Search

Le processus du don d’organes, crucial pour la survie de nombreux patients, ne répond pas à la demande croissante. Il dépend d’une identification, par les cliniciens, des potentiels donneurs d’organes. Cette étape est imparfaite et manque entre 30% et 60% des potentiels donneurs d’organes et ce indépendamment des pays étudiés. Améliorer ce processus est un impératif à la fois moral et économique. L’objectif de ce mémoire était de développer et valider un modèle afin de détecter automatiquement les potentiels donneurs d’organes. Pour ce faire, les données cliniques de l’ensemble des patients adultes hospitalisés aux soins intensifs du CHUM entre 2012 et 2019 ont été utilisées. 103 valeurs de laboratoires temporelles différentes et 2 valeurs statiques ont été utilisées pour développer un modèle de réseaux de neurones convolutifs entrainé à prédire les potentiels donneurs d’organes. Ce modèle a été comparé à un modèle fréquentiste linéaire non temporel. Le modèle a par la suite été validé dans une population externe cliniquement distincte. Différentes stratégies ont été comparées pour peaufiner le modèle dans cette population externe et améliorer les performances. Un total de 19 463 patients, dont 397 donneurs potentiels, ont été utilisés pour développer le modèle et 4 669, dont 36 donneurs potentiels, ont été utilisés pour la validation externe. Le modèle démontrait une aire sous la courbe ROC (AUROC) de 0.966 (IC95% 0.9490.981), supérieure au modèle fréquentiste linéaire (AUROC de 0.940 IC95% 0.908-0.969, p=0.014). Le modèle était aussi supérieur dans certaines sous populations d’intérêt clinique. Dans le groupe de validation externe, l’AUROC du modèle de réseaux de neurones était de 0.820 (0.682-0.948) augmentant à 0.874 (0.731-0.974) à l’aide d’un ré-entrainement. Ce modèle prometteur a le potentiel de modifier et d’améliorer la détection des potentiels donneurs d’organes. D’autres étapes de validation prospectives et d’amélioration du modèle, notamment l’ajout de données spécifiques, sont nécessaires avant une utilisation clinique de routine., The organ donation process, however crucial for many patients’ survival, is not enough to address the increasing demand. Its efficiency depends on potential organ donors’ identification by clinicians. This imperfect step misses between 30%–60% of potential organ donor. Improving that process is a moral and economic imperative. The main goal of this work was to address that liming step by developing and validating a predictive model that could automatically detect potential organ donors. The clinical data from all patients hospitalized, between 2012 and 2019 to the CHUM critical care units were extracted. The temporal evolution of 103 types of laboratory analysis and 2 static clinical data was used to develop and test a convolutive neural network (CNN), trained to predict potential organ donors. This model was compared to a non-temporal logistical model as a baseline. The CNN model was validated in a clinically distinct external population. To improve the performance in this external cohort, strategies to fine-tune the network were compared. 19 463 patients, including 397 potential organ donors, were used to create the model and 4 669 patients, including 36 potential organ donors, served as the external validation cohort. The CNN model performed better with an AUROC of 0.966 (IC95% 0.949-0.981), compared to the logistical model (AUROC de 0.940 IC95% 0.908-0.969, p=0.014). The CNN model was also superior in specific subpopulation of increased clinical interest. In the external validation cohort, the CNN model’s AUROC was 0.820 (0.682-0.948) and could be improved to 0.874 (0.731-0.974) after fine tuning. This promising model could change potential organ donors' detection for the better. More studies are however required to improve the model, by adding more types of data, and to validate prospectively the mode before routine clinical usage.

The aim of this thesis is to provide simplified hardware and software solutions to the problem of real time loudspeaker linearisation. Most of the existing methods require the use of external sensors, use complex nonlinear models, or attempt to optimise all the nonlinear parameters of the feed forward model. From an industrial standpoint simplicity is attractive, so the main thematic of this work is to propose a linearisation framework that is as simple as possible while still being competitive with other methods.In order to make the algorithm as simple as possible, most of the nonlinear parameters are provided a priori through the use of simulations and data sheets. Only the nonlinear function used to represent the loudspeaker suspension is optimised in real time to adapt the parameters to the sample drive unit. The algorithm is run on a low latency controller, and the control signal applied to the loudspeaker system via a transconductance power amplifier system. Both the controller and the power amplifier system were designed, built and validated by the author during this thesis.The control system is simulated and the effects of ADC resolution, model error, and mechanical damping on the compensation are analysed. Measurement results show that the control system is capable of reducing both harmonic and intermodulation distortions in the cone acceleration by up to 25 dB between 10 Hz and 1000 Hz. The control system also enables the control of the linear frequency response of the loudspeaker system, removing the peaking present at the loudspeaker resonance frequency or providing a more broad band modification of the frequency response., L'objectif de cette thèse est de fournir des solutions matérielles et logicielles simplifiées au problème de la linéarisation des haut-parleurs en temps réel. La plupart des méthodes existantes nécessitent l'utilisation de capteurs externes, utilisent des modèles non linéaires complexes, ou tentent d'optimiser tous les paramètres non linéaires du modèle prédictif. D'un point de vue industriel, la simplicité est attrayante, donc la thématique principale de ce travail est de proposer un cadre de linéarisation qui soit aussi simple que possible tout en étant compétitif avec les autres méthodes.Afin de rendre l'algorithme aussi simple que possible, la plupart des paramètres non linéaires sont fournis a priori par l'utilisation de simulations et de fiches techniques. Seule la fonction non linéaire utilisée pour représenter la suspension du haut-parleur est optimisée en temps réel pour adapter les paramètres à l'échantillon. L'algorithme est exécuté sur un contrôleur à faible latence, et le signal de commande est appliqué au système de haut-parleurs via un système d'amplificateur de puissance à transconductance. Le contrôleur et le système d'amplificateur de puissance ont été conçus, construits et validés par l'auteur au cours de cette thèse.Le système de contrôle est simulé et les effets de la résolution ADC, de l'erreur de modèle et de l'amortissement mécanique sur la compensation sont analysés. Les résultats des mesures montrent que le système de contrôle est capable de réduire les distorsions harmoniques et d'intermodulation dans l'accélération du cône jusqu'à 25 dB entre 10 Hz et 1000 Hz. Le système de contrôle permet également de contrôler la réponse en fréquence linéaire du système de haut-parleurs, en éliminant le pic présent à la fréquence de résonance du haut-parleur ou en fournissant une modification plus large de la réponse en fréquence.

To amortize the cost of MPI communications, distributed parallel HPC applications can overlap network communications with computations in the hope that it improves global application performance. When using this technique, both computations and communications are running at the same time. But computation usually also performs some data movements. Since data for computations and for communications use the same memory system, memory contention may occur when computations are memory-bound and large messages are transmitted through the network at the same time.In this paper we propose a model to predict memory bandwidth for computations and for communications when they are executed side by side, according to data locality and taking contention into account.Elaboration of the model allowed to better understand locations of bottleneck in the memory system and what are the strategies of the memory system in case of contention. The model was evaluated on many platforms with different characteristics, and showed a prediction error in average lower than 4 %., Pour amortir le coût des communications MPI, les applications HPC distribuées et parallèles peuvent recouvrir les communications réseau par des calculs, dans l'espoir d'améliorer les performances globales de l'application. L'utilisation de cette technique implique d'exécuter en même temps des calculs et des communications. Généralement, les calculs causent des déplacements de données. Puisque les données pour les calculs et celles pour les communications circulent au sein du même système gérant la mémoire, de la contention peut se produire dans ce système lorsque les calculs sont limités par les données et les communications échangent des messages de taille importante.Nous proposons dans ce papier un modèle pour prédire le débit mémoire accordé aux calculs et aux communications lorsqu'ils sont exécutés en parallèle. Ce modèle prend en compte le placement des données et la contention mémoire. L'élaboration de ce modèle nous a permis demieux comprendre quels sont les composants du système mémoire les plus sujets à la contention, et quelles sont les stratégies mises en œuvre par le système pour gérer cette dernière. Le modèle a été évalué sur plusieurs machines avec différentes caractéristiques et ses prédictions ont uneerreur en moyenne inférieure à 4 %.

