Soutenance de thèse Nada Boudegzdame
18 décembre @ 14:00 – 18:00
Titre: Méthodes fondées sur l’intelligence artificielle : Apprentissage automatique, Suréchantillonnage & Argumentation pour des prescriptions médicales plus intelligentes
Title: Artificial Intelligence-Based Methods: Machine Learning, Oversampling, & Argumentation for Smarter Medical Prescriptions
Lieu: Université Sorbonne Paris Nord, campus de Bobigny (plus de détails à venir)
| Mots-clés | Apprentissage automatique, Déséquilibre de classes, Suréchantillonnage (SMOTE), Détection d’anomalies, Réseaux de neurones, Raisonnement à base d’argumentation, Aide à la décision clinique, Bilan de médication (BM), Polymédication, Prescriptions inappropriées, Prescriptions intelligentes, Prise de décision collaborative. |
| Keywords |
Machine learning, Class imbalance, Oversampling (SMOTE), Anomaly detection, Neural networks, Argumentation-based reasoning, Clinical decision support, Medication Review, Polypharmacy, Inappropriate prescriptions, Smart prescriptions, Collaborative decision-making |
| Résumé : |
| La polymédication chez les patients âgés représente un problème majeur de santé publique, avec plus de la moitié de cette population en France étant concernée par des prescriptions inappropriées. Cela soulève d’importantes préoccupations en matière de sécurité des patients et engendre des coûts directs estimés à environ 507 millions d’euros par an. Le bilan de médication (BM), défini comme “ un entretien structuré avec le patient, réalisé par le pharmacien en collaboration avec le médecin généraliste dans le but d’optimiser la prise en charge du patient ”, constitue une solution prometteuse. Ses bénéfices cliniques sont bien documentés, avec une réduction des hospitalisations d’un tiers et des économies d’environ 273 euros par patient et par an. Cependant, ces avantages sont limités par les difficultés liées à l’évaluation des risques médicamenteux ainsi que par des obstacles pratiques à la collaboration entre pharmaciens et médecins généralistes. Pour soutenir et améliorer le processus de BM, le projet ABiMed propose une suite d’outils d’aide à la décision en vue de prescriptions intelligentes. Cette thèse contribue à ABiMed selon deux axes de recherche complémentaires. Le premier concerne la modélisation prédictive des risques liés aux médicaments, tels que l’hémorragie, à partir de données de prescriptions médicales. Ces données sont généralement déséquilibrés, la classe minoritaire critique étant sous-représentée, ce qui constitue un défi pour les modèles d’apprentissage automatique. Une approche courante pour atténuer ce problème est le suréchantillonnage (par ex. SMOTE), qui enrichie artificiellement la classe minoritaire en dupliquant ou en synthétisant des instances. Cependant, le suréchantillonnage génère fréquemment des exemples synthétiques irréalistes. Nous montrons que les modèles ont tendance à apprendre à détecter la nature synthétique de ces instances plutôt qu’à classifier correctement la classe minoritaire. Pour y remédier, nous proposons une méthode permettant d’identifier et d’éliminer les instances synthétiques irréalistes grâce à la détection d’anomalies fondée sur les réseaux de neurones. L’amélioration de la qualité des données d’apprentissage suréchantillonnées accroı̂t ainsi la capacité des modèles à apprendre des paterns authentiques et améliore les performances prédictives. Le second axe de recherche se concentre sur l’amélioration de la collaboration clinique lors des BM. En pratique, la plupart des décisions ne sont pas consensuelles et de nombreuses recommandations des pharmaciens ne sont pas adoptées, ce qui réduit les bénéfices potentiels des BM. L’argumentation fournit une approche structurée, transparente et explicable pour traiter les désaccords et les conflits de données ainsi que de connaissances (recommandations médicales, informations sur les médicaments et spécificités du patient) en modélisant des arguments favorables et défavorables. Dans cette thèse, nous concevons, implémentons et évaluons un système fondé sur l’argumentation, intégré dans une plateforme de dialogue au sein d’ABiMed, afin de soutenir la prise de décision collaborative. Dans l’ensemble, ce travail propose une solution pluridisciplinaire aux défis du bilan de médication, combinant deux approches d’intelligence artificielle : l’apprentissage automatique et le raisonnement à base d’argumentation pour des prescriptions plus intelligentes. |
| Summary: |
| Polypharmacy among elderly patients represents a significant public health issue, with more than half of this population in France affected by inappropriate prescriptions. This raises considerable patient safety concerns and incurs direct costs estimated at approximately 507 million euros annually. Medication Review (MR), defined as “a structured interview with the patient, carried out by the pharmacist in collaboration with the general practitioner (GP) with the aim of optimizing patient care”, is a promising solution. While its clinical benefits are well-documented, including reductions in hospitalizations by one-third and cost savings of about 273 euros per patient per year, these benefits are compromised by difficulties in drug risk evaluation and practical barriers to collaboration between pharmacists and GPs. To support and enhance the MR process, the ABiMed project proposes a suite of decision-support tools. This thesis contributes to ABiMed through two complementary research axes. The first addresses the predictive modeling of medication-related risks, such as hemorrhage, using medical prescription data. These datasets are typically imbalanced, with the critical minority class underrepresented, posing a challenge for machine learning models. A common approach to mitigating this issue is oversampling (e.g., SMOTE), which augments the minority class by duplicating or synthesizing samples. However, oversampling frequently generates unrealistic synthetic samples. We show that models tend to learn to detect the synthetic nature of these samples rather than to accurately classify the minority class. To address this, we propose a method to identify and filter out unrealistic synthetic samples using neural network-based anomaly detection. By improving the quality of the oversampled training data, this approach enhances the model’s capacity to learn genuine patterns and improves predictive performance. The second research axis focuses on improving clinician collaboration during MR. In practice, most decisions are not consensual and many pharmacist recommendations go unadopted, reducing the potential benefits of MR. Argumentation provides a structured, transparent, and explainable approach to handling disagreements and conflicting data as well as knowledge (medical guidelines, drug related information and patient specificities) by modelling supporting and opposing arguments. In this thesis, we design, implement, and evaluate an argumentation-based system into a dialogue platform in ABiMed to support collaborative decision-making. Altogether, this work proposes a multidisciplinary solution to the challenges of MR, combining two artificial intelligence approaches: machine learning and argumentation-based reasoning. |