial Intelligence in Medicine pp 300ndash309

[Schmidt et Gierl 02] Schmidt R and Gier L Prognostic model for early warning of threatening influenza waves In In German Workshop on Experience Management pages 34ndash46 GWEMrsquo02 2002

[Sefion et al 03a]

Sefion I Ennaji A Gailhardou M amp Canu S Aide agrave la deacutecision meacutedicale Contribution pour la prise en charge de lasthme Ingeacutenierie des Systegravemes dInformation Vol 8 No 1 11-32

[Sefion et al 03b] Sefion I Ennaji A amp Gailhardou M ADEMA A System to Help Physicians in the Asthma Health Care In FLAIRS Conference pp 82-86

[Serroussi et Bouaud 14] Seacuteroussi B et Bouaud J Systegravemes informatiques drsquoaide agrave la deacutecision en meacutedecine panorama des approches utilisant les donneacutees et les connaissances Pratique Neurologique-FMC 2014 vol 5 no 4 p 303-316

[Serroussi et al 13a] Seacuteroussi B Le Beux P amp Venot A Lrsquoaide au diagnostic meacutedical In Informatique meacutedicale e-Santeacute Springer Paris

[Serroussi et al 13b] Seacuteroussi B Bouaud J Duclos C Dufour JC amp Venot A Lrsquoaide agrave la deacutecision theacuterapeutique In Informatique meacutedicale e-Santeacute Springer Paris p 175-198

[Shortliffe 76] Shortliffe EH Computer-Based Medical Consultation MYCIN New York American Elsevier

[Sittig 08] Sittig DF Wright A Osheroff JA Middleton B Teich JM Ash JS Campbell E Bates DW Grand challenges in clinical decision support Journal of Biomedical Informatics Vol 41 Issue 2 Pages 387-392

[Simon 77] Simon H A The new science of management decision Prentice Hall New Jersey systems development in an emerging economy Decision Support Systems

[Simon 83] SIMON H A Administration et processus de deacutecision traduction franccedilaise de Administrative Behavior 1947Economica Paris

[Simoudis 96] Simoudis E Reality check for data mining Expert Intelligent systems and their applications vol 11 no 5 p 26-33

[Sivakumar 07] Sivakumar R Neural Network Based Diabetic Retinopathy Classification Using Phase spectral Periodicity components ICGST-BIME Journal Vol 7 No 1 23-28

[Sharareh et al 10] Sharareh R Kalhori N Nasehi M amp Zeng XJ A Logistic Regression Model to Predict High Risk Patients to Fail in Tuberculosis Treatment Course Completion International Journal of Applied Mathematics Vol 40

[Shanbezadeh et al 13] Shanbezadeh M Soltani T amp Ahmadi M Developing a Clinical Decision Support Model to Evaluate the Quality of Asthma Control Level Middle-East Journal of Scientific Research 14 Ndeg 3 387-393

[Szolovits et al 88] Szolovits P Patil RS Schwartz WB Artificial intelligence in medical diagnosis Annals of internal medicine 108(1) 80-87

[Sung et Seong 10] Sung HH and Seong HJ A Hybrid Data Mining Method for the Medical Classification of Chest Pain International Journal of Computer and Information Engineering Vol4

[Sqalli et Freuder 98] Sqalli MH and Freuder EC Integration of CSP and CBR to compensate for incompleteness and incorrectness of models in The AAAI-98 Spring Symposium on Multimodal Reasoning

[Sqalli et al 99] Sqalli MH Purvis L amp Freuder EC Survey of applications integrating constraint satisfaction and case-based reasoning in PACLP99 The First International Conference and Exhibition on the Practical Application of Constraint Technologies and Logic Programming pp 19-21

[Song et al 07] Song X Petrovic S amp Sundar S A case-based reasoning approach to dose planning in Radiotherapy 7th International Conference on Case-based Reasoning ICCBR pp348-357

[Thokala et Praveen 12] Thokala P and Praveen A Multiple criteria decision analysis for health technology assessment Value in Health Vol 15 no 8 pp 1172-1181

[Tsoukias 03] Tsoukiagraves A From decision theory to decision aiding methodology DIMACS Technical report 2003-21 Rutgers University

[Turban 93] Turban E Decision Support and Expert Systems Macmillan New York

[Vansnick 88] Vansnick JC Principes et applications des meacutethodes multicritegraveres Technical report Universiteacute de Mons-Hainaut

[Vansnick 90] Vansnick JC Measurement theory and and decision aid In C Bana e Costa editor Readings in Multiple Criteria Decision Aid pages 81ndash100 Springer-Verlag Berlin

[Verma et al 14] Verma L Srinivasan S amp Sapra V Integration of rule based and case-based reasoning system to support decision making Issues and Challenges in Intelligent Computing Technics (ICICT) International Conference on IEEEP pp 106-108

[Velasquez et Hester 13] Velasquez M and Hester P T An Analysis of Multi-Criteria Decision Making Methods International Journal of Operations Research Vol 10 no 2 pp 56-66

[Vincke 94] Vincke P Comment choisir une meacutethode drsquoaide agrave la deacutecision Cahiers du CERO 339ndash343

[Vincke 89] Vincke P Laide multicritegravere agrave la deacutecision Eacuteditions de lUniversiteacute de Bruxelles Bruxelles

[Wang et al 16] Wang H Sun B amp Shen X Hybrid similarity measure for retrieval in case-based reasoning systems and its applications for computer numerical control turret design Proceedings of the Institution of Mechanical Engineers Part B Journal of Engineering Manufacture pp 0954405416654432

[Watson 99] Watson I Case-based reasoning is a methodology not a technology In AI-CBR University of Salford United KingDoom

[Weber 15] Weber S Clinical Decision Support Systems and How Critical Care Clinicians Use Them Journal of Healthcare Information Management Vol 21 No 2

[Xu Li 96] Xu Li D An integrated rule-and case-based approach to AIDS initial assessment International journal of bio-medical computing Vol 40 No 3 197-207

[Young 94] Young GA Bootstrap More than a stab in the dark Statistical Science 9(3) 382ndash415

[Zighed et al 01] Zighed DA Kodratoff Y amp Napoli A Extraction de connaissance agrave partir drsquoune base de donneacutees Bulletin LFIA Vol 1

[Zhuang et al 09] Zhuang ZY Churilov L Burstein F amp Sikaris K Combining data mining and case-based reasoning for intelligent decision support for pathology ordering by general practitioners European Journal of Operational Research Vol 195 No 3 pp-662-675

[Zemirline 08] Zemirline A Deacutefinition et fusion de systegravemes diagnostic agrave laide dun processus de fouille de donneacutees Application aux systegravemes diagnostics (Doctoral dissertation Teacuteleacutecom Bretagne) 2008

[Zorman et al 02] Zorman M Masuda G Kokol P Yamamoto R amp Stiglic B Mining diabetes database with decision trees and association rules In CBMS pages 134ndash 2002

Webographie [OpenClinical 15]

OpenClinical Knowledge management httpwwwopenclinicalorg httpwwwopenclinicalorgaisinpracticeDSShtml

[Sournia] httpancienserpsyorgformation_debatdiagnosticdiagnostic_medicalhtml

[UCI_CMCDS] Contraceptive Method Choice Data Set Online Available httpsarchiveicsuciedumldatasetsContraceptive+Method+Choice

