Hôpitaux Universitaires Grand Ouest

Accueil

Deux questions à Alpo Värri et Antti Kallonen, Université de Tampere

Alpo Värri et Antti Kallonen sont chercheurs à la Faculté de Médecine et de technologie de santé à l'Université de Tampere (TAU). Dans cet entretien, Alpo et Antti expliquent leur travail sur la détection précoce de l'infection chez les nouveau-nés prématurés et leurs activités dans cette dernière phase du projet.

Antti_Alpo

TAU est responsable du WP sur le système d'aide à la décision médicale. Pourriez vous expliquer votre approche concernant le développement du DSS et les méthodes utilisées?

Notre approche est basée sur les données.  Nous utilisons les données acquises de l'étude clinique de Digi-NewB et nous les analysons avec l'équipe de l'Université de Rennes 1. En résultat de cette analyse, nous sélectionnons les paramètres les plus pertinents et les analysons plus en détail, en espérant ainsi parvenir à prédire le risque d'infection des nouveau-nés prématurés. La deuxième étape est d'entraîner un classificateur supervisé pour estimer la probabilité du risque d'infection. Les méthodes appliquées actuellement pour le système d'aide à la décision médicale sont basées sur un ensemble robuste appelé classificateur 'random forest' qui a la capacité de travailler sur des relations hautement non linéaires des paramètres. Ces paramètres sont calculés sur la base du travail de l'Université de Rennes 1 sur les signaux cardiaques et respiratoires. Le défi est important en raison des nombreuses données bruitées et des incertitudes sur les paramètres les plus informatifs. Le développement du DSS est basé sur une boucle continue d'analyse des données collectées/calculées, et sur l'implementation d'algorithmes précis pour parvenir à trouver la prédiction la plus sensible et spécifique du risque d'infection. 

Nous entrons actuellement dans la phase finale du projet, et nous espérons obtenir un prolongement de 3 mois. Quels sont les principaux objectifs de votre équipe sur cette phase finale? 
 
Pendant ces derniers mois, nous travaillerons davantage sur le traitement des données pour éviter des 'fausses alertes' sur le risque de sepsis. Une option en cours de test est l'utilisation de l'approche deep learning dans le but de filtrer les paramètres avant de générer le risque d'infection. Cela permet de fournir au système des données nettoyées et de réduire le risque de faux positifs. L'objectif de cette dernière phase est de développer un programme robuste qui permette au DSS de fonctionner en milieu hospitalier dans le cadre d'une étude préclinique, et ainsi l'étudier dans la pratique clinique. La phase finale du projet sera également centrée sur l'amélioration de la version finale du système pour permettre une meilleure explicabilité de l'intelligence artificielle. Une prédiction du risque d'infection n'est pas le seul objectif final. Il est également important de faire progresser les sciences médicales et d'explorer quels sont les paramètres qui contribuent à un risque élevé d'infection chez le nouveau-né prématuré.