Introduction : le delirium postopératoire (DPO) est une complication chirurgicale classique. Il survient avec ou sans intervalle libre entre la chirurgie et le retour en service, généralement entre la 24ème et la 72ème heure postopératoire et est toujours réversible. Le DPO induit une augmentation significative de la durée de séjour à l'hôpital, du coût d’hospitalisation, du nombre de réadmissions, des troubles cognitifs à long terme, de défaut de mémorisation ainsi qu’une augmentation de la mortalité. Cette étude a pour objectif de décrire l’incidence du DPO chez une population de patients âgés et d’étudier le recueil de la douleur comme facteur de risque de confusion postopératoire. Nous prévoyons également de déterminer un modèle prédictif de DPO. Méthodes : nous avons mené une étude observationnelle, rétrospective et monocentrique au sein de l'hôpital de La Timone, entre septembre 2020 et septembre 2021. Nous avons inclus des patients âgés de 65 ans ou plus, admis pour une prise en charge chirurgicale programmée ou urgente, dont la durée de séjour postopératoire attendue était supérieure ou égale à 3 jours, sans antécédent de démence et parlant la langue française. Nous avons recueilli nos données au cours de trois étapes de leur hospitalisation : la période préopératoire, en récoltant leurs antécédents et mode de vie, la période peropératoire permettant de relever les caractéristiques de la chirurgie ainsi que celles de l’anesthésie et en période postopératoire, en réalisant une visite quotidienne en service durant trois jours consécutifs à la suite de leur intervention. Résultats : 531 patients ont été admis à l’hôpital de La Timone pour une prise en charge chirurgicale. Nous avons analysé 109 patients. Parmi ces 109 patients, 24(22%) ont présenté un épisode de DPO durant les 3 premiers jours postopératoires. L’âge, les troubles cognitifs préopératoire, la présence d’un déficit sensoriel préopératoire, la prise de benzodiazépine au long court et la pire EN avant la prise en charge opératoire ont été identifié comme facteurs de risque de DPO. Nous avons ensuite retenue deux modèles prédictifs de DPO. Conclusion : cette étude nous a permis d’identifier des facteurs de risques de DPO. Nous avons pu proposer à partir de ces facteurs de risques, des modèles prédictifs de DPO, dont deux modèles ayant l’intérêt de pouvoir potentiellement être utilisés à la consultation d’anesthésie et durant le suivi des patients en services afin de détecter rapidement les patients à risque de DPO.

International audience

This thesis proposes an analysis of the potential of local complementary currencies (hereafter local currencies) in addressing major problems concerning sustainability and technological innovation at the local level through different perspectives. The first chapter examines the application of an emerging technology, which is the blockchain, to manage local currencies. They are used to promote objectives such as short distribution channels, high quality products, and sustainable behaviours at the local level. The first part of this chapter exposes how the blockchain can help solve traditional issues related to local currencies and how the growing digitalisation trend of the latter calls for better technological solutions to ensure low costs, security, and scalability. We analyse how the model of a blockchain-based local currency would operate from an economic perspective. The choice of a proper governance (consensus) protocol matters in this case, but so do the incentives of agents such as miners and validators to participate in the process. The second part of chapter 1 proposes a theoretical setting to analyse the possibility of implementing a Proof of Work protocol to local currencies. Analytical results evaluate the conditions of sustainability of the system and numerical simulations from the model illustrate the diverse specifications of the trade-offs between the costs and advantages of such system for the population: a management via a PoW protocol is feasible in different stages of development for local currencies. The second chapter explores the potential of local currencies in promoting short distribution channels and in serving as a signalling tool for high quality products. In this regard, local currencies should help consumers and residents of the city adopt new consumption habits, and retailers to switch from selling standard goods to selling higher quality ones. Additionally, the conditions of emergence and spatial distribution of stores selling organic food that are produced locally, in different models of cities are fostered by local currencies. We elaborate on this basis, extensions of the Hotelling spatial setting and consider for different models of cities the possible location of shops capable of proposing organic products. The scenarios of cities are studied with and without the presence of a local currency. Reconversion of local currencies to legal tender plays a crucial role in guaranteeing product quality since the conditions and costs to reconvert are the underlying mechanics that ensure the function of signalling effect in our model. The third chapter is devoted to an original empirical study on the intrinsic factors influencing the adoption of a local currency by delving in the case of the city of Cagnes-sur-Mer: the Renoir local currency. Our approach consists in addressing the problem by studying the characteristics and preferences of respondents for some of our variables of interest and establish a model capable of predicting the adoption or not of the currency. Estimation results reveal the importance of factors proper to individuals such as the sense of solidarity, interest in community activities, and experience in alternative economic movements in the adoption of a local currency. Socio-demographic characteristics such as sex, marital status, and income level also seem to play an important role. This exploratory study addresses the subject from the consumer side, provides recommendations for the development of the Renoir, and contributes to the literature on the adoption of social and technological innovations. The findings of this thesis provide novel and stimulating insights on the application of a foundational technology to a specific payment system that is a local currency, on the way the latter can serve as a signalling tool for product quality, and on the studies of its determinants of adoption.; Cette thèse propose une analyse du potentiel des monnaies locales complémentaires (ci-après monnaies locales) à aborder des questions liées à la soutenabilité et à l’innovation technologique au niveau local à travers différentes perspectives. Le premier chapitre examine l’application d’une technologie émergente, la blockchain, pour gérer les monnaies locales. Ces dernières sont utilisées pour promouvoir des objectifs tels que les circuits courts, les produits de qualité, et les comportements soutenables. La première partie de ce chapitre expose comment la blockchain peut aider à résoudre les problèmes traditionnels liés aux monnaies locales et comment la tendance croissante à la digitalisation de ces dernières appelle à de meilleures solutions technologiques pour répondre aux problèmes de coût, de sécurité, et d’évolutivité. Nous analysons comment le modèle d’une monnaie locale basée sur la blockchain fonctionnerait d’un point de vue économique. Le choix d’un protocole de gouvernance approprié est important dans ce cas, mais il en va de même des incitations des agents tels que les mineurs et les validateurs à participer au processus. La deuxième partie du premier chapitre propose un cadre théorique pour analyser la possibilité de mettre en œuvre un protocole de preuve de travail (PoW) aux monnaies locales. Les résultats analytiques évaluent les conditions de pérennité du système et les simulations numériques à partir du modèle illustrent les diverses spécifications des compromis entre les coûts et les avantages d’un tel système pour la population. Ils montrent qu’une gestion via le PoW est réalisable à différents stades de développement d’une monnaie locale. Le chapitre 2 explore le potentiel des monnaies locales en tant qu’outil de signal pour les produits de haute qualité et dans la promotion des circuits courts. Les conditions d’émergence et de répartition spatiale des magasins vendant des aliments biologiques produits localement, dans différents modèles de villes, sont favorisées par les monnaies locales. Nous élaborons sur cette base, des extensions du cadre spatial d’Hotelling et envisageons pour différents modèles de villes l’implantation possible de commerces capables de proposer des produits bio. Les scénarios de villes sont étudiés avec et sans la présence d’une monnaie locale. La reconversion des monnaies locales en monnaie officielle joue un rôle crucial dans la garantie de la qualité du produit puisque les conditions et les coûts de reconversion sont les mécanismes sous-jacents qui assurent la fonction d’effet de signal dans notre modèle. Le troisième chapitre est consacré à une étude empirique originale sur les facteurs intrinsèques influençant l’adoption d’une monnaie locale dans le cas de Cagnes-sur-Mer avec la monnaie locale Renoir. Notre approche consiste à aborder le problème en étudiant les caractéristiques des répondants pour certaines de nos variables d’intérêt et à établir un modèle prédictif pour l’adoption ou non de la monnaie. Les résultats du modèle révèlent l’importance de facteurs propres aux individus tels que le sentiment de solidarité, l’intérêt pour les activités communautaires, et l’expérience dans les mouvements économiques alternatifs dans l’adoption d’une monnaie locale. Les caractéristiques sociodémographiques telles que le sexe, le statut matrimonial, et le niveau de revenu semblent également jouer un rôle important. Cette étude exploratoire aborde le sujet du côté du consommateur, fournit des recommandations pour le développement du Renoir et contribue à la littérature liée à l’adoption des innovations sociales et technologiques. Les résultats de cette thèse fournissent un aperçu nouveau et stimulant sur l’application d’une technologie nouvelle à un système de paiement spécifique qui est celui d’une monnaie locale, sur la façon dont cette dernière peut servir d’outil de signal pour la qualité des produits, et sur les études des déterminants de son adoption.