[UCI_PDDOP] Vertebral Column Data Set Online Available httparchiveicsuciedumldatasetsVertebral+Column

[What-when-how] httpwhat-when-howcommedical-informaticsmedical-decision-support-systems-and-knowledge-sharing-standards

[Concepts_Stat] httpwwwstatsoftfrconcepts-statistiquesclassificationsclassificationsphpmesure

Les figures

Figure 11 Les techniques intelligentes en aide agrave la deacutecision [Das 16] 9

Figure 12 Le processus deacutecisionnel selon Simon 13

Figure 13 Les niveaux de deacutecision [Kast 02] 15

Figure 14 Le raisonnement clinique 17

Figure 15 Eleacutements concourant agrave la deacutecision meacutedicale 18

Figure 16 Typologie des SADM selon les approches utiliseacutees 24

Figure 17 Structure drsquoun SADM [Holtzman 89] 25

Figure 18 Exemple de repreacutesentation de la classe personne dans une application meacutedicale 27

Figure 19 Principe de fonctionnement du RBC (cycle RBC) adapteacute de [Pantic 05] 31

Figure 21 Disciplines co-fondatrices de la FD [Kodratoff 98] 49

Figure 22 Scheacutema global de lrsquoECD drsquoapregraves Fayyad et al [Fayyad et al 96] 54

Figure 23 Matrice de confusion 2 x 2 dimensions 57

Figure 31 Les eacutetapes drsquoune meacutethode multicritegraveres [Nafi et Werey 10] 73

Figure 32 Les meacutethodes drsquoagreacutegation 75

Figure 41 La situation meacutedicale 82

Figure 42 Modegravele drsquoAide agrave la Deacutecision Meacutedicale Inteacutegreacute 87

Figure 43 Echantillon de ldquoPresumptive Diagnosis of Diseases of Orthopaedic Patientsrdquo 88

Figure 44 Le modegravele drsquoaide agrave la deacutecision meacutedicale RBC-FDD proposeacute 90

Figure 45 Processus drsquoaide agrave la deacutecision meacutedicale Inteacutegreacute 91

Figure 46 Le systegraveme RBCFDD

proposeacute 92

Figure 47 Processus RBC adapteacute de Assali et al [Assali et al 09] 98

Figure 48 Diagramme de cas drsquoutilisation (FDD) 99

Figure 49 Le diagramme de classes (FDD) 99

Figure 410 Echantillon de ldquoContraceptive Method Choice Data Setrdquo [UCI_CMCDS] 102

Figure 411 Le modegravele drsquoaide agrave la deacutecision meacutedicale RBC-AMC proposeacute 104

Figure 412 Le systegraveme RBCAMC

Proposeacute 105

Figure 413 Structure du Problegraveme Multicritegraveres Meacutedical 108

Figure 414 Exemple drsquoun graphe de sur-classement 110

Figure 415 Organigramme du surclassent [Maystre et al 94] 111

Figure 416 Diagramme des cas drsquoutilisation (AMC) 112

Figure 417 Le diagramme de classes (AMC) 113

Les tables

Table 11 Fonctions daide agrave la deacutecision et exemples de problegravemes cliniques 21

Table 12 Systegravemes RBC et leurs domaines dapplication (adapteacutee) [Begum et al 11] 36

Table 13 Systegravemes deacuteveloppeacutes avec le RBC et dautres techniques [Begum et al 11] 42

Table 21 Les tacircches de lrsquoECD 53

Table 22 Les mesures pour lrsquoeacutevaluation de modegraveles [Beleites et al 16] 57

Table 23 Les meacutethodes de fouille de donneacutees 58

Table 31 Les situations possibles de comparaison de 2 actions 67

Table 33 Matrice de performance 69

Table 34 Exemple de matrice de performance ( pour le choix drsquoimplantation drsquousine) 69

Table 35 Les probleacutematiques deacutecisionnelles 70

Table 36 Les meacutethodes PROMETHEE 76

Table 37 Les meacutethodes ELECTRE 77

Table 38 Choix de la meacutethode multicritegraveres [Nafi et Werey 10 Rogers et al 00] 78

Table 41 Structure de la situation meacutedicale 85

Table 42 Structure du Cas Meacutedical 86

Table 43 Le problegraveme meacutedical (Structure) 87

Table 44 Les descripteurs de la base de donneacutees [UCI_PDDOP] 88

Table 45 Le cas meacutedical orthopeacutedique constitueacute 93

Table 46 La base de cas ΩN 100

Table 47 Bases de cas partielles ΩL ΩT 100

Table 48 Comparaison des reacutesultats sur 3 ensembles de donneacutees de test 101

Table 49 Les descripteurs de la base de donneacutees [UCI_CMCDS] 103

Table 410 Structure du cas meacutedical orthopeacutedique 106

Table 411 Les bases partielles ΩA ΩT Ω0 Ω1 Ω2 113

Table 412 Reacutesultats de lrsquoexpeacuterimentation 115

ملخص الممارسين تزود التي الكمبيوتر تطبيقات هي والتي القرار دعم أنظمة خلال من الطبي المجال في ملحوظا تقدما القرار دعم حقق لقد

المرضى رعاية جودة تحسين في للمساعدة السريرية الحالة تصف مفيدة ومعلومات ببيانات الصحيين

طرق مع تكاملها مؤخرا نشهد فإننا الأنظمة هذه في واسع نطاق على (CBR) الحالات إلى المستندة التفكير أساليب لاعتماد نظرا فإن السياق هذا في ذلك إلى وما القرار وقواعد (MCA) المتغيرات متعدد وتحليل (DM) البيانات تحديد وهي الأخرى التفكير MCA مع CBR و DM مع CBR دمج خلال من الجديدة النهج وتقييم وتجريب تصميم هو طروحةالأ هاته من الهدف

نتائج توفير إلى يميل المقترح القرار صنع نموذج أن من اكدتو المتبع النهج بين صلة هناك أن أجريت التي التجارب وأظهرت مرضية

المفتاحیة الكلمات

تحليل متعدد المتغيرات استخراج البيانات التفكير القائم على الحالة دعم القرار الطبي نظام

Abstract

Decision support has made remarkable progress in the medical field through decision support

systems called MDSS These are computer applications that provide health practitioners with useful

data and information describing a clinical situation to help improve the quality of patient care

As case-based reasoning (CBR) is widely adopted in these systems we are now witnessing its

integration with other modes of reasoning namely data mining (DM) multicriteria analysis (MCA)

decision etc In this context the goal of our thesis is the design experimentation and evaluation of

new approaches by integrating CBR with DM and CBR with MCA

The experiments carried out showed the relevance of the adopted approach and confirm that

the proposed decision-making model tends to provide satisfactory results

Keywords Medical decision support system Multicriteria analysis Data mining Case-based

reasoning

Reacutesumeacute

Lrsquoaide agrave la deacutecision a connu une avanceacutee tregraves remarquable dans le domaine meacutedical agrave travers les

systegravemes daide agrave la deacutecision nommeacutes SADM Ce sont des applications informatiques fournissant

aux praticiens de la santeacute des donneacutees et des informations utiles deacutecrivant une situation clinique

dans le but drsquoaider agrave ameacuteliorer la qualiteacute des soins des patients

