Prédiction de l’évolution d’un système complexe dans un contexte non déterministe : architecture basée sur le couplage SMA / RàPC et la clusterisation.

Predicting the state trends of a non-deterministic complex system : an architecture based on coupling a Multi-Agent System with case based reasoning and clustering

• Auteur / Autrice : Bruno Perez
• Direction : Laurent Philippe, Christophe Lang, Julien Henriet
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 21/09/2021
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies / FEMTO-ST
• Partenaire(s) de recherche : Etablissement de préparation : Université de Franche-Comté (1971-....)
• Jury : Président / Présidente : Frédéric Auber
• Jury : Examinateurs / Examinatrices : Laurent Philippe, Christophe Lang, Julien Henriet, Frédéric Auber, Stéphane Chrétien, Julie Dugdale, Christophe Cambier, Lionel Droz-Bartholet
• Jury : Rapporteurs / Rapporteuses : Stéphane Chrétien, Julie Dugdale

Mots clés

Mots clés contrôlés

Traitement réparti

Intelligence artificielle

Mots clés libres

Sma

RàPC

Intelligence artificielle

Clusterisation

Prédictivité

Raisonnement à partir de cas

Système multi agents

Mas

Cbr

Artificial intelligence

Clustering

Predictivity

Case-based reasoning

Multi-agent system

Résumé

La gestion des risques liés aux actions et aux conditions des différents éléments qui composent un bloc opératoire est une préoccupation majeure lors d'une intervention chirurgicale. La prédiction d’événement indésirables graves associés aux soins (EIGS), et l’analyse de leur survenue sont des enjeux majeurs. Dans cet objectif, nous proposons une architecture qui couple un système multi-agents (SMA) avec un raisonnement à partir de cas (RàPC). Le SMA capable de produire un grand nombre de situations où les agents interagissent entre eux créent des phénomènes émergents et donc un possible nouvel EIGS. Le couplage du système multi-agents avec un raisonnement à partir de cas, enrichit la base de connaissances du modèle, et répond à notre recherche d’approche de résolution de problèmes par analogie à partir d’expériences passées. Au-delà de la détermination d’EIGS nous avons intégré des outils d’aide à la décision. Les deux premiers Algorithmes (similVar et similVar+) que nous avons conçus et comparés à d’autres méthodes sont orientés sur classification des données. Ils consistent à clusteriser les données dans le but d’établir ensuite des corrélations entre les comportements des agents. Deux autres Algorithmes (liaisAttrib et predictPath) sont quant eux respectivement dédiