Apprentissage automatique pour les bases de données de santé massives

Machine learning for large observational datasets in healthcare

• Auteur / Autrice : Maryan Morel
• Direction : Stéphane Gaïffas, Emmanuel Bacry
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 06/05/2021
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : École polytechnique (Palaiseau, Essonne ; 1795-....)
• Partenaire(s) de recherche : Laboratoire : Centre de mathématiques appliquées de l'Ecole polytechnique (Palaiseau ; 1974-....)
• Jury : Président / Présidente : Stanley Durrleman
• Jury : Examinateurs / Examinatrices : Stéphane Gaïffas, Emmanuel Bacry, Jean-Philippe Vert, Rodolphe Thiébaut, Mounia Nacima Hocine, Marc Lavielle
• Jury : Rapporteurs / Rapporteuses : Jean-Philippe Vert, Rodolphe Thiébaut

Mots clés

Mots clés contrôlés

Médicaments -- Effets secondaires

Intelligence artificielle en médecine

Apprentissage automatique

Mots clés libres

Bases de données observationelles massives

Etl

Analyse longitudinale

Effet indésirable médicamenteux

Pré-Entrainement non-Supervisé

Large observational databases

Etl

Longitudinal analysis

Adverse drug reaction

Unsupervised pre-Training

Résumé

Cette thèse développe des méthodes innovantes exploitant des bases de données observationelles massives (BDOM) en santé, et plus particulièrement le Système National des Données de Santé (SNDS).Ces bases de données enregistrent des informations administratives qui accompagnent les soins et leur facturation.La collecte des données du SNDS a une visée comptable, et non épidémiologique. L'identification et l'extraction des historiques de soin nécessite ainsi des transformations coûteuses.Le premier chapitre introduit SCALPEL3, une suite logicielle open-source qui facilite l'extraction reproductible de concepts médicaux et la manipulation de données de cohorte.Ce logiciel tire partie du calcul distribué, de la dénormalisation des données, et du stockage orienté colonne des données.SCALPEL3 est maintenant utilisée au sein de la Caisse Nationale de l'Assurance Maladie, à la Direction de la Recherche, des Études, de l'Évaluation et des Statistiques, et bientôt au sein du Health Data Hub.Les deux chapitres suivants se concentrent sur la détection d'effets indésirables médicamenteux (EIM) à partir de données du SNDS.@ Le chapitre 2 élabore ConvSCCS, un modèle basé sur des processus de Poisson et des techniques de régularisation. Une convolution entre des fonctions étagées et des évènements longitudinaux permet l'estimation de courbes de risque longitudinales facilement interprétables. Ce modèle ré-identifie correctement une association connue entre un anti-diabétique et le cancer de la vessie à partir d'évènements de remboursement de médicaments et de diagnostiques.ConvSCCS est ensuite appliqué à la détection d'association entre l'utilisation d'anxiolytiques, d'hypnotiques, d'antidépresseurs et de neuroleptiques et le risque de fractures chez les personnes âgées (Chapitre 3). Cette étude révèle des structures temporelles inédites ainsi que des biais spécifiques au SNDS.Enfin, le chapitre 4 s'intéresse à la construction de représentations génériques de parcours de soins. De nombreuses expériences y évaluent plusieurs types de modèles d'attention et de stratégies de pré-entrainement. Bien que les résultats ne soient pas encore satisfaisants, ce travail ouvre des pistes de recherche intéressantes.

This thesis develops innovative tools and methods to leverage large observational databases (LODs) in healthcare, with a focus on the Système National des Données de Santé (SNDS), one of the largest healthcare claims database.These databases record administrative information supporting the care and its billing.As SNDS data was not initially designed for research but for accounting purposes, identifying patients' healthcare history requires costly transformations.The first chapter introduces SCALPEL3, an open-source framework easing medical concept extraction and cohort data manipulation, focusing on scalability and reproducibility.SCALPEL3 relies on distributed computing, data denormalization, and columnar storage.It is now used at the agency collecting SNDS data, at the French Ministry of Health, and soon at the National Health Data Hub in France.The following two chapters focus on adverse drug reactions (ADRs) detection using SNDS data. Chapter 2 introduces ConvSCCS, a new model based on conditional Poisson processes and penalization techniques. Using a convolution between step functions and temporal events, this model estimates readily interpretable longitudinal risks. Applied to a cohort of diabetic patients, it recovers a known association between a molecule use and bladder cancer from timestamped sequences of drug reimbursements and diagnoses.In Chapter 3, the same model is used to screen anxiolytic, hypnotic, antidepressant, and neuroleptic molecules for bone fracture risk among the elderly. This study reveals original patterns and SNDS-specific biases.Finally, Chapter 4 focuses on building reusable representation for health data. It presents extensive experiments evaluating several deep attention models and pre-training strategies. While the results are not yet satisfying, this work opens exciting tracks for future research.