Le raisonnement agrave base de cas (RBC) eacutetant largement adopteacute dans ces systegravemes nous assistons

reacutecemment agrave son inteacutegration avec drsquoautres modes de raisonnement agrave savoir la fouille de donneacutees

(FDD) lrsquoanalyse multicritegraveres (AMC) les regravegles de deacutecision etc Dans ce contexte lrsquoobjectif de notre

thegravese est la conception lrsquoexpeacuterimentation et lrsquoeacutevaluation de nouvelles approches par inteacutegration du

RBC avec la FDD et du RBC avec lrsquoAMC

Les expeacuterimentations effectueacutees ont montreacute la pertinence de lrsquoapproche adopteacutee et confirment

que le modegravele deacutecisionnel proposeacute a tendance agrave fournir des reacutesultats satisfaisants

Mots cleacutes Systegraveme drsquoAide agrave la deacutecision meacutedicale Analyse multicritegraveres Fouille de donneacutees

Raisonnement agrave base de cas

Remerciements

DEPARTEMENT DINFORMATIQUE

Preacutesenteacutee par

MANSOUL Abde lhak

Pour obtenir

LE DIPLOME DE DOCTORAT EN SCIENCES

Filiegravere Informatique

Speacutecialiteacute Informatique

Soutenue le 04122018

Devant les membres du jury

Anneacutee universitaire 2017-2018

Mr SENOUCI Mohamed Pr Universiteacute Oran1- AB Preacutesident

Mme HAMDADOU Djamila Pr Universiteacute Oran1- AB Examinatrice

Mme FIZAZI Hadria Pr Universiteacute USTO - MB Examinatrice

Mr ELBERRICHI Zakaria Pr Universiteacute Sidi Bel Abbegraves - DL Examinateur

Mr RAHAL Sid Ahmed Hebri Pr Universiteacute USTO - MB Examinateur

Mr ATMANI Baghdad

Mr BELDJILALI Bouziane

Pr Universiteacute Oran1- AB

Directeur de Thegravese

Inviteacute

Aide agrave la deacutecision meacutedicale guideacutee par un processus

drsquoextraction de connaissances

Remerciements

Reacutesumeacute

Remerciements

Le thegraveme 2

Le contexte 2

La contribution 5

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

Meacutedicale

21 Introduction 45

27 Conclusion 61

Meacutedicale

31 Introduction 64

35 Conclusion 79

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

Les figures 138

Les tables 140

Introduction

Geacuteneacuterale

1 Le thegraveme

3 Contribution

Chapitre 1

meacutedicale

Chapitre 1

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

11 Introduction

chercheurs

noteacutes SIAD

Deacutefinition 1

Deacutefinitions 2

et Pomerol 89]

Deacutefinition 3

Son objet

efficace

deacutefinitifs

des ressources

deacutecision

[Schaumlrlig 85]

3 Evaluation

action compromis

groupes

deacutetacheacutee

premiegravere

direction

Direction

PYRAMIDE DE

GESTION

TYPE DE

DECISION

Strateacutegique

Tactique

Opeacuterationnelle

financiegraverement

Meacuted

[Cas Meacutedical]

Cas anteacuterieurs

anteacuterieures

possibles

Situation

meacutedicale

meacutedical

(SADM)

Deacutefinition 1

Deacutefinition 2

Fonction

Alerte

Rappel

Notification

Suggestion

Interpreacutetation

Preacutediction

Assistance

Critique

meacutedecine

drsquoexemple

documentaire

chroniques

On peut trouver

Sys Rappels

automatique

(SADM)

Raisonnement

logique

Modegraveles

probabilistes

Aide au

Diagnostic

Aide agrave la

Diagnostic

Aide agrave la

Theacuterapeutique

Calcul de

Scores

Systegravemes

Experts

Modegraveles de

experts

Approches

documentaires

Aide indirecte

Consultants

requecirctes

Interface

Base de

connaissances

Base de

modegraveles

drsquoinformation

Sport Pratiqueacute

Bilan Santeacute

Personne

Diabeacutetique

Marche

Patient

Kashiyarndi 06]

148 Conclusion

151 Le mode RBC

[a] La base de cas

[b] Le raisonnement

5 Meacutemorisation

4 Reacutevision

3 Adaptation

2 Remeacutemoration

Nouveau cas

Cas retrouveacute

reacutepareacute

Cas appris

Base de cas

passeacute Cas

passeacute

Nouveau

Problegraveme

1 Elaboration

taxonomique)

- En diagnostic

- En pronostic

25 HuangChronic

26 Changchildren

developmental delay

cancer

des meacutedecins

Kuntz et al 01]

162 Conclusion

[Marling et al 02]

systegravemes

de Castro et al 09]

AuthorSystem

Matching Techniques

function

ergonomy

ammealing

25 HuangChronic

Functionality

26 Changchildren

functions

18 Conclusion

Chapitre 2

21 Introduction 45

27 Conclusion 61

21 Introduction

de deacutecision

Deacutefinition 1

Deacutefinition 2

variable)

groupes

Y = a0 + a1 X1 + a2 X2 + + ap Xp

[Kodratoff 96]

Deacutefinition 1

Deacutefinition 2

Simoudis 96]

processus

[a] La description

[c] Le groupement

means)

[d] Lestimation

traiteacutees

reacutesultats

donneacutees

processus

Description

Histogramme

ACPhellip

Reacutegression

Preacutediction

attributs

Classification

classe

Groupement

entre deux groupes

k moyennes

Recherche

drsquoassociations

A-priori

FP-Growth

connaissances

comme positifs

TP(TP + FN)

neacutegatifs

TN(TN + FP)

119879119875119879119875 + 119865119875

119879119873119879119873 + 119865119873

Actual

Positive Negative

Positive

True Positive

False Positive

Negative

False Negative

True Negative

Sensitivity

Specificity

[a] En diagnostic

Descrip

Preacuted

ictive

iseacute

erviseacute

Reacuteg

ression

lineacuteaire

Reacuteseau

deacutecisio

Reacuteseau

eacutesien

eacuteneacutetiq

Regraveg

drsquoassociatio

Description

Estimation

Preacutediction

Classification

Groupement

Recherche

Associations

[c] En pronostic

neurones

et al 06]

[Keizun et al 09]

donneacutees

elles mecircme

27 Conclusion

dessus

lrsquoECD

par ces techniques

simultaneacutees

manipulations

Chapitre 3

meacutedicale

Chapitre 3

31 Introduction 64

35 Conclusion 79

31 Introduction

deacutecisionnel

opt119946119950119946119956119942119955 119927119955119946119961(119961) ∶ 119961 isin 119912

opt119946119950119946119956119942119955 119944120783(119961) 119944120784(119961) hellip 119944119950(119961) 119961 isin 119912

3211 Action

notera

- Indiffeacuterence

119938 119875 119939 119838119853 119939 P 119938

- Surclassement

3212 Critegravere

Notation

(irreacuteflexive)

asymeacutetrique

(irreacuteflexive)

actions

et reacuteflexive

ncer)relation

119886 119878 119887

3213 Poids

[Eastman et al 93]

g1 hellip hellip gj

a1 g1(a1) gj(a1)

hellip

g1(an) gj (an)

Poids w1 wj

Actions

Eloignement

centre ville

Surface

Avis Architecte

(note)

Site 1

Site 2

installations

Probleacutematique

Objectif

Prescription

Opeacuteration

Pα (Alpha)

actions

Pβ (Beta)

Partition de A

Pγ (Gamma)

la mauvaise

Ordre partiel sur A

Rangement

P (Omega)

Ordre partiel sur A

Description

un poids

(agreacutegation)

Construction

des critegraveres

de performances

poids et seuils

Recommandations et

Formulation du

problegraveme

Locale

synthegravese ou

(Maystre)

Meacutethodes de

Surclassement ou

(Schaumlrlig )

surclassement

ELECTRE

PROMETHEE

MELCHIOR

hellip

reacutefeacuterence

Meacutethode

Principe

PROMETHEE I

PROMETHEE II

PROMETHEE III

PROMETHEE IV

varier

Meacutethode

Principe

Electre I

Electre II

Electre III

Electre IV

discordance

Electre TRI

Electre IS

Critegraveres

Vrai critegravere

Electre I

Electre II

Pseudo critegravere

Electre IS

Electre Tri

Electre III IV

meacutedicale

[Bouhana et al 11]

35 Conclusion

Chapitre 4

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

41 Introduction

- initier le RBC

Inteacutegration

Interface

eacutetrag

e et cho

ix de p

roceacuted

Elaboration

Revision

Inteacutegration

Base de Cas

Raisonneur

Adaptation

Cas_ Similaires

Recherche Raisonnem

Solution=

Medical_Situation

4223 Le RBC

Medical_case

[c] Adaptation

[d] Reacutevision

423 Le raisonneur

RBC-FDD

Descripteur

Base de Cas

Elaboration

meacutedicale

Nouveau

Recherche

Inteacutegration-FD

Validation

eacutemorisation

Preacutetraitement

Clus1 Clus2

hellip Clusk

Meilleur Cluster

Interface

Elaboration

meacutedicale

Base de Cas

Nouveau

CAS ( Cs Ss Oslash)

Dignostics

Similaires

Remeacutemoration

Adaptation

Meacutemorisation

Reacutevision

Elaboration

(Cs Ss Pr_Diag)

Case Base

(Cs Ss Best_ Diag)

Cls_Diags

(Cs Ss Best_Diag)

NC (Cs Ss Oslash)

Best_ Diag

(Cs Ss Pr_Diag)

Best Cluster

Weka jColibri

Evaluation

4342 Le RBC

(i) Elaboration

Medical_Case

Pelvic_tilt=value2

Sacral_slope=value4

(ii) Recherche

(iii) Adaptation

(iv) Reacutevision

(i) Seacutelection

(iv) Evaluation

435 Mise en œuvre

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer ECD

Seacutelection

Preacutetraitement

Clustering

Configurer

similariteacute

Evaluation

Interface

Id Password

comme suit

630278175

2255258597

3960911701

4047523153

9867291675

-0254399986

Hernia

sthesis hellip n

Base de Cas ΩN

Base Test ΩT 20

Else TD=TD+1 Endif

5 End_For 6 End

4352 Evaluation

Cas mal

classeacutes

Taux erreur

20 N 4 20

RBC-AMC

contraception)

24233112301 451310113401 43237113401 42329113301 helliphellip

Descripteur

Valeur

Wifes age

Wifes education

1=low 2 3 4=high

Husbands education

1=low 2 3 4=high

Wifes religion

0=Non-Islam 1=Islam

Wifes now working

0=Yes 1=No

Husbands occupation

1 2 3 4

1=low 2 3 4=high

Media exposure

0=Good 1=Not good

Base de Cas

Information

echerche

Inteacutegration-AM

Validation

Meacutem

orisation

Cas_Proches

Nouveau

(Cs Ss Pr_Tr)

Base de Cas

(Cs Ss Best_Tr)

NMC (Cs Ss Best_Tr)

NC (Cs Ss Oslash)

Conception

Information

Reacutevision

(Best_ Tr)

ELECTRE I jColibri

(Best_ Tr)

Best_Tr

4432 Le RBC

(a) Elaboration

Medical_Case

(c) Adaptation

(d) Reacutevision

(a) Information

(b) Conception

1 Input Cls_Trs

(c) Choix

(d) Reacutevision

444 Mise en œuvre

- Frame_Work AMC

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer AMC

Information

Reacutevision

ΩA Base Apprent 60

ΩT Base Test 40

ldquoNUMrdquo

Ω1 ldquoLTMrdquo

Ω2 ldquoSTMrdquo

Interface

forall j є ΩA

4442 Evaluation

45 Conclusion

Taille de la

base Test (Cas)

Meacutethode

contraceptive

utiliseacutee11

Taille

de ΩA

Concordance

Discordance12

k=4 k=7 k=12 k=15

1re technique

ldquoNUMrdquo

2me technique

ldquoNUMrdquo

amp Perspectives

domaine

( I ) LES LIMITES

optimale

deacutecision)

deux eacutetapes

deacutecision)

descripteurs

nationales

[Kodratoff 98]

[Gierl et al 98]

[Sefion et al 03a]

Les figures

proposeacute 92

Proposeacute 105

Les tables

Abstract

reasoning

Reacutesumeacute

Remerciements

Reacutesumeacute

Remerciements

Le thegraveme 2

Le contexte 2

La contribution 5

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

Meacutedicale

21 Introduction 45

27 Conclusion 61

Meacutedicale

31 Introduction 64

35 Conclusion 79

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

Les figures 138

Les tables 140

Introduction

Geacuteneacuterale

1 Le thegraveme

3 Contribution

Chapitre 1

meacutedicale

Chapitre 1

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

11 Introduction

chercheurs

noteacutes SIAD

Deacutefinition 1

Deacutefinitions 2

et Pomerol 89]

Deacutefinition 3

Son objet

efficace

deacutefinitifs

des ressources

deacutecision

[Schaumlrlig 85]

3 Evaluation

action compromis

groupes

deacutetacheacutee

premiegravere

direction

Direction

PYRAMIDE DE

GESTION

TYPE DE

DECISION

Strateacutegique

Tactique

Opeacuterationnelle

financiegraverement

Meacuted

[Cas Meacutedical]

Cas anteacuterieurs

anteacuterieures

possibles

Situation

meacutedicale

meacutedical

(SADM)

Deacutefinition 1

Deacutefinition 2

Fonction

Alerte

Rappel

Notification

Suggestion

Interpreacutetation

Preacutediction

Assistance

Critique

meacutedecine

drsquoexemple

documentaire

chroniques

On peut trouver

Sys Rappels

automatique

(SADM)

Raisonnement

logique

Modegraveles

probabilistes

Aide au

Diagnostic

Aide agrave la

Diagnostic

Aide agrave la

Theacuterapeutique

Calcul de

Scores

Systegravemes

Experts

Modegraveles de

experts

Approches

documentaires

Aide indirecte

Consultants

requecirctes

Interface

Base de

connaissances

Base de

modegraveles

drsquoinformation

Sport Pratiqueacute

Bilan Santeacute

Personne

Diabeacutetique

Marche

Patient

Kashiyarndi 06]

148 Conclusion

151 Le mode RBC

[a] La base de cas

[b] Le raisonnement

5 Meacutemorisation

4 Reacutevision

3 Adaptation

2 Remeacutemoration

Nouveau cas

Cas retrouveacute

reacutepareacute

Cas appris

Base de cas

passeacute Cas

passeacute

Nouveau

Problegraveme

1 Elaboration

taxonomique)

- En diagnostic

- En pronostic

25 HuangChronic

26 Changchildren

developmental delay

cancer

des meacutedecins

Kuntz et al 01]

162 Conclusion

[Marling et al 02]

systegravemes

de Castro et al 09]

AuthorSystem

Matching Techniques

function

ergonomy

ammealing

25 HuangChronic

Functionality

26 Changchildren

functions

18 Conclusion

Chapitre 2

21 Introduction 45

27 Conclusion 61

21 Introduction

de deacutecision

Deacutefinition 1

Deacutefinition 2

variable)

groupes

Y = a0 + a1 X1 + a2 X2 + + ap Xp

[Kodratoff 96]

Deacutefinition 1

Deacutefinition 2

Simoudis 96]

processus

[a] La description

[c] Le groupement

means)

[d] Lestimation

traiteacutees

reacutesultats

donneacutees

processus

Description

Histogramme

ACPhellip

Reacutegression

Preacutediction

attributs

Classification

classe

Groupement

entre deux groupes

k moyennes

Recherche

drsquoassociations

A-priori

FP-Growth

connaissances

comme positifs

TP(TP + FN)

neacutegatifs

TN(TN + FP)

119879119875119879119875 + 119865119875

119879119873119879119873 + 119865119873

Actual

Positive Negative

Positive

True Positive

False Positive

Negative

False Negative

True Negative

Sensitivity

Specificity

[a] En diagnostic

Descrip

Preacuted

ictive

iseacute

erviseacute

Reacuteg

ression

lineacuteaire

Reacuteseau

deacutecisio

Reacuteseau

eacutesien

eacuteneacutetiq

Regraveg

drsquoassociatio

Description

Estimation

Preacutediction

Classification

Groupement

Recherche

Associations

[c] En pronostic

neurones

et al 06]

[Keizun et al 09]

donneacutees

elles mecircme

27 Conclusion

dessus

lrsquoECD

par ces techniques

simultaneacutees

manipulations

Chapitre 3

meacutedicale

Chapitre 3

31 Introduction 64

35 Conclusion 79

31 Introduction

deacutecisionnel

opt119946119950119946119956119942119955 119927119955119946119961(119961) ∶ 119961 isin 119912

opt119946119950119946119956119942119955 119944120783(119961) 119944120784(119961) hellip 119944119950(119961) 119961 isin 119912

3211 Action

notera

- Indiffeacuterence

119938 119875 119939 119838119853 119939 P 119938

- Surclassement

3212 Critegravere

Notation

(irreacuteflexive)

asymeacutetrique

(irreacuteflexive)

actions

et reacuteflexive

ncer)relation

119886 119878 119887

3213 Poids

[Eastman et al 93]

g1 hellip hellip gj

a1 g1(a1) gj(a1)

hellip

g1(an) gj (an)

Poids w1 wj

Actions

Eloignement

centre ville

Surface

Avis Architecte

(note)

Site 1

Site 2

installations

Probleacutematique

Objectif

Prescription

Opeacuteration

Pα (Alpha)

actions

Pβ (Beta)

Partition de A

Pγ (Gamma)

la mauvaise

Ordre partiel sur A

Rangement

P (Omega)

Ordre partiel sur A

Description

un poids

(agreacutegation)

Construction

des critegraveres

de performances

poids et seuils

Recommandations et

Formulation du

problegraveme

Locale

synthegravese ou

(Maystre)

Meacutethodes de

Surclassement ou

(Schaumlrlig )

surclassement

ELECTRE

PROMETHEE

MELCHIOR

hellip

reacutefeacuterence

Meacutethode

Principe

PROMETHEE I

PROMETHEE II

PROMETHEE III

PROMETHEE IV

varier

Meacutethode

Principe

Electre I

Electre II

Electre III

Electre IV

discordance

Electre TRI

Electre IS

Critegraveres

Vrai critegravere

Electre I

Electre II

Pseudo critegravere

Electre IS

Electre Tri

Electre III IV

meacutedicale

[Bouhana et al 11]

35 Conclusion

Chapitre 4

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

41 Introduction

- initier le RBC

Inteacutegration

Interface

eacutetrag

e et cho

ix de p

roceacuted

Elaboration

Revision

Inteacutegration

Base de Cas

Raisonneur

Adaptation

Cas_ Similaires

Recherche Raisonnem

Solution=

Medical_Situation

4223 Le RBC

Medical_case

[c] Adaptation

[d] Reacutevision

423 Le raisonneur

RBC-FDD

Descripteur

Base de Cas

Elaboration

meacutedicale

Nouveau

Recherche

Inteacutegration-FD

Validation

eacutemorisation

Preacutetraitement

Clus1 Clus2

hellip Clusk

Meilleur Cluster

Interface

Elaboration

meacutedicale

Base de Cas

Nouveau

CAS ( Cs Ss Oslash)

Dignostics

Similaires

Remeacutemoration

Adaptation

Meacutemorisation

Reacutevision

Elaboration

(Cs Ss Pr_Diag)

Case Base

(Cs Ss Best_ Diag)

Cls_Diags

(Cs Ss Best_Diag)

NC (Cs Ss Oslash)

Best_ Diag

(Cs Ss Pr_Diag)

Best Cluster

Weka jColibri

Evaluation

4342 Le RBC

(i) Elaboration

Medical_Case

Pelvic_tilt=value2

Sacral_slope=value4

(ii) Recherche

(iii) Adaptation

(iv) Reacutevision

(i) Seacutelection

(iv) Evaluation

435 Mise en œuvre

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer ECD

Seacutelection

Preacutetraitement

Clustering

Configurer

similariteacute

Evaluation

Interface

Id Password

comme suit

630278175

2255258597

3960911701

4047523153

9867291675

-0254399986

Hernia

sthesis hellip n

Base de Cas ΩN

Base Test ΩT 20

Else TD=TD+1 Endif

5 End_For 6 End

4352 Evaluation

Cas mal

classeacutes

Taux erreur

20 N 4 20

RBC-AMC

contraception)

24233112301 451310113401 43237113401 42329113301 helliphellip

Descripteur

Valeur

Wifes age

Wifes education

1=low 2 3 4=high

Husbands education

1=low 2 3 4=high

Wifes religion

0=Non-Islam 1=Islam

Wifes now working

0=Yes 1=No

Husbands occupation

1 2 3 4

1=low 2 3 4=high

Media exposure

0=Good 1=Not good

Base de Cas

Information

echerche

Inteacutegration-AM

Validation

Meacutem

orisation

Cas_Proches

Nouveau

(Cs Ss Pr_Tr)

Base de Cas

(Cs Ss Best_Tr)

NMC (Cs Ss Best_Tr)

NC (Cs Ss Oslash)

Conception

Information

Reacutevision

(Best_ Tr)

ELECTRE I jColibri

(Best_ Tr)

Best_Tr

4432 Le RBC

(a) Elaboration

Medical_Case

(c) Adaptation

(d) Reacutevision

(a) Information

(b) Conception

1 Input Cls_Trs

(c) Choix

(d) Reacutevision

444 Mise en œuvre

- Frame_Work AMC

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer AMC

Information

Reacutevision

ΩA Base Apprent 60

ΩT Base Test 40

ldquoNUMrdquo

Ω1 ldquoLTMrdquo

Ω2 ldquoSTMrdquo

Interface

forall j є ΩA

4442 Evaluation

45 Conclusion

Taille de la

base Test (Cas)

