Soutenance de thèse de Fatoumata DAMA

Fatoumata DAMA, doctorante au sein de l’équipe DUKe, soutiendra sa thèse intitulée :

« Analyse à grande échelle de séries temporelles multivariées et de traces d’événements interdépendantes, en contexte incertain. Application à la modélisation et à la prédiction, pour la simulation numérique en anesthésie » / « Large-scale analysis of multivariate time series and event traces in an uncertain context. Application to modeling and prediction, for numerical simulation in anesthésia « 

Le 15/12/2022 à 14h, à Faculté des Sciences et Techniques, Amphi 34

Jury :

• Directeur de thèse : Christine SINOQUET
• Rapporteurs :
  • Stéphane DERRODE (Professeur, École Centrale Lyon)
  • Germain FORESTIER (Professeur, Université de Haute Alsace, Mulhouse – École nationale supérieure d’ingénieurs Sud-Alsace (ENSISA))
• Examinateurs :
  • Anne PHILIPPE (Professeur, Nantes Université),
  • Michele SEBAG (Directrice de Recherche CNRS, Université Paris-Saclay)
  • Christel VRAIN (Professeur, Université d’Orléans)
• Invitée :
  • Corinne LEJUS-BOURDEAU (Professeur des Universités – Praticien Hospitalier, LE SiMU – CHU de Nantes)

Résumé :
La simulation en santé est un outil pédagogique permettant aux professionnels médicaux et paramédicaux (en formation initiale ou continue) de se former à la prise en charge de situations réalistes sur un patient « fictif » (représenté par un « mannequin haute-fidélité »). Les simulations sont basées sur des scénarios cadencés par les actions des apprenants. Les réactions du patient en réponse aux actions des apprenants, mesurées grâce aux paramètres physiologiques (e.g., fréquence cardiaque, pression artérielle, fréquence respiratoire et température), sont générées manuellement par les formateurs.

Afin d’augmenter la diversité et le réalisme des scénarios, nous proposons dans cette thèse d’automatiser la génération des réactions du patient. Ce problème revient à modéliser conjointement la série temporelle multivariée des paramètres physiologiques et la trace d’événements des actions médicales. Deux nouvelles classes de modèles de Markov cachés auto-régressifs ont été proposées à cet effet. L’application considérée est la simulation numérique dans le domaine de l’anesthésie-réanimation. Les données utilisées ont été fournies par le CHU de Nantes.

Mots-clés : Série temporelle, Trace d’événements, Chaîne de Markov, Modèle auto-régressif, Simulation en anesthésie

Abstract:

Health simulation is a pedagogical tool that allows medical and paramedical professionals (in initial or continuing education) to train in the managing of realistic situations on a « fictional » patient (represented by a « high-fidelity dummy »). Simulations are based on scenarios rythmed by learners’ actions. Patient reactions in response to learners’ actions, measured through physiological parameters (e.g., heart rate, blood pressure, respiratory rate and temperature), are manually generated by the trainers.

In order to increase the variability and realism of the scenarios, we propose in this thesis to automate the generation of the patient’s reactions. This problem amounts to jointly model the multivariate times series of physiological parameters and the event trace of medical actions. Two new classes of autoregressive hidden Markov models have been proposed for this purpose. The application considered is the numerical simulation in the field of anesthesia-resuscitation. The data used were provided by the CHU of Nantes.

Keywords: Time series, Event trace, Markov chain, Autoregressif model, Simulation in anesthesia