Traitement des données massives de santé : Identification et caractérisation des patients résistants aux traitements d'oncologie.

Massive health data processing : Identification and characterization of patients resistant to oncology treatments

• Auteur / Autrice : Walid Zeghdaoui
• Direction : Fadila Bentayeb, Omar Boussaid
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/07/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Lumière (Lyon ; 1969-....)
• Partenaire(s) de recherche : Laboratoire : Entrepôts, Représentation et Ingénierie des Connaissances
• Jury : Président / Présidente : Florent Masseglia
• Jury : Examinateurs / Examinatrices : Lynda Tamine-Lechani
• Jury : Rapporteurs / Rapporteuses : Baya Lydia Boudjeloud-Assala, Marie-Christine Jaulent

Mots clés

Mots clés contrôlés

Informatique

Dossiers médicaux

Cancer -- Épidémiologie

Réseaux neuronaux (informatique)

Traitement automatique de la parole

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Traitement automatique des langues

Fouille de texte

Apprentissage automatique

Apprentissage profond

Réseaux de neurones

Classification de textes

Plongement de mots

Résistances aux traitements d’oncologie

Cancer

Artificial intelligence

Natural language processing

Text mining

Machine learning

Deep learning

Neural networks

Text classification

Word embedding

Resistance to oncology treatment

Cancer

Résumé

Au cours de ces dernières années, l’information au sens large est devenue la pièce maîtresse pour révolutionner les projets de transformation numérique. Encore faut-il savoir l’exploiter d’une manière intelligente pour en tirer tous les bénéfices. L’informatisation des données textuelles concerne plusieurs secteurs d’activité, en particulier le domaine médical. Aujourd’hui, la médecine moderne est devenue presque inconcevable sans l’utilisation des données numériques, qui ont fortement affecté la compréhension scientifique des maladies. Par ailleurs, ces dernières années, les données médicales sont devenues de plus en plus complexes en raison de leur croissance exponentielle. Cette forte croissance engendre une quantité de données importante qui ne permet pas d’effectuer une lecture humaine complète dans un délai raisonnable. Ainsi, les professionnels de santé reconnaissent l’importance des outils informatiques pour identifier des modèles informatifs ou prédictifs à travers le traitement et l’analyse automatiques des données médicales. Notre thèse s’inscrit dans le cadre du projet ConSoRe, et vise à créer des cohortes de patients résistants aux traitements anticancéreux. L’identification de ces résistances nous permet de mettre en place des modèles de prédiction des éventuels risques qui pourraient apparaître pendant le traitement des patients, et nous facilite l’individualisation et le renforcement de la prévention en fonction du niveau de risque estimé. Cette démarche s’inscrit dans le cadre d’une médecine de précision, permettant de proposer de nouvelles solutions thérapeutiques adaptées à la fois aux caractéristiques de la maladie (cancer) et aux profils des patients identifiés. Pour répondre à ces problématiques, nous présentons dans ce manuscrit nos différentes contributions. Notre première contribution consiste en une approche séquentielle permettant de traiter les différents problèmes liés au pré-traitement et à la préparation des données textuelles. La complexité de ces tâches réside essentiellement dans la qualité et la nature de ces textes, et est liée étroitement aux particularités des comptes rendus médicaux traités. Outre les opérations de linguistiques standards telles que la tokenisation ou la segmentation en phrases, nous présentons un arsenal de techniques assez large pour la préparation et le nettoyage des données. Notre deuxième contribution consiste en une approche de classification automatique des phrases extraites des comptes rendus médicaux. Cette approche est constituée essentiellement de deux étapes. La première consiste à entraîner les vecteurs de mots pour représenter les textes de façon à extraire le plus de caractéristiques possibles. La seconde étape est une classification automatique de phrases selon leurs informations sémantiques. Nous étudions pour cela les différents algorithmes d’apprentissage automatique (classique et profond) qui fournissent les meilleures performances sur nos données, et nous présentons notre meilleur algorithme. Notre troisième et dernière contribution majeure est consacrée à notre approche de modélisation des résistances aux traitements d’oncologie. Pour cela, nous présentons deux modèles de structuration des données. Le premier modèle nous permet de structurer les informations identifiées au niveau de chaque document (ou compte rendu). Le second modèle est quant à lui introduit au niveau patient, et permet à partir des informations extraites dans plusieurs comptes rendus d’un même patient, reconstruire son parcours néoplasique. Cette structuration permet d’identifier les réponses aux traitements et les toxicités, qui constituent des composants élémentaires pour notre approche de modélisation des résistances aux traitements d’oncologie.

Information, in its broadest sense, has become the centerpiece to revolutionize digital transformation projects in recent years. However, it is still necessary to know how to exploit it intelligently in order to reap the full benefits. Textual data computerization concerns several sectors of activity, specially the medical field. Today, modern medicine has become almost unthinkable without the use of digital data, which has a significant impact on disease scientific understanding. Moreover, due to its exponen tial growth, medical data analysis has become more complex. The high growth rate results in a large amount of data that a human can not analyze in a fair length of time. Thus, health professionals are recognizing the importance of IT tools to identify informative or predictive patterns through the automatic processing and analysis of medical data. Our thesis is part of the ConSoRe project, and aims to create cohorts of patients resistant to anticancer treatments. The identification of these resistances allows us to set up predictive models to detect potential risks that could appear during patient treatment, and facilitates the individualisation and reinforcement of prevention according to the estimated level of risk. This approach is part of precision medicine, allowing us to propose new therapeutic solutions adapted both to the characteristics of the disease (cancer) and to the profiles of the patients identified. To address these issues, we present in this manuscript our different contributions. Our first contribution consists in a sequential approach to deal with the different problems related to the pre-processing and preparation of textual data. The complexity of these tasks lies mainly in the quality and nature of these texts, and is closely related to the particularities of the medical reports processed. In addition to standard linguistic operations such as tokenisation or sentence segmentation, we present a broad arsenal of techniques for data preparation and cleaning. Our second contribution consists of an approach for the automatic classification of sentences extracted from medical reports. This approach consists essentially of two steps. The first step consists of training word vectors to represent the texts in order to extract as many features as possible. The second step is an automatic classification of sentences according to their semantic information. We study the different machine learning algorithms (classical and deep) that provide the best performance on our data, and we present our best algorithm. Our third and last major contribution is devoted to our approach to modelling resistance to oncology treatments. For this, we present two models for structuring the data. The first model allows us to structure the information identified at the level of each document (or report). The second model is introduced at the patient level, and allows us to reconstruct the neoplastic history of a patient from the information extracted from several reports. This structuring makes it possible to identify responses to treatments and toxicities, which are elementary components for our approach to modelling resistance to oncology treatments.