Meacutethode

contraceptive

utiliseacutee11

Taille

de ΩA

Concordance

Discordance12

k=4 k=7 k=12 k=15

1re technique

ldquoNUMrdquo

2me technique

ldquoNUMrdquo

amp Perspectives

domaine

( I ) LES LIMITES

optimale

deacutecision)

deux eacutetapes

deacutecision)

descripteurs

nationales

[Kodratoff 98]

[Gierl et al 98]

[Sefion et al 03a]

Les figures

proposeacute 92

Proposeacute 105

Les tables

Abstract

reasoning

Reacutesumeacute

Remerciements

Reacutesumeacute

Remerciements

Le thegraveme 2

Le contexte 2

La contribution 5

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

Meacutedicale

21 Introduction 45

27 Conclusion 61

Meacutedicale

31 Introduction 64

35 Conclusion 79

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

Les figures 138

Les tables 140

Introduction

Geacuteneacuterale

1 Le thegraveme

3 Contribution

Chapitre 1

meacutedicale

Chapitre 1

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

11 Introduction

chercheurs

noteacutes SIAD

Deacutefinition 1

Deacutefinitions 2

et Pomerol 89]

Deacutefinition 3

Son objet

efficace

deacutefinitifs

des ressources

deacutecision

[Schaumlrlig 85]

3 Evaluation

action compromis

groupes

deacutetacheacutee

premiegravere

direction

Direction

PYRAMIDE DE

GESTION

TYPE DE

DECISION

Strateacutegique

Tactique

Opeacuterationnelle

financiegraverement

Meacuted

[Cas Meacutedical]

Cas anteacuterieurs

anteacuterieures

possibles

Situation

meacutedicale

meacutedical

(SADM)

Deacutefinition 1

Deacutefinition 2

Fonction

Alerte

Rappel

Notification

Suggestion

Interpreacutetation

Preacutediction

Assistance

Critique

meacutedecine

drsquoexemple

documentaire

chroniques

On peut trouver

Sys Rappels

automatique

(SADM)

Raisonnement

logique

Modegraveles

probabilistes

Aide au

Diagnostic

Aide agrave la

Diagnostic

Aide agrave la

Theacuterapeutique

Calcul de

Scores

Systegravemes

Experts

Modegraveles de

experts

Approches

documentaires

Aide indirecte

Consultants

requecirctes

Interface

Base de

connaissances

Base de

modegraveles

drsquoinformation

Sport Pratiqueacute

Bilan Santeacute

Personne

Diabeacutetique

Marche

Patient

Kashiyarndi 06]

148 Conclusion

151 Le mode RBC

[a] La base de cas

[b] Le raisonnement

5 Meacutemorisation

4 Reacutevision

3 Adaptation

2 Remeacutemoration

Nouveau cas

Cas retrouveacute

reacutepareacute

Cas appris

Base de cas

passeacute Cas

passeacute

Nouveau

Problegraveme

1 Elaboration

taxonomique)

- En diagnostic

- En pronostic

25 HuangChronic

26 Changchildren

developmental delay

cancer

des meacutedecins

Kuntz et al 01]

162 Conclusion

[Marling et al 02]

systegravemes

de Castro et al 09]

AuthorSystem

Matching Techniques

function

ergonomy

ammealing

25 HuangChronic

Functionality

26 Changchildren

functions

18 Conclusion

Chapitre 2

21 Introduction 45

27 Conclusion 61

21 Introduction

de deacutecision

Deacutefinition 1

Deacutefinition 2

variable)

groupes

Y = a0 + a1 X1 + a2 X2 + + ap Xp

[Kodratoff 96]

Deacutefinition 1

Deacutefinition 2

Simoudis 96]

processus

[a] La description

[c] Le groupement

means)

[d] Lestimation

traiteacutees

reacutesultats

donneacutees

processus

Description

Histogramme

ACPhellip

Reacutegression

Preacutediction

attributs

Classification

classe

Groupement

entre deux groupes

k moyennes

Recherche

drsquoassociations

A-priori

FP-Growth

connaissances

comme positifs

TP(TP + FN)

neacutegatifs

TN(TN + FP)

119879119875119879119875 + 119865119875

119879119873119879119873 + 119865119873

Actual

Positive Negative

Positive

True Positive

False Positive

Negative

False Negative

True Negative

Sensitivity

Specificity

[a] En diagnostic

Descrip

Preacuted

ictive

iseacute

erviseacute

Reacuteg

ression

lineacuteaire

Reacuteseau

deacutecisio

Reacuteseau

eacutesien

eacuteneacutetiq

Regraveg

drsquoassociatio

Description

Estimation

Preacutediction

Classification

Groupement

Recherche

Associations

[c] En pronostic

neurones

et al 06]

[Keizun et al 09]

donneacutees

elles mecircme

27 Conclusion

dessus

lrsquoECD

par ces techniques

simultaneacutees

manipulations

Chapitre 3

meacutedicale

Chapitre 3

31 Introduction 64

35 Conclusion 79

31 Introduction

deacutecisionnel

opt119946119950119946119956119942119955 119927119955119946119961(119961) ∶ 119961 isin 119912

opt119946119950119946119956119942119955 119944120783(119961) 119944120784(119961) hellip 119944119950(119961) 119961 isin 119912

3211 Action

notera

- Indiffeacuterence

119938 119875 119939 119838119853 119939 P 119938

- Surclassement

3212 Critegravere

Notation

(irreacuteflexive)

asymeacutetrique

(irreacuteflexive)

actions

et reacuteflexive

ncer)relation

119886 119878 119887

3213 Poids

[Eastman et al 93]

g1 hellip hellip gj

a1 g1(a1) gj(a1)

hellip

g1(an) gj (an)

Poids w1 wj

Actions

Eloignement

centre ville

Surface

Avis Architecte

(note)

Site 1

Site 2

installations

Probleacutematique

Objectif

Prescription

Opeacuteration

Pα (Alpha)

actions

Pβ (Beta)

Partition de A

Pγ (Gamma)

la mauvaise

Ordre partiel sur A

Rangement

P (Omega)

Ordre partiel sur A

Description

un poids

(agreacutegation)

Construction

des critegraveres

de performances

poids et seuils

Recommandations et

Formulation du

problegraveme

Locale

synthegravese ou

(Maystre)

Meacutethodes de

Surclassement ou

(Schaumlrlig )

surclassement

ELECTRE

PROMETHEE

MELCHIOR

hellip

reacutefeacuterence

Meacutethode

Principe

PROMETHEE I

PROMETHEE II

PROMETHEE III

PROMETHEE IV

varier

Meacutethode

Principe

Electre I

Electre II

Electre III

Electre IV

discordance

Electre TRI

Electre IS

Critegraveres

Vrai critegravere

Electre I

Electre II

Pseudo critegravere

Electre IS

Electre Tri

Electre III IV

meacutedicale

[Bouhana et al 11]