Un des défis de la sécurité humaine dans les régions arctiques, et plus particulièrement dans les régions arctiques de la Sibérie orientale, concerne l'évaluation de l'exposition des habitants à des risques environnementaux récurrents pour la population urbaine dans un environnement géophysique caractérisé par des dynamiques de changement notables : dégradation du permafrost, d'inondations (inondations par les rivières, les canaux géomorphologiques et l'érosion du plateau) et de débâcle, d'érosion et de feux de forêt. Les centres urbains et les villages sont confrontés et exposés de facto à une multiplicité de risques naturels combinant dégradation du pergélisol, feux de forêts, inondations, etc. Cependant, l'évaluation de leur exposition est partielle ou inexistante ; d'où la nécessité de créer des observatoires mesurant l'exposition potentielle aux risques environnementaux des centres urbains. Ces derniers sont construits par l'analyse spatiale des données d'enquête sur la perception et les connaissances de la population locale et par la télédétection spatiale qui sont intégrées dans les systèmes d'information géographique. La connaissance et la compréhension de la façon dont la population locale perçoit l'environnement naturel et anthropique dans le contexte du changement climatique et de ses conséquences sont quelques-uns des facteurs clés pour créer des stratégies efficaces de planification urbaine pour les villes situées dans les zones à haut risque de risques environnementaux.

Since the introduction of the Macroscopic Fundamental Diagram (MFD), many traffic control strategies and algorithms have been developed to implement MFD-based perimeter control over a specific urban region. A model-based controller consists of two components: a plant model that represents reality; and a prediction model used to determine optimal control actions. In most studies, the authors assume a constant average trip length for all drivers traveling within the same region, for the prediction model. In these studies about perimeter control and MFD traffic models, the controllers show a good performance because accumulations, i.e. traffic states, from the plant are used to reflect the initial state of the prediction model with a high frequency (about a few seconds). However, this average trip length changes over time as it depends on the Origin-Destination flow decomposition, playing an important role in real applications. The main contributions of this paper are twofold. First, we show that the assumption about constant trip lengths used in the prediction model deteriorates the controller's performance for low frequency updates of the optimal control actions. Second, we propose a methodological framework based on the Unscented Kalman Filter (UKF) for dynamically adjusting the average trip lengths and accumulations. Our test results on a real city network show that applying this methodological framework significantly improves the controller's performance.

Urban road transportation performance is the result of a complex interplay between the network supply and the travel demand. Fortunately, the framework around the macroscopic fundamental diagram (MFD) provides an efficient description of network-wide traffic performance. In this paper, we show how temporal patterns of vehicle traffic define the performance of urban road networks. We present two high-resolution traffic datasets covering a year each. We introduce a methodology to quantify the similarity of macroscopic traffic patterns. We do so by using the concepts of the MFD and a dynamic time warping (DTW) based algorithm for time series. This allows us to derive a few representative MFD clusters that capture the essential macroscopic traffic patterns. We then provide an in-depth analysis of traffic heterogeneity in the network which is indicative of the previously found clusters. Thereupon, we define a parsimonious classification approach to predict the expected MFD clusters early in the morning with high accuracy.

Databases and machine learning (ML) have historically evolved as two separate domains: while databases are used to store and query the data, ML is devoted to predictive models inference, clustering, etc. Despite its apparent simplicity, the “data preparation” step of ML applications turns out to be the most time-consuming step in practice. Interestingly this step encompasses the bridge between databases and ML. In this setting, we raise and address three main problems related to data selection for building predictive models. First, the database usually contains more than the data of interest: how to separate the data that the analyst wants from the one she does not want? We propose to see this problem as imbalanced classification between the tuples of interest and the rest of the database. We develop an undersampling method based on the functional dependencies of the database. Second, we discuss the writing of the query returning the tuples of interest. We propose a SQL query completion solution based on data semantics, that starts from a very general query, and helps an analyst to refine it until she selects her data of interest. This process aims at helping the analyst to design the query that will eventually select the data she requires. Third, assuming the data has successfully been extracted from the database, the next natural question follows: is the selected data suited to answer the considered ML problem? Since getting a predictive model from the features to the class to predict amounts to providing a function, we point out that it makes sense to first assess the existence of that function in the data. This existence can be studied through the prism of functional dependencies, and we show how they can be used to understand a model’s limitation, and to refine the initial data selection if necessary., Les bases de données et l'apprentissage ont historiquement évolués comme deux domaines distincts: alors que les bases de données sont utilisées pour stocker et interroger les données, l'apprentissage se consacre à la détermination de modèle prédictifs, au clustering, etc. Malgré son apparente simplicité, la phase de sélection des données pour l'apprentissage est souvent très chronophage en pratique. Il est intéressante de noter que cet étape fait le pont entre les bases de données et l'apprentissage. Dans ce contexte, nous soulevons et considérons trois problèmes liés à la sélection de données pour les modèles prédictifs. Premièrement, la base de données contient généralement plus que les données d'intérêt: comment séparer les données que l'analyste veut de celles qu'elle ne veut pas? Nous proposons de voir ce problème comme une classification déséquilibrée entre les tuples d'intérêt et le reste de la base de données. Nous développons une méthode de sous-échantillonnage basée sur les dépendances fonctionnelles de la base de données. Deuxièmement, nous discutons de l'écriture de la requête renvoyant les tuples d'intérêt. Nous proposons une solution de complétion de requête SQL basée sur la sémantique des données, qui part d'une requête très générale, et aide un analyste à l'affiner jusqu'à ce qu'elle sélectionne ses données d'intérêt. Ce processus vise à aider l'analyste à concevoir la requête qui finira par sélectionner les données dont elle a besoin. Troisièmement, en supposant que les données ont été extraites avec succès de la base de données, on peut se poser la question suivante: les données sélectionnées sont-elles adaptées pour répondre au problème d'apprentissage considéré ? Puisque construire un modèle prédictif est équivalent à déterminer une fonction, nous soulignons qu'il est logique de d'abord évaluer l'existence de cette fonction dans les données. Cette existence peut être étudiée à travers le prisme des dépendances fonctionnelles, et nous montrons comment elles peuvent être utilisées pour comprendre les limitations d'un modèle et affiner la sélection initiale des données si nécessaire.

