Biomédical

Les thématiques de recherche du GSII dans le domaine biomédical s’articulent autour des études suivantes :

  • Méthodes d’apprentissage artificiel appliquées à la médecine :
    –  Prédiction de la syncope chez l’Homme.>>
    –  Je donne mon sang, je ne le donne pas…>>
  • Partenaires >>
  • Apports du GSII >>

Prédiction de la syncope chez l’Homme

Contexte de l’étude

  • Ce travail s’inscrit dans le cadre d’une collaboration entre le CHU d’Angers, le LERIA d’Angers, l’ESEO, et porte sur le développement d’algorithmes pouvant prédire l’apparition d’une syncope chez l’homme.
  • Dans le domaine de la cardiologie, les syncopes représentent 3% des admissions des services d’urgence et 1% à 6% des hospitalisations. Elles sont fréquemment responsables de traumatismes, parfois graves, aussi bien chez le sujet âgé que le sujet jeune. Malheureusement, malgré un bilan complet comprenant un examen clinique neurologique et cardiaque approfondi, des enregistrements de longue durée de l’électrocardiogramme (ECG) et une exploration electrophysiologique, la cause précise de perte de connaissance n’est retrouvée que dans 60% des cas.
  • Le test d’inclinaison ou TILT-test permet d’apporter des premiers éléments de réponse pour ce type de pathologie et surtout d’identifier le mécanisme des malaises afin d’adapter le traitement médical. Ce test est effectué à jeun : le malade doit rester allongé sur la table d’examen pendant 10 minutes en position horizontale, puis la table, mue par un moteur électrique est ensuite inclinée à 60°, 70° ou 80° pendant au maximum 45 minutes.

  • De notre côté, durant tout le TILT-test, nous avons recueilli pour chaque patient une courbe d’ECG et une courbe d’impédancemétrie (voir ci-dessous) à l’aide de l’appareil PhysioFlow.

  • Des indices pertinents ont été trouvés sur ces courbes qui permettent de dire si un patient va faire un malaise ou non durant le TILT-test.

L’appareil PhysioFlow et la courbe d’impédancemétrie qu’il recueille.

  • La courbe d’impédancemétrie représente essentiellement la variation du sang dans l’aorte:

  • Ci-dessous l’apparail PhysioFlow en utilisation :

Plus de détails sur le PhysioFlow sur www.physioflow.com

Je donne mon sang, je ne le donne pas…

Contexte de l’étude

  • Ce travail vise à prédire si une personne va donner son sang ou non, et ce à partir de 4 paramètres. Cette étude qui repose sur un corpus de données issu du site UCI machine learning repository : http://archive.ics.uci.edu a donné lieu à la publication suivante :

Mohamad DARWICHE,Mathieu FEUILLOY, Ghazi BOUSALEH et Daniel SCHANG : Prediction of blood transfusion donation. In IEEE Congress on Research Challenges in Information Science (RCIS-2010), pages 51–56, mai 2010

AbstractThe goal of the present study was to develop and evaluate machine learning algorithms for the prediction of blood transfusion donation. The machine learning algorithms studied included multilayer perceptrons (MLPs) and support vector machines (SVMs). The methods were evaluated retrospectively in a group of 600 patients and validated prospectively in a group of 148 patients. We reach a sensitivity of 65.8% and a specificity of 78.2% in the prospective group. This discrimination is very interesting because it could allow to propose to the patients, classified as non-donators, to give their blood in the future. Furthermore, the blood transfusion donation UCI corpus used, has been processed in a different manner than the initial marketing one. Therefore, this recent corpus could give a new training set for testing and improving machine learning methods in the future.

Partenaires

  • CHU d’Angers
  • LERIA à l’Université d’Angers
  • Centre Hospitalier de Chartres
  • Société Manatec Biomédical (France)
  • Société PhysioFlow (USA)

Apports du GSII-ESEO

  • Méthodes statistiques pour l’analyse des données (Data mining).
  • Mesure de vitesse d’écoulement sanguin (Capillaroscopie ).
  • Traitement du signal vidéo et de l’image.