Search

This work concerns the simulation of the evolution of the physiological parameters of a virtual patient in the operating room, in response to the actions of a learner and a virtual medical team. For this, we have extended the case-based reasoning approach to cases described by event traces and multivariate time series, and where the prediction is also of a temporal nature (multivariate time series). The test of three instantiations of this approach allowed us to conclude that the simulation was realistic in each case. In addition, we have proposed a synthetic representation model of the course of a surgery, based on data from a cohort of patients. To obtain such cohorts, we propose a strategy combining two clustering approaches and using a complexity criterion. This criterion was validated during prior experiments on simulated data. This original synthetic representation model, annotated by time series, allows a control of its complexity as well as the simulation of a virtual patient with a realism similar to the previous types of simulation. This annotated synthetic representation is also of interest for the anonymization of these complex temporal data. The automated construction of these simulations is based on the exploitation of anesthesia data collected during surgeries. The exploitation of this data being regulated, we have built a realistic data simulator. We have shown that this novel approach, based on the expertise of anaesthesia caregivers, does provide realistic time series.; Ces travaux portent sur la simulation de l’évolution des paramètres physiologiques d’un patient virtuel au bloc opératoire, en réaction aux actions d’un apprenant et d’une équipe médicale virtuelle. Pour cela, nous avons étendu l’approche du raisonnement à partir de cas, à des cas décrits par des traces d’événements et des séries temporelles multivariées, et où la prédiction est aussi une série temporelle multivariée. Le test de trois instanciations de cette approche nous a permis de conclure au réalisme de la simulation dans chacun des cas. Par ailleurs, nous avons proposé un modèle de représentation synthétique du déroulement d’une chirurgie, à partir des données d’une cohorte de patients. Pour obtenir de telles cohortes, nous proposons une stratégie combinant deux approches de clustering et utilisant un critère de complexité. Ce critère a été validé au cours d’expérimentations préalables sur des données simulées. Ce modèle de représentation synthétique original, annoté par des séries temporelles, permet un contrôle de sa complexité ainsi que la simulation d’un patient virtuel avec un réalisme similaire aux précédents types de simulation. Cette représentation synthétique annotée représente de plus un intérêt pour l’anonymisation de ces données temporelles complexes. La construction automatisée de ces simulations repose sur l’exploitation des données d’anesthésie collectées lors de chirurgies. L’exploitation de ces données étant réglementée, nous avons construit un simulateur de données réalistes. Nous avons montré que cette approche inédite, basée sur l’expertise de soignants en anesthésie, fournit bien des séries temporelles réalistes.

International audience; RésuméLes patients virtuels sont des simulateurs conçus pour former des étudiants en médecine sur des cas cliniques simulés, ce qui réduit les contraintes sur la formation et évite d'importuner des patients réels. Un patient virtuel dialogant permet à un étudiant en médecine de s'entraîner à l'anamnèse de façon naturelle avec un avatar de patient qui répond aux questions de l'étudiant. Pour gérer une grande variété de cas dans des spécialités multiples, le système de dialogue qui joue le rôle du patient doit savoir traiter la langue naturelle et le très grand vocabulaire associé dans trois contextes : (1) le cas clinique créé hors-ligne par un enseignant (le formateur), (2) les questions posées par l'étudiant en médecine (l'apprenant), et (3) les réponses générées par le système (le patient virtuel) pour répondre à l'étudiant. Cela demande de mettre en correspondance des termes et des concepts à travers ces trois contextes. Nous effectuons cela à l'aide de méthodes à base de connaissances et d'apprentissage.IntroductionLa formation par la simulation numérique a un rôle important à jouer dans la formation en santé [refs]. Elle vise à former un étudiant sur un patient simulé par un système numérique, typiquement un avatar à l'écran [ref]. Cependant, très peu de systèmes permettent à l'étudiant de dialoguer en langue naturelle avec l'avatar de patient. De plus, très peu permettent la définition facile de nouveaux cas de patients (scénarios pédagogiques). Nous présentons ici le premier système de formation par simulation numérique reposant sur un patient virtuel incluant un dialogue en langue naturelle et capable de traiter automatiquement de nouveaux cas cliniques [ref JNLE].Ce projet a été créé en collaboration avec une équipe spécialisée dans la formation en santé par la simulation (CHU d'Angers) et plusieurs entreprises (SimforHealth, Voxygen et VIDAL), chaque équipe contribuant selon son expertise. Notre contribution a consisté à fournir au système des capacités avancées de dialogue avec l'étudiant, qui font l'objet de la présente démonstration.MéthodesChaque cas clinique est défini hors-ligne par un formateur, typiquement un enseignant en médecine, par la rédaction d'un dossier médical sous la forme d'un texte semi-structuré.Étant donné un cas clinique, l'étudiant pose des questions sur diverses facettes du dossier.Le système de dialogue se compose de trois composants principaux assistés d'un module de gestion linguistique et terminologique :Le module de compréhension analyse les énoncés de l'étudiant. Il y détecte les entités médicales (symptômes, anatomie, etc.) et les types de questions, et inclut une correction orthographique.Le gestionnaire de dialogue interprète les résultats du module de compréhension. Selon les étiquettes d'entités et de questions produits par ce module, il applique des règles pour déterminer le cadre qui représente le mieux le type de question de l'étudiant. Ce cadre pilote la construction d'une requête au dossier, notamment les sections les plus pertinentes pour trouver l'information recherchée. Le gestionnaire de dialogue passe les résultats de cette requête et un type de réponse approprié au module de génération. En même temps, il met à jour un historique du dialogue [ref Traum] qui sert à traiter les ellipses et les anaphores. Cela constitue un mécanisme important pour gérer une conversation plus longue et plus naturelle que ce que donnerait une série de questions et réponses indépendantes.Le module de génération crée les énoncés de sortie. Au lieu d'utiliser des réponses prédéfinies, ce module s'appuie sur des modèles de phrases pour générer des réponses nouvelles selon le contenu du dossier.

L’observance, qui décrit à quel degré le patient suit la prescription, est un facteur essentiel pour que le traitement réussisse. Les observances des patients varient beaucoup et l’efficacité du médicament varie parallèlement. Par conséquent, il faut avoir des paramètres sensibles et fiables pour mesurer l’observance. Dans la littérature, on trouve beaucoup de paramètres pour évaluer l’observance mais leurs avantages, limites et inconvénients, en ce qui concerne l’évaluation de l’impact de l’observance sur les effets des médicaments n’ont pas encore été étudiés en profondeur. L’évaluation de ces paramètres nécessite de les tester dans différentes situations. Comme les données disponibles sur l’observance ne concernent pas un ensemble exhaustif de situations, le recours à la simulation, en s’inspirant des cas réels ou plausibles, est très pertinent. On a ainsi réussi à développer un modèle dont les paramètres sont simples et compréhensibles et qui est pratique et flexible pour simuler les différents cas et même les cas extrêmes de l’observance. On a proposé de nouveaux paramètres pour mesurer l’impact biopharmaceutique de l’observance. Ensuite, on a comparé la performance, en termes de sensibilité et la fiabilité, des paramètres proposés et celles de paramètres déjà utilisés. En conclusion, on peut souligner qu’il n’y a pas de paramètre parfait étant donné que chacun a ses propres limites. Par exemple, pour les médicaments dont les effets sont directement liés aux leurs concentrations plasmatiques, le pourcentage des doses prises, qui est le paramètre le plus utilisé, offre la pire performance; par contre, le pourcentage des doses correctes nettes qui est un nouveau paramètre possède une bonne performance et des avantages prometteurs., Compliance, which refers to the degree of the conformity to the prescription, is an essential factor for a successful treatment. The compliances of patients vary widely and the effectiveness of medication varies in parallel. Therefore, we need to have reliable and sensible parameters to measure it. In literature, there are many parameters to describe it, but their advantages, disadvantages and limitations regarding the assessment of the impact of compliance on drug have not yet been studied in depth. The evaluation of these parameters requires testing them in different situations. As available compliance data are not exhaustive, the use of the simulation, based on real or plausible cases, is very relevant. We succeeded to develop a model whose parameters are simple and understandable and which is convenient and flexible to simulate the different cases and even the extreme cases of compliance. We proposed new parameters for measuring the biopharmaceutical impact of compliance. Then, we compared the performance, in terms of sensibility and reliability, of these parameters and those already used to assess compliance and discussed their performances and limitations. In conclusion, we can emphasize that there is no ideal parameter since each one has its own limitations. For example, for drugs whose effects are directly related to their plasma concentrations, the percentage of taken doses, which is the most used parameter, has the worst performance, on the other hand, the percentage of the weighted correct doses, which is a new parameter, possesses a good performance and promising advantages.