The use of electronic medical records (EMRs) and electronic prescribing are priorities in the various European action plans on connected health. The development of the EMR is a tremendous source of data; it captures all symptomatic episodes in a patient’s life and should lead to improved medical and care practices, as long as automatic treatment procedures are set up.As such, we are working on hospitalization prediction based on EMRs and after having represented them in vector form, we enrich these models in order to benefit from the knowledge resulting from referentials, whether generalist or specific in the medical field, in order to improve the predictive power of automatic classification algorithms. Determining the knowledge to be extracted with the objective of integrating it into vector representations is both a subjective task and intended for experts, we will see a semi-supervised procedure to partially automate this process.As a result of our research, we designed a product for general practitioners to prevent their patients from being hospitalized or at least improve their health. Thus, through a simulation, it will be possible for the doctor to evaluate the factors involved on the risk of hospitalization of his patient and to define the preventive actions to be planned to avoid the occurrence of this event.This decision support algorithm is intended to be directly integrated into the physician consultation software. For this purpose, we have developed a graphical interface in collaboration with many professional bodies, including the first to be concerned, general practitioners.; L’utilisation des dossiers médicaux électroniques (DMEs) et la prescription électronique sont des priorités dans les différents plans d’action européens sur la santé connectée. Le développement du DME constitue une formidable source de données ; il capture tous les épisodes symptomatiques dans la vie d’un patient et doit permettre l’amélioration des pratiques médicales et de prises en charge, à la condition de mettre en place des procédures de traitement automatique.A ce titre nous travaillons sur la prédiction d’hospitalisation à partir des DMEs et après les avoir représentés sous forme vectorielle, nous enrichissons ces modèles afin de profiter des connaissances issues de référentiels, qu’ils soient généralistes ou bien spécifiques dans le domaine médical, et cela, dans le but d’améliorer le pouvoir prédictif d’algorithmes de classification automatique. Déterminer les connaissances à extraire dans l’objectif de les intégrer aux représentations vectorielles est à la fois une tâche subjective et destinée aux experts, nous verrons une procédure semi-supervisée afin d’automatiser en partie ce processus.Du fruit de nos recherches, nous avons ébauché un produit destiné aux médecins généralistes afin de prévenir l’hospitalisation de leur patient ou du moins améliorer son état de santé. Ainsi, par le biais d’une simulation, il sera possible au médecin d’évaluer quels sont les facteurs impliqués dans le risque d’hospitalisation de son patient et de définir les actions préventives à planifier pour éviter l’apparition de cet événement.Cet algorithme d’aide à la décision a pour visée d’être directement intégré au logiciel de consultation des médecins et nous avons pour ce faire développé une interface graphique élaborée en collaboration avec de nombreux corps de métiers avec notamment les premiers concernés, des médecins généralistes.

The use of electronic medical records (EMRs) and electronic prescribing are priorities in the various European action plans on connected health. The development of the EMR is a tremendous source of data; it captures all symptomatic episodes in a patient’s life and should lead to improved medical and care practices, as long as automatic treatment procedures are set up.As such, we are working on hospitalization prediction based on EMRs and after having represented them in vector form, we enrich these models in order to benefit from the knowledge resulting from referentials, whether generalist or specific in the medical field, in order to improve the predictive power of automatic classification algorithms. Determining the knowledge to be extracted with the objective of integrating it into vector representations is both a subjective task and intended for experts, we will see a semi-supervised procedure to partially automate this process.As a result of our research, we designed a product for general practitioners to prevent their patients from being hospitalized or at least improve their health. Thus, through a simulation, it will be possible for the doctor to evaluate the factors involved on the risk of hospitalization of his patient and to define the preventive actions to be planned to avoid the occurrence of this event.This decision support algorithm is intended to be directly integrated into the physician consultation software. For this purpose, we have developed a graphical interface in collaboration with many professional bodies, including the first to be concerned, general practitioners.; L’utilisation des dossiers médicaux électroniques (DMEs) et la prescription électronique sont des priorités dans les différents plans d’action européens sur la santé connectée. Le développement du DME constitue une formidable source de données ; il capture tous les épisodes symptomatiques dans la vie d’un patient et doit permettre l’amélioration des pratiques médicales et de prises en charge, à la condition de mettre en place des procédures de traitement automatique.A ce titre nous travaillons sur la prédiction d’hospitalisation à partir des DMEs et après les avoir représentés sous forme vectorielle, nous enrichissons ces modèles afin de profiter des connaissances issues de référentiels, qu’ils soient généralistes ou bien spécifiques dans le domaine médical, et cela, dans le but d’améliorer le pouvoir prédictif d’algorithmes de classification automatique. Déterminer les connaissances à extraire dans l’objectif de les intégrer aux représentations vectorielles est à la fois une tâche subjective et destinée aux experts, nous verrons une procédure semi-supervisée afin d’automatiser en partie ce processus.Du fruit de nos recherches, nous avons ébauché un produit destiné aux médecins généralistes afin de prévenir l’hospitalisation de leur patient ou du moins améliorer son état de santé. Ainsi, par le biais d’une simulation, il sera possible au médecin d’évaluer quels sont les facteurs impliqués dans le risque d’hospitalisation de son patient et de définir les actions préventives à planifier pour éviter l’apparition de cet événement.Cet algorithme d’aide à la décision a pour visée d’être directement intégré au logiciel de consultation des médecins et nous avons pour ce faire développé une interface graphique élaborée en collaboration avec de nombreux corps de métiers avec notamment les premiers concernés, des médecins généralistes.

IGARSS 2019, IEEE International Geoscience and Remote Sensing Symposium, Yokohama, JAPON, 28-/07/2019 - 02/08/2019; Ground Penetrating Radar (GPR) is a widely used tool in the management and monitoring of pavement structures. In this paper, we focus on the detection of thin inter-layer debondings between the hot mix asphalt layers of pavement structures. A Stepped-Frequency Radar (SFR) associated with a Support Vector Regression based Linear Prediction (LP-SVR) method is used to detect thin debondings. The performance of SFR with the LP-SVR method is analyzed according to various used frequency bandwidths on the experimental data.

The present study aimed at predicting feed efficiency (FE) based on fecal microbiota, using partial least square regression (PLSR), sparse PLSR, and random forest regression (RF). Fecal samples from 147 Pietrain x (Large White x Landrace) pigs reared in two consecutive batches were collected at 99 days of age. Daily live body weight and feed intake were individually measured in pigs fed ad libitum with a corn soybean diet. The relative abundances of operational taxonomic units (OTU) resulting from fecal 16S rRNA sequencing were used to build the prediction models of FE between 99 and 113 days. From these data, neither PLSR nor RF models have been validated on external datasets. An important over-fitting has been observed in PLSR. With this aim to test the ability of the methods to retrieve information, synthetic OTU were created to fit an artificial Pearson correlation with FE (r² = 0 to 0.9) and were added among the predictors in the dataset. Artificial OTU correlated above 0.37 with FE improved the prediction in sparse PLSR and RF, and reduced the over-fitting. The best predictions were achieved by sparse PLSR. The present study emphasized the ability of sparse PLSR and RF to build valid prediction models of a quantitative phenotype, based on fecal microbiota composition. Since no OTU was correlated above 0.30 with FE in the real dataset, the power of the prediction methods was not enough to extract useful information from the fecal microbiota. The functional redundancy of the microbiota could explain the lack of relevant information in the real dataset to predict pigs’ quantitative phenotype. These results suggest that the best strategy is to run sparse PLSR only if a correlation higher than 0.37 is observed.