35 Conclusion

Chapitre 4

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

41 Introduction

- initier le RBC

Inteacutegration

Interface

eacutetrag

e et cho

ix de p

roceacuted

Elaboration

Revision

Inteacutegration

Base de Cas

Raisonneur

Adaptation

Cas_ Similaires

Recherche Raisonnem

Solution=

Medical_Situation

4223 Le RBC

Medical_case

[c] Adaptation

[d] Reacutevision

423 Le raisonneur

RBC-FDD

Descripteur

Base de Cas

Elaboration

meacutedicale

Nouveau

Recherche

Inteacutegration-FD

Validation

eacutemorisation

Preacutetraitement

Clus1 Clus2

hellip Clusk

Meilleur Cluster

Interface

Elaboration

meacutedicale

Base de Cas

Nouveau

CAS ( Cs Ss Oslash)

Dignostics

Similaires

Remeacutemoration

Adaptation

Meacutemorisation

Reacutevision

Elaboration

(Cs Ss Pr_Diag)

Case Base

(Cs Ss Best_ Diag)

Cls_Diags

(Cs Ss Best_Diag)

NC (Cs Ss Oslash)

Best_ Diag

(Cs Ss Pr_Diag)

Best Cluster

Weka jColibri

Evaluation

4342 Le RBC

(i) Elaboration

Medical_Case

Pelvic_tilt=value2

Sacral_slope=value4

(ii) Recherche

(iii) Adaptation

(iv) Reacutevision

(i) Seacutelection

(iv) Evaluation

435 Mise en œuvre

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer ECD

Seacutelection

Preacutetraitement

Clustering

Configurer

similariteacute

Evaluation

Interface

Id Password

comme suit

630278175

2255258597

3960911701

4047523153

9867291675

-0254399986

Hernia

sthesis hellip n

Base de Cas ΩN

Base Test ΩT 20

Else TD=TD+1 Endif

5 End_For 6 End

4352 Evaluation

Cas mal

classeacutes

Taux erreur

20 N 4 20

RBC-AMC

contraception)

24233112301 451310113401 43237113401 42329113301 helliphellip

Descripteur

Valeur

Wifes age

Wifes education

1=low 2 3 4=high

Husbands education

1=low 2 3 4=high

Wifes religion

0=Non-Islam 1=Islam

Wifes now working

0=Yes 1=No

Husbands occupation

1 2 3 4

1=low 2 3 4=high

Media exposure

0=Good 1=Not good

Base de Cas

Information

echerche

Inteacutegration-AM

Validation

Meacutem

orisation

Cas_Proches

Nouveau

(Cs Ss Pr_Tr)

Base de Cas

(Cs Ss Best_Tr)

NMC (Cs Ss Best_Tr)

NC (Cs Ss Oslash)

Conception

Information

Reacutevision

(Best_ Tr)

ELECTRE I jColibri

(Best_ Tr)

Best_Tr

4432 Le RBC

(a) Elaboration

Medical_Case

(c) Adaptation

(d) Reacutevision

(a) Information

(b) Conception

1 Input Cls_Trs

(c) Choix

(d) Reacutevision

444 Mise en œuvre

- Frame_Work AMC

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer AMC

Information

Reacutevision

ΩA Base Apprent 60

ΩT Base Test 40

ldquoNUMrdquo

Ω1 ldquoLTMrdquo

Ω2 ldquoSTMrdquo

Interface

forall j є ΩA

4442 Evaluation

45 Conclusion

Taille de la

base Test (Cas)

Meacutethode

contraceptive

utiliseacutee11

Taille

de ΩA

Concordance

Discordance12

k=4 k=7 k=12 k=15

1re technique

ldquoNUMrdquo

2me technique

ldquoNUMrdquo

amp Perspectives

domaine

( I ) LES LIMITES

optimale

deacutecision)

deux eacutetapes

deacutecision)

descripteurs

nationales

[Kodratoff 98]

[Gierl et al 98]

[Sefion et al 03a]

Les figures

proposeacute 92

Proposeacute 105

Les tables

Abstract

reasoning

Reacutesumeacute

Remerciements

Le thegraveme 2

Le contexte 2

La contribution 5

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

Meacutedicale

21 Introduction 45

27 Conclusion 61

Meacutedicale

31 Introduction 64

35 Conclusion 79

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

Les figures 138

Les tables 140

Introduction

Geacuteneacuterale

1 Le thegraveme

3 Contribution

Chapitre 1

meacutedicale

Chapitre 1

11 Introduction 9

148 Conclusion 29

151 Le mode RBC 29

162 Conclusion 37

18 Conclusion 43

11 Introduction

chercheurs

noteacutes SIAD

Deacutefinition 1

Deacutefinitions 2

et Pomerol 89]

Deacutefinition 3

Son objet

efficace

deacutefinitifs

des ressources

deacutecision

[Schaumlrlig 85]

3 Evaluation

action compromis

groupes

deacutetacheacutee

premiegravere

direction

Direction

PYRAMIDE DE

GESTION

TYPE DE

DECISION

Strateacutegique

Tactique

Opeacuterationnelle

financiegraverement

Meacuted

[Cas Meacutedical]

Cas anteacuterieurs

anteacuterieures

possibles

Situation

meacutedicale

meacutedical

(SADM)

Deacutefinition 1

Deacutefinition 2

Fonction

Alerte

Rappel

Notification

Suggestion

Interpreacutetation

Preacutediction

Assistance

Critique

meacutedecine

drsquoexemple

documentaire

chroniques

On peut trouver

Sys Rappels

automatique

(SADM)

Raisonnement

logique

Modegraveles

probabilistes

Aide au

Diagnostic

Aide agrave la

Diagnostic

Aide agrave la

Theacuterapeutique

Calcul de

Scores

Systegravemes

Experts

Modegraveles de

experts

Approches

documentaires

Aide indirecte

Consultants

requecirctes

Interface

Base de

connaissances

Base de

modegraveles

drsquoinformation

Sport Pratiqueacute

Bilan Santeacute

Personne

Diabeacutetique

Marche

Patient

Kashiyarndi 06]

148 Conclusion

151 Le mode RBC

[a] La base de cas

[b] Le raisonnement

5 Meacutemorisation

4 Reacutevision

3 Adaptation

2 Remeacutemoration

Nouveau cas

Cas retrouveacute

reacutepareacute

Cas appris

Base de cas

passeacute Cas

passeacute

Nouveau

Problegraveme

1 Elaboration

taxonomique)

- En diagnostic

- En pronostic

25 HuangChronic

26 Changchildren

developmental delay

cancer

des meacutedecins

Kuntz et al 01]

162 Conclusion

[Marling et al 02]

systegravemes

de Castro et al 09]

AuthorSystem

Matching Techniques

function

ergonomy

ammealing

25 HuangChronic

Functionality

26 Changchildren

functions

18 Conclusion

Chapitre 2

21 Introduction 45

27 Conclusion 61

21 Introduction

de deacutecision

Deacutefinition 1

Deacutefinition 2

variable)

groupes

Y = a0 + a1 X1 + a2 X2 + + ap Xp

[Kodratoff 96]

Deacutefinition 1

Deacutefinition 2

Simoudis 96]

processus

[a] La description

[c] Le groupement

means)

[d] Lestimation

traiteacutees

reacutesultats

donneacutees

processus

Description

Histogramme

ACPhellip

Reacutegression

Preacutediction

attributs

Classification

classe

Groupement

entre deux groupes

k moyennes

Recherche

drsquoassociations

A-priori

FP-Growth

connaissances

comme positifs

TP(TP + FN)

neacutegatifs

TN(TN + FP)

