Search

Obstructive sleep apnea (OSA) is a highly prevalent disease in France.OSA is associated with cardiovascular comorbidities such as high blood pressure or stroke.Positive airway pressure (PAP) is the first line treatment of moderate to severe OSA.The therapy faces compliance issues and patient withdrawals, and some potential effects are still controversial.Clinicians need to understand and characterize compliance behaviors.PAP telemonitoring provides data regarding individual daily use.The research work presented in this thesis aims to identify typical compliance behaviors from remote monitoring data.We employ a time series clustering approach.Firstly, individual sequences of daily PAP usage duration must be built from telemonitoring data.Data are produced by PAP devices and can pass through devices manufacturers and homecare providers.Data may contain bias when they are made available to clinicians.We suggest recommendations for building complete and reliable individual time series.Then we discuss the relevance and representativeness of the data provided by a homecare provider to prevent potential misuses.Next, we cluster the compliance time series characterized by high variabilities and discontinuities due to non uses of PAPs.We want the clusters to take into account of the level of compliance, variability and discontinuities within the trajectories, and to gather patients who dropped out of treatment regardless of the date they stopped.We highlight the benefits of the dynamic time warping dissimilarity to cluster these data in the clinical context.Particularly, in hierarchical ascending clustering, Ward's criterion and Dunn index provide relevant clusters.Finally, clinicians must be able to interpret the clusters.The superposition or the juxtaposition of all the curves of a cluster is not informative because of the number of trajectories, their variability and discontinuities.We suggest diversifying the visualizations of the clusters to highlight both the common characteristics shared by the trajectories of a cluster and the heterogeneity of behaviors.The charts we propose are illustrated by real life clusters.A web application is under development to allow clinicians to create and customize these charts.; Le syndrome d'apnées obstructives du sommeil (SAOS) est une pathologie à forte prévalence en France.Le SAOS est associé à des comorbidités cardiovasculaires comme l'hypertension artérielle ou l'accident vasculaire cérébral.Le traitement de référence dans les cas les plus sévères est la ventilation en pression positive continue (PPC).La thérapie rencontre des problèmes d'observance et d'abandons, et certains effets potentiels sont à ce jour controversés.Les cliniciens ont besoin de comprendre et caractériser les comportements d'observance.Le télésuivi de la PPC rend disponibles les durées de traitement quotidiennes des patients.Le travail de recherche présenté dans ce mémoire vise à identifier des comportements typiques d'observance à partir des données de télésuivi.Nous utilisons une approche de classification non supervisée de séries chronologiques.Premièrement il convient de délimiter les séquences individuelles de données quotidiennes d'observance à partir des données du télésuivi.Les données sont produites par les appareils de PPC et peuvent transiter par les fabricants des machines et par les prestataires de soins à domicile (PSAD).Elles sont sujettes à contenir des biais lorsqu'elles parviennent aux cliniciens.Nous proposons des recommandations pour la production de séries chronologiques exhaustives et fidèles aux comportements d'observance des patients.Puis nous discutons de la pertinence et de la représentativité des données fournies par un PSAD pour prévenir de potentielles mauvaises utilisations.Ensuite nous réalisons la classification non supervisée des séries temporelles d’observance.Elles sont caractérisées par des variabilités et des discontinuités dues aux jours de non utilisation de la PPC.Nous souhaitons que les clusters tiennent compte des niveaux d'observance, des variabilités et discontinuités des trajectoires, et que des individus abandonnant la thérapie soient réunis peu importe la date d'abandon.Nous mettons en avant l'intérêt de la dissimilarité du dynamic time warping (DTW) pour classer les trajectoires dans le contexte clinique.En particulier dans le cadre de la classification ascendante hiérarchique, le critère de Ward et l'indice de Dunn fournissent des résultats pertinents.Enfin, il faut permettre aux cliniciens d'interpréter les clusters.La superposition et la juxtaposition des courbes d'un cluster sont inexploitables à cause du nombre de trajectoires et de leurs variabilités et discontinuités.Nous suggérons de diversifier les représentations graphiques afin de mettre en évidence les composantes comportementales communes d'un cluster ainsi que l’hétérogénéité des comportements.Les graphiques que nous proposons sont illustrés avec des clusters de données réelles.Une application web est en cours de développement pour permettre aux cliniciens de réaliser ces graphiques et de les personnaliser.