article court; National audience; Physicians are confronted with a constant increase in the number of their patients given the numerus clausus imposed on medical studies in France. In addition, the overall aging of the population requires them to treat patients with many diseases (comorbidity), which complicates the management of patients since polypharmacy implies the appearance of unexpected adverse drug’s effects. In this paper, we present the interface of an algorithm de-veloped to assist in the decision-making process of general practitioners (GPs) that allows them to identify in patients the first signs that lead to hospitalization and medical problems to be treated as a priority; Les médecins sont confrontés à une augmentation constante du nombre de leurs patients compte tenu du numerus clausus imposé aux études médicales en France. De plus, le vieillissement global de la population les oblige à traiter des patients atteints de nombreuses maladies chroniques (comorbidité), ce qui complique la prise en charge des patients puisque la polymédication implique l'apparition d'effets indésirables. Dans cet article, nous présentons l'interface d'un algorithme développé pour aider à la prise de décision des médecins généralistes qui leur permet d'identifier les premiers signes qui mènent les patients à l'hospitalisation et les problèmes médicaux à traiter en priorité.

article court; National audience; Physicians are confronted with a constant increase in the number of their patients given the numerus clausus imposed on medical studies in France. In addition, the overall aging of the population requires them to treat patients with many diseases (comorbidity), which complicates the management of patients since polypharmacy implies the appearance of unexpected adverse drug’s effects. In this paper, we present the interface of an algorithm de-veloped to assist in the decision-making process of general practitioners (GPs) that allows them to identify in patients the first signs that lead to hospitalization and medical problems to be treated as a priority; Les médecins sont confrontés à une augmentation constante du nombre de leurs patients compte tenu du numerus clausus imposé aux études médicales en France. De plus, le vieillissement global de la population les oblige à traiter des patients atteints de nombreuses maladies chroniques (comorbidité), ce qui complique la prise en charge des patients puisque la polymédication implique l'apparition d'effets indésirables. Dans cet article, nous présentons l'interface d'un algorithme développé pour aider à la prise de décision des médecins généralistes qui leur permet d'identifier les premiers signes qui mènent les patients à l'hospitalisation et les problèmes médicaux à traiter en priorité.

For several years, studies conducted for discovering tenderness biomarkers have proposed a list of 20 candidates. The aim of the present work was to develop an innovative methodology to select the most predictive among this list. The relative abundance of the proteins was evaluated on five muscles of 10 Holstein cows: gluteobiceps, semimembranosus, semitendinosus, Triceps brachii and Vastus lateralis. To select the most predictive biomarkers, a multi-block model was used: The Data-Driven Sparse Partial Least Square. Semimembranosus and vastus lateralis muscles tenderness could be well predicted (R&sup2, = 0.95 and 0.94 respectively) with a total of 7 out of the 5 times 20 biomarkers analyzed. An original result is that the predictive proteins were the same for these two muscles: &micro, calpain, m-calpain, h2afx and Hsp40 measured in m. gluteobiceps and &micro, calpain, m-calpain and Hsp70-8 measured in m. Triceps brachii. Thus, this method is well adapted to this set of data, making it possible to propose robust candidate biomarkers of tenderness that need to be validated on a larger population.

Earthquake ground motions are strongly affected by the upper tens of meters of the Earth's crust and consequently local site effects need to be included in any ground-motion prediction. It is increasingly common in ground motion prediction equations (GMPEs) to account for possible non-linear behavior of near-surface materials (soil). These non-linear site terms adjust observations made on soft soil sites to the ground motion expected on bedrock and hence allow these abundant soil records to be used within the regression analysis for the derivation of empirical GMPEs. These nonlinear site terms also allow rapid predictions of the expected ground motions on soil rather than requiring a site response analysis to be conducted. In this study we compare the signature on observed peak ground acceleration as a function of a strain proxy of non-linear soil behavior within four large strong-motion databases to the predicted signature from four recent GMPEs, three of which explicitly include non-linear site terms. We find that observed non-linearity in the databases, interpreted in terms of strain-stress relationships and reduction of shear modulus, is limited but that even this limited effect is underestimated by the non-linear site terms of the considered GMPEs, which suggests that predictions from these GMPEs could be biased for soft soil sites but also on bedrock. Some of this mismatch could be explained by the use of the average shear-wave velocity in the top 30m (Vs30) to characterize sites as well as errors in these values.

Background Egg quality can be defined as the egg ability to be fertilized and subsequently develop into a normal embryo. Previous research has shed light on factors that can influence egg quality. Large gaps however remain including a comprehensive view of what makes a bad egg. Initial development of the embryo relies on maternally-inherited molecules, such as transcripts, deposited in the egg during its formation. Bad egg quality is therefore susceptible to be associated with alteration or dysregulation of maternally-inherited transcripts. We performed transcriptome analysis on a large number (N = 136) of zebrafish egg clutches, each clutch being split to monitor developmental success and perform transcriptome analysis in parallel. We aimed at drawing a molecular portrait of the egg in order to characterize the relation between egg transcriptome and developmental success and to subsequently identify new candidate genes involved in fertility. Results We identified 66 transcript that were differentially abundant in eggs of contrasted phenotype (low or high developmental success). Statistical modeling using partial least squares regression and genetics algorithm demonstrated that gene signatures from transcriptomic data can be used to predict developmental success. The identity and function of differentially expressed genes indicate a major dysregulation of genes of the translational machinery in poor quality eggs. Two genes, otulina and slc29a1a, predominantly expressed in the ovary and dysregulated in poor quality eggs were further investigated using CRISPR/Cas9 mediated genome editing. Mutants of each gene revealed remarkable subfertility whereby the majority of their eggs were unfertilizable. The Wnt pathway appeared to be dysregulated in the otulina mutant-derived eggs. Conclusions Here we show that egg transcriptome contains molecular signatures, which can be used to predict developmental success. Our results also indicate that poor egg quality in zebrafish is associated with a dysregulation of (i) the translational machinery genes and (ii) novel fertility genes, otulina and slc29a1a, playing an important role for fertilization. Together, our observations highlight the diversity of the possible causes of egg quality defects and reveal mechanisms of maternal origin behind the lack of fertilization and early embryonic failures that can occur under normal reproduction conditions. Electronic supplementary material The online version of this article (10.1186/s12864-019-5930-8) contains supplementary material, which is available to authorized users.

The knowledge available through electronic medical records (EMR) themselves remains limited by the fact the features used by a machine learning algorithms from a text alone do not contain all the implicit information known by a domain expert. We propose and evaluate the ontological augmentations of features extracted from textual information from EMRs on several machine learning algorithms to predict hospitalization., Les dossiers médicaux électroniques (DME) contiennent des informations essentielles sur les différents épisodes symptomatiques qu'un patient a subis. Cependant, les connaissances disponibles à travers ces enregistrements restent limitées : les attributs extractibles à partir de ces textes pour un algorithme d'apprentissage ne contiennent pas toutes les informations implicites connues par un expert. Afin d'évaluer et de pallier ce problème, nous avons étudié l'impact de l'augmentation des textes et des informations textuelles en provenance des DMEs par des annotations ontologiques générées automatiquement à partir de leur analyse afin d'enrichir en amont les représentations vectorielles utilisées ensuite par des algorithmes d'apprentissage.