119879119875119879119875 + 119865119875

119879119873119879119873 + 119865119873

Actual

Positive Negative

Positive

True Positive

False Positive

Negative

False Negative

True Negative

Sensitivity

Specificity

[a] En diagnostic

Descrip

Preacuted

ictive

iseacute

erviseacute

Reacuteg

ression

lineacuteaire

Reacuteseau

deacutecisio

Reacuteseau

eacutesien

eacuteneacutetiq

Regraveg

drsquoassociatio

Description

Estimation

Preacutediction

Classification

Groupement

Recherche

Associations

[c] En pronostic

neurones

et al 06]

[Keizun et al 09]

donneacutees

elles mecircme

27 Conclusion

dessus

lrsquoECD

par ces techniques

simultaneacutees

manipulations

Chapitre 3

meacutedicale

Chapitre 3

31 Introduction 64

35 Conclusion 79

31 Introduction

deacutecisionnel

opt119946119950119946119956119942119955 119927119955119946119961(119961) ∶ 119961 isin 119912

opt119946119950119946119956119942119955 119944120783(119961) 119944120784(119961) hellip 119944119950(119961) 119961 isin 119912

3211 Action

notera

- Indiffeacuterence

119938 119875 119939 119838119853 119939 P 119938

- Surclassement

3212 Critegravere

Notation

(irreacuteflexive)

asymeacutetrique

(irreacuteflexive)

actions

et reacuteflexive

ncer)relation

119886 119878 119887

3213 Poids

[Eastman et al 93]

g1 hellip hellip gj

a1 g1(a1) gj(a1)

hellip

g1(an) gj (an)

Poids w1 wj

Actions

Eloignement

centre ville

Surface

Avis Architecte

(note)

Site 1

Site 2

installations

Probleacutematique

Objectif

Prescription

Opeacuteration

Pα (Alpha)

actions

Pβ (Beta)

Partition de A

Pγ (Gamma)

la mauvaise

Ordre partiel sur A

Rangement

P (Omega)

Ordre partiel sur A

Description

un poids

(agreacutegation)

Construction

des critegraveres

de performances

poids et seuils

Recommandations et

Formulation du

problegraveme

Locale

synthegravese ou

(Maystre)

Meacutethodes de

Surclassement ou

(Schaumlrlig )

surclassement

ELECTRE

PROMETHEE

MELCHIOR

hellip

reacutefeacuterence

Meacutethode

Principe

PROMETHEE I

PROMETHEE II

PROMETHEE III

PROMETHEE IV

varier

Meacutethode

Principe

Electre I

Electre II

Electre III

Electre IV

discordance

Electre TRI

Electre IS

Critegraveres

Vrai critegravere

Electre I

Electre II

Pseudo critegravere

Electre IS

Electre Tri

Electre III IV

meacutedicale

[Bouhana et al 11]

35 Conclusion

Chapitre 4

41 Introduction 81

425 Le RBC 85

proposeacute 92

4342 Le RBC 93

4352 Evaluation 101

proposeacute 104

4432 Le RBC 106

4442 Evaluation 114

45 Conclusion 115

41 Introduction

- initier le RBC

Inteacutegration

Interface

eacutetrag

e et cho

ix de p

roceacuted

Elaboration

Revision

Inteacutegration

Base de Cas

Raisonneur

Adaptation

Cas_ Similaires

Recherche Raisonnem

Solution=

Medical_Situation

4223 Le RBC

Medical_case

[c] Adaptation

[d] Reacutevision

423 Le raisonneur

RBC-FDD

Descripteur

Base de Cas

Elaboration

meacutedicale

Nouveau

Recherche

Inteacutegration-FD

Validation

eacutemorisation

Preacutetraitement

Clus1 Clus2

hellip Clusk

Meilleur Cluster

Interface

Elaboration

meacutedicale

Base de Cas

Nouveau

CAS ( Cs Ss Oslash)

Dignostics

Similaires

Remeacutemoration

Adaptation

Meacutemorisation

Reacutevision

Elaboration

(Cs Ss Pr_Diag)

Case Base

(Cs Ss Best_ Diag)

Cls_Diags

(Cs Ss Best_Diag)

NC (Cs Ss Oslash)

Best_ Diag

(Cs Ss Pr_Diag)

Best Cluster

Weka jColibri

Evaluation

4342 Le RBC

(i) Elaboration

Medical_Case

Pelvic_tilt=value2

Sacral_slope=value4

(ii) Recherche

(iii) Adaptation

(iv) Reacutevision

(i) Seacutelection

(iv) Evaluation

435 Mise en œuvre

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer ECD

Seacutelection

Preacutetraitement

Clustering

Configurer

similariteacute

Evaluation

Interface

Id Password

comme suit

630278175

2255258597

3960911701

4047523153

9867291675

-0254399986

Hernia

sthesis hellip n

Base de Cas ΩN

Base Test ΩT 20

Else TD=TD+1 Endif

5 End_For 6 End

4352 Evaluation

Cas mal

classeacutes

Taux erreur

20 N 4 20

RBC-AMC

contraception)

24233112301 451310113401 43237113401 42329113301 helliphellip

Descripteur

Valeur

Wifes age

Wifes education

1=low 2 3 4=high

Husbands education

1=low 2 3 4=high

Wifes religion

0=Non-Islam 1=Islam

Wifes now working

0=Yes 1=No

Husbands occupation

1 2 3 4

1=low 2 3 4=high

Media exposure

0=Good 1=Not good

Base de Cas

Information

echerche

Inteacutegration-AM

Validation

Meacutem

orisation

Cas_Proches

Nouveau

(Cs Ss Pr_Tr)

Base de Cas

(Cs Ss Best_Tr)

NMC (Cs Ss Best_Tr)

NC (Cs Ss Oslash)

Conception

Information

Reacutevision

(Best_ Tr)

ELECTRE I jColibri

(Best_ Tr)

Best_Tr

4432 Le RBC

(a) Elaboration

Medical_Case

(c) Adaptation

(d) Reacutevision

(a) Information

(b) Conception

1 Input Cls_Trs

(c) Choix

(d) Reacutevision

444 Mise en œuvre

- Frame_Work AMC

Meacutedecin

Remeacutemoration

situation

Adaptation

Reacutevision

Deacutemarrer AMC

Information

Reacutevision

ΩA Base Apprent 60

ΩT Base Test 40

ldquoNUMrdquo

Ω1 ldquoLTMrdquo

Ω2 ldquoSTMrdquo

Interface

forall j є ΩA

4442 Evaluation

45 Conclusion

Taille de la

base Test (Cas)

Meacutethode

contraceptive

utiliseacutee11

Taille

de ΩA

Concordance

Discordance12

k=4 k=7 k=12 k=15

1re technique

ldquoNUMrdquo

2me technique

ldquoNUMrdquo

amp Perspectives

domaine

( I ) LES LIMITES

optimale

deacutecision)

deux eacutetapes

deacutecision)

descripteurs

nationales

[Kodratoff 98]

[Gierl et al 98]

[Sefion et al 03a]

Les figures

proposeacute 92

Proposeacute 105

Les tables

Abstract

reasoning

Reacutesumeacute

Remerciements

Documents

Aide à la décision médicale guidée par un processus d