The Gulf of Tunis, under high anthropogenic pressure, is a favorable terrain for harmful benthic dinoflagellate blooms (BHABs). Seasonal monitoring of the spatial and temporal distribution of epiphytic and planktonic microalgae coupled with environmental factors was studied for one year from october 2013 to october 2014 at 6 stations in the Gulf of Tunis. Harmful microalgae assemblages were dominated by three toxic epiphytic dinoflagellates: Ostreopsis sp., Prorocentrum lima and Coolia monotis. They were observed both in macrophytes and in the water column. The proliferation of Ostreopsis sp. is widespread in summer and blooms of P. lima and C. monotis were mainly recorded in spring. The morphometric analysis of Ostreopsis cells revealed a large variability in cell size at the different sampling stations of the Gulf. The dorso-ventral to antero-posterior diameter (DV/AP) ratio also varies from station to another. A weekly monitoring of the spatial and temporal distribution of Ostreopsis cf. ovata epiphytic and planktonic coupled with environmental factors was studied during 2015 and 2016 summer seasons at 5 stations in the Gulf of Tunis. The blooms were mainly detected between July and August. The concentrations of Ostreopsis cf. ovata measured are the highest ever recorded on the Tunisian coasts (9,91 × 105 cell. g-1 MF on macroalgae ; 5,11 × 105 cell. dm-3 in the water column). Ostreopsis cf. ovata peaks were observed when salinity and water temperature reached their high values, and when nitrites, nitrates, total nitrogen and silicates concentrations were low. Spatial variation is observed along the Gulf coast, suggesting that some sampling stations appear more favorable to the development of Ostreopsis cf. ovata than others. The alternative counting approaches MOL and OPR of Ostreopsis cf. ovata, implemented during the M3-HABs project and tested in this study, are in good agreement with the manual counting results. A predictive model of Quantile Random Forests type was used and could describe the abundance of Ostreopsis cf. ovata in the water column and macrophytes in response to 10 meteorological variables used within this model., Le golfe de Tunis, subissant une forte pression anthropique, constitue un terrain propice aux efflorescences des dinoflagellés benthiques nuisibles (BHABs). Un suivi saisonnier de la distribution spatio-temporelle des microalgues épiphytes et planctoniques couplée à des facteurs environnementaux a été étudiée durant une année à partir d'octobre 2013 à octobre 2014 au niveau de 6 stations du golfe de Tunis. Les assemblages de microalgues nuisibles ont été dominés par trois dinoflagellés épiphytes toxiques : Ostreopsis sp., Prorocentrum lima et Coolia monotis qui ayant été observés à la fois sur des macrophytes et dans la colonne d’eau. La prolifération d'Ostreopsis sp. en lieu principalement en été alors que les efflorescences de P. lima et C. monotis ont été signalées au printemps. Une analyse morphométrique des cellules d'Ostreopsis cf. ovata a permis de mettre en évidence une grande variabilité de la taille des cellules en fonction des différentes stations de prélèvement du golfe de Tunis. Le rapport dorso-ventral sur le diamètre antéro-postérieur (DV/AP) varie également selon la station de prélèvement. Un suivi hebdomadaire de la distribution spatio-temporelle des cellules d'Ostreopsis cf. ovata épiphytes et planctoniques, couplée à des facteurs environnementaux a été étudiée durant les saisons estivales 2015 et 2016 au niveau de 5 stations de prélèvement du golfe de Tunis. Les efflorescences ont été principalement détectées entre les mois de juillet et d'août. Les concentrations d'Ostreopsis cf. ovata estimées ont été les plus élevées (9,91 × 105 cell. g-1 MF sur macroalgue et 5,11 × 105 cell. dm-3 dans la colonne d'eau) par rapport aux données déjà recensées sur les côtes Tunisiennes. Les pics d'Ostreopsis cf. ovata ont été observés lorsque la salinité et la température de l'eau ont atteint des valeurs élevées, et des concentrations faibles en nitrites, nitrates, azote total et silicates. Une variation spatiale est observée le long du littoral du golfe de Tunis, suggérant que certaines stations seraient plus propices au développement d'Ostreopsis cf. ovata que d'autres. Les méthodes de comptage alternatives MOL et OPR d'Ostreopsis cf. ovata, mises en place lors du projet M3-HABs et testées dans la présente étude, sont en bon accord avec les résultats du comptage manuel. Un modèle prédictif du type Quantile Random Forests a été utilisé et a pu décrire l'abondance d'Ostreopsis cf. ovata dans la colonne d'eau et sur les macrophytes en réponse à 10 variables météorologiques employées dans ce modèle.

New types of phenotyping tools generate large amounts of data on many aspects of plant physiology and morphology with high spatial and temporal resolution. These new phenotyping data are potentially useful to improve understanding and prediction of complex traits, like yield, that are characterized by strong environmental context dependencies, i.e., genotype by environment interactions. For an evaluation of the utility of new phenotyping information, we will look at how this information can be incorporated in different classes of genotype-to-phenotype (G2P) models. G2P models predict phenotypic traits as functions of genotypic and environmental inputs. In the last decade, access to high-density single nucleotide polymorphism markers (SNPs) and sequence information has boosted the development of a class of G2P models called genomic prediction models that predict phenotypes from genome wide marker profiles. The challenge now is to build G2P models that incorporate simultaneously extensive genomic information alongside with new phenotypic information. Beyond the modification of existing G2P models, new G2P paradigms are required. We present candidate G2P models for the integration of genomic and new phenotyping information and illustrate their use in examples. Special attention will be given to the modelling of genotype by environment interactions. The G2P models provide a framework for model based phenotyping and the evaluation of the utility of phenotyping information in the context of breeding programs. ispartof: Plant Science vol:282 pages:23-39 ispartof: location:MEXICO, Int Maize & Wheat Improvement Ctr status: Published online

Thanks to the using of liquid carrier, suspension plasma spray (SPS) enables the manufacture of finely structured coatings. As for conventional plasma spraying (APS), the microstructures of SPS coatings can be tailored by controlling the spray conditions. However, SPS is more complicated than APS due to its number of modifiable parameters.This thesis aims to provide a more fundamental understanding of the relationship between SPS process parameters and the properties of YSZ coatings by identifying generic models based on the use of mathematical statistical methods for the study of influence and sensitivity of the individual parameters.Systematic experiments were carried out to study the influence of six parameters (plasma power, suspension mass load, powder size, projection distance, projection step and substrate roughness) on the microstructure of coatings which were also analyzed in terms of the properties (mechanical, thermal, tribological, etc.). The porosity of the coatings was studied in detail and the measurements were carried out using three different techniques: the image analysis method, the X-ray transmission and the USAXS (Ultra-Small Angle X-ray Scattering) method. Multivariate analyzes of the collected experimental data were performed and several mathematical models were proposed to predict the properties of the coatings and then guide towards an optimization of the microstructure of the coating for specific applications.In this context of optimizing the mechanical and tribological performance of ceramic coatings, different amounts and sizes of h-BN powder have been added in the YSZ suspension. The YSZ/h-BN composite coatings were manufactured by SPS process and their analysis showed a clear reduction in the coefficient of friction and the wear rate when the size and the amount of addition powder are optimized together. Three wear mechanisms have finally been identified and been discussed., Grâce à l'utilisation d'un porteur liquide, la projection plasma de suspension (SPS) permet la fabrication de revêtements finement structurés. Comme pour la projection plasma conventionnelle (APS), les microstructures des revêtements SPS peuvent être adaptées en contrôlant les conditions de projection. Cependant, le procédé SPS est plus compliqué que le procédé APS par son nombre de paramètres modifiables.Cette thèse vise à apporter une compréhension plus fondamentale de la relation entre les paramètres du procédé SPS et les propriétés des revêtements YSZ en identifiant des modèles génériques basés sur l’utilisation de méthodes statistiques mathématiques pour l'étude de l'influence et de la sensibilité de paramètres individuels.Des expériences systématiques ont été menées pour étudier l'influence de six paramètres (puissance du plasma, charge massique de suspension, taille de la poudre, distance de projection, pas de projection et rugosité du substrat) sur la microstructure des revêtements qui ont aussi été analysés en terme de propriétés d’usage (mécanique, thermique, tribologique, etc.). La porosité des revêtements a fait l’objet d’une étude approfondie et les mesures ont été réalisées par trois techniques différentes : la méthode par analyse d’images, la transmission RX et la méthode USAXS (Ultra-Small Angle X-ray Scattering). Des analyses multivariées sur les données expérimentales recueillies ont été effectuées et plusieurs modèles mathématiques ont été proposés afin de prédire les propriétés des revêtements et guider ensuite vers une optimisation de la microstructure du revêtement en vu d'applications spécifiques.Dans ce contexte d'optimisation des performances mécaniques et tribologiques de ces revêtements céramiques, différentes quantités et tailles de poudre h-BN ont été ajoutées dans la suspension YSZ. Les revêtements composites YSZ / h-BN ont été fabriqués et leur analyse a montré une nette réduction du coefficient de frottement et du taux d'usure lorsque la taille et la quantité de poudre d’ajout sont optimisées l'une avec l'autre. Trois mécanismes d’usure ont finalement été identifiés et seront discutés.

The popularity of online social networks has rapidly increased over the last decade. According to Statista, approximated 2 billion users used social networks in January 2018 and this number is still expected to grow in the next years. While serving its primary purpose of connecting people, social networks also play a major role in successfully connecting marketers with customers, famous people with their supporters, need-help people with willing-help people. The success of online social networks mainly relies on the information the messages carry as well as the spread speed in social networks. Our research aims at modeling the message diffusion, extracting and representing information and knowledge from messages on social networks. Our first contribution is a model to predict the diffusion of information on social networks. More precisely, we predict whether a tweet is going to be diffused or not and the level of the diffusion. Our model is based on three types of features: user-based, time-based and content-based features. Being evaluated on various collections corresponding to dozen millions of tweets, our model significantly improves the effectiveness (F-measure) compared to the state-of-the-art, both when predicting if a tweet is going to be retweeted or not, and when predicting the level of retweet. The second contribution of this thesis is to provide an approach to extract information from microblogs. While several pieces of important information are included in a message about an event such as location, time, related entities, we focus on location which is vital for several applications, especially geo-spatial applications and applications linked to events. We proposed different combinations of various existing methods to extract locations in tweets targeting either recall-oriented or precision-oriented applications. We also defined a model to predict whether a tweet contains a location or not. We showed that the precision of location extraction tools on the tweets we predict to contain a location is significantly improved as compared when extracted from all the tweets.Our last contribution presents a knowledge base that better represents information from a set of tweets on events. We combined a tweet collection with other Internet resources to build a domain ontology. The knowledge base aims at bringing users a complete picture of events referenced in the tweet collection (we considered the CLEF 2016 festival tweet collection)., La popularité des réseaux sociaux a rapidement augmenté au cours de la dernière décennie. Selon Statista, environ 2 milliards d'utilisateurs utiliseront les réseaux sociaux d'ici janvier 2018 et ce nombre devrait encore augmenter au cours des prochaines années. Tout en gardant comme objectif principal de connecter le monde, les réseaux sociaux jouent également un rôle majeur dans la connexion des commerçants avec les clients, les célébrités avec leurs fans, les personnes ayant besoin d'aide avec les personnes désireuses d'aider, etc.. Le succès de ces réseaux repose principalement sur l'information véhiculée ainsi que sur la capacité de diffusion des messages dans les réseaux sociaux. Notre recherche vise à modéliser la diffusion des messages ainsi qu'à extraire et à représenter l'information des messages dans les réseaux sociaux. Nous introduisons d'abord une approche de prédiction de la diffusion de l'information dans les réseaux sociaux. Plus précisément, nous prédisons si un tweet va être re-tweeté ou non ainsi que son niveau de diffusion. Notre modèle se base sur trois types de caractéristiques: basées sur l'utilisateur, sur le temps et sur le contenu. Nous avons évalué notre modèle sur différentes collections correspondant à une douzaine de millions de tweets. Nous avons montré que notre modèle améliore significativement la F-mesure par rapport à l'état de l'art, à la fois pour prédire si un tweet va être re-tweeté et pour prédire le niveau de diffusion. La deuxième contribution de cette thèse est de fournir une approche pour extraire des informations dans les microblogs. Plusieurs informations importantes sont incluses dans un message relatif à un événement, telles que la localisation, l'heure et les entités associées. Nous nous concentrons sur l'extraction de la localisation qui est un élément primordial pour plusieurs applications, notamment les applications géospatiales et les applications liées aux événements. Nous proposons plusieurs combinaisons de méthodes existantes d'extraction de localisation dans des tweets en ciblant des applications soit orientées rappel soit orientées précision. Nous présentons également un modèle pour prédire si un tweet contient une référence à un lieu ou non. Nous montrons que nous améliorons significativement la précision des outils d'extraction de lieux lorsqu'ils se focalisent sur les tweets que nous prédisons contenir un lieu. Notre dernière contribution présente une base de connaissances permettant de mieux représenter l'information d'un ensemble de tweets liés à des événements. Nous combinons une collection de tweets de festivals avec d'autres ressources issues d'Internet pour construire une ontologie de domaine. Notre objectif est d'apporter aux utilisateurs une image complète des événements référencés au sein de cette collection.

Introduction: in 2017, New Caledonia experienced a severe dengue epidemic (4486 cases, 15 deaths). The objective of the study was to identify risk factors for severity and to develop a predictive model. Materials and methods: retrospective study of cases of dengue fever (RT-PCR +) hospitalized at the Noumea CHT from January to July 2017. The data were: sex, age, ethnicity, antecedents, treatments, symptoms, biological assessments, presence of warning signs and severity (WHO classification 2009), serotype, dengue and zika IgG serology, medical care. Non-severe cases were compared to severe cases with univariate (Odds ratio, Fisher test) and multivariate (logistic regression) analysis. The adjusted variables for which p 60 years), hypertension, obesity, dyslipidemia, antiplatelet drug use, presence of at least one warning sign, previous infection with a dengue virus. Two predictive models have been developed based on gender. The best models had an AUC of 0.92 and 0.94, Se = 85.7% and 83.3%, Sp = 83.3% and 96.3%, VPP = 70.6% and 90.9%, VPN = 92.6% and 92.9%, Youden score = 0.69 and 0.80, Q coefficient of Yule = 0.93 and 0.98, respectively for women and men models. Conclusion: we report a severe dengue epidemic with a high proportion of liver injury. We constructed a predictive model of severe dengue risk to guide medical care., Introduction : en 2017, la Nouvelle-Calédonie a connu une épidémie de dengue sévère (4486 cas, 15 décès). L’objectif de l’étude était d’identifier des facteurs de risque de sévérité et de développer un modèle prédictif. Matériels et méthodes : étude rétrospective des cas de dengue (RT-PCR+) hospitalisés au CHT de Nouméa de janvier à juillet 2017. Les données recueillies étaient : sexe, âge, ethnie, antécédents, traitements, symptômes, bilans biologiques, présence de signes d’alerte et de sévérité (classification OMS 2009), sérotype, sérologies IgG dengue et zika, prise en charge. Les cas non sévères ont été comparés aux cas sévères en analyse univariée (Odds ratio, test de Fisher) et multivariée (régression logistique). Les variables ajustées pour lesquelles p < 0.2 en test de Fisher ont été utilisées pour la construction d’un modèle prédictif de risque de sévérité. Résultats : parmi 383 patients inclus, 299(78%) présentaient des signes d’alerte, 130(34%) des signes de sévérité: 22(5.7%) hémorragies majeures, 26(6.8%) chocs, 54(14.1%) cytolyses hépatiques aiguës, 8(2%) hépatites fulminantes, 38(9.9%) insuffisances rénales aiguës, 9(2.3%) myocardites, 4(1%) atteintes neurologiques. Les facteurs significativement associés aux formes sévères en analyse univariée étaient: classe d’âge (20-30 ans et > 60 ans), HTA, obésité, dyslipidémie, prise d’antiagrégants plaquettaires, présence d’au moins un signe d’alerte, infection antérieure par un virus de dengue. Deux modèles prédictifs ont été développés en fonction du sexe. Les meilleurs modèles avaient une AUC de 0.92 et 0.94, une Se=85.7% et 83.3%, Sp=83.3% et 96.3%, VPP=70.6% et 90.9%, VPN=92.6% et 92.9%, indice de Youden=0.69 et 0.80, coefficient Q de Yule=0.93 et 0.98, respectivement pour les modèles femmes et hommes. Conclusion : nous rapportons une épidémie de dengue sévère marquée par une proportion élevée d’atteinte hépatique. Nous avons construit un modèle prédictif de risque de dengue sévère pour guider la prise en charge.

A reliable prediction of migration levels of plastic additives into food requires a robust estimation of diffusivity. Predictive modelling of diffusivity as recommended by the EU commission is carried out using a semi-empirical equation that relies on two polymer-dependent parameters. These parameters were determined for the polymers most used by packaging industry (LLDPE, HDPE, PP, PET, PS, HIPS) from the diffusivity data available at that time. In the specific case of general purpose polystyrene, the diffusivity data published since then shows that the use of the equation with the original parameters results in systematic underestimation of diffusivity. The goal of this study was therefore, to propose an update of the aforementioned parameters for PS on the basis of up to date diffusivity data, so the equation can be used for a reasoned overestimation of diffusivity.

Artificial intelligence techniques have been proven useful for the identification and the extraction of relevant information from biomedical data. However for hearth diseases, there still have difficulties in delivering efficient machine learning based on methods to be applied in arrhythmia diagnostic decision supports. In this paper we propose an automatic artificial neural network (ANN) based on classification and prediction system for cardiac arrhythmia using heartbeat recordings. An adaptive analysis based on an Empirical Mode Decomposition (EMD) is first carried out to perform signal denoising and the detection of main Ecg patterns. The ECG pattern are then used as input for an ANN to classify arrhythmia. The classification results are combined with hearth rhythms to perform non-linear regression based prediction of arrhythmia. The models are prepared and tested with the MIT-BIH database. An improvement of 5.56% and 6.67% was noted respectively for classification and prediction., Les techniques d'intelligence artificielle sont trés performantes pour l'identification et l'ex-traction d'informations pertinentes à partir de données biomédicales. Cependant, pour les maladies du coeur, il existe toujours des difficultés à trouver des solutions basées sur l'apprentissage automa-tique efficaces pour l'aide à la prise de décision lors de diagnostic d'arythmies. Dans ce papier, nous proposons un système automatisé de classification et de prédiction basé sur un réseau neuronal artificiel pour l'arythmie cardiaque à l'aide d'électrocardiogrammes (ECG). Une analyse adaptative basée sur la décomposition modale empirique (EMD) est d'abord effectuée pour le débruitage du signal et la détection des principaux attributs d'un Ecg. Ces attributs sont ensuite utilisés en entrée du réseau neuronal afin de classer l'arythmie. les résultats de la classification sont combinés avec le rythme cardiaque pour effectuer une prédiction d'arrythmies bas'ee sur la régression non linéaire. Les modèles sont testés avec la base de données MIT BIH Arrhythmia et les résultats comparés à d'autres études. Une amélioration de 5.56% et 6.67% a été noté respectivement pour la classification et la prédiction.

Artificial intelligence techniques have been proven useful for the identification and the extraction of relevant information from biomedical data. However for hearth diseases, there still have difficulties in delivering efficient machine learning based on methods to be applied in arrhythmia diagnostic decision supports. In this paper we propose an automatic artificial neural network (ANN) based on classification and prediction system for cardiac arrhythmia using heartbeat recordings. An adaptive analysis based on an Empirical Mode Decomposition (EMD) is first carried out to perform signal denoising and the detection of main Ecg patterns. The ECG pattern are then used as input for an ANN to classify arrhythmia. The classification results are combined with hearth rhythms to perform non-linear regression based prediction of arrhythmia. The models are prepared and tested with the MIT-BIH database. An improvement of 5.56% and 6.67% was noted respectively for classification and prediction., Les techniques d'intelligence artificielle sont trés performantes pour l'identification et l'ex-traction d'informations pertinentes à partir de données biomédicales. Cependant, pour les maladies du coeur, il existe toujours des difficultés à trouver des solutions basées sur l'apprentissage automa-tique efficaces pour l'aide à la prise de décision lors de diagnostic d'arythmies. Dans ce papier, nous proposons un système automatisé de classification et de prédiction basé sur un réseau neuronal artificiel pour l'arythmie cardiaque à l'aide d'électrocardiogrammes (ECG). Une analyse adaptative basée sur la décomposition modale empirique (EMD) est d'abord effectuée pour le débruitage du signal et la détection des principaux attributs d'un Ecg. Ces attributs sont ensuite utilisés en entrée du réseau neuronal afin de classer l'arythmie. les résultats de la classification sont combinés avec le rythme cardiaque pour effectuer une prédiction d'arrythmies bas'ee sur la régression non linéaire. Les modèles sont testés avec la base de données MIT BIH Arrhythmia et les résultats comparés à d'autres études. Une amélioration de 5.56% et 6.67% a été noté respectivement pour la classification et la prédiction.

Background: Chronic lung allograft dysfunction and its main phenotypes, bronchiolitis obliterans syndrome (BOS) and restrictive allograft syndrome (RAS), are major causes of mortality after lung transplantation (LT). RAS and early-onset BOS, developing within 3 years after LT, are associated with particularly inferior clinical outcomes. Prediction models for early-onset BOS and RAS have not been previously described. Methods: LT recipients of the French and Swiss transplant cohorts were eligible for inclusion in the SysCLAD cohort if they were alive with at least 2 years of follow-up but less than 3 years, or if they died or were retransplanted at any time less than 3 years. These patients were assessed for early-onset BOS, RAS, or stable allograft function by an adjudication committee. Baseline characteristics, data on surgery, immunosuppression, and year-1 follow-up were collected. Prediction models for BOS and RAS were developed using multivariate logistic regression and multivariate multinomial analysis. Results: Among patients fulfilling the eligibility criteria, we identified 149 stable, 51 BOS, and 30 RAS subjects. The best prediction model for early-onset BOS and RAS included the underlying diagnosis, induction treatment, immunosuppression, and year-1 class II donor-specific antibodies (DSAs). Within this model, class II DSAs were associated with BOS and RAS, whereas pre-LT diagnoses of interstitial lung disease and chronic obstructive pulmonary disease were associated with RAS. Conclusion: Although these findings need further validation, results indicate that specific baseline and year-1 parameters may serve as predictors of BOS or RAS by 3 years post-LT. Their identification may allow intervention or guide risk stratification, aiming for an individualized patient management approach., SCOPUS: ar.j, info:eu-repo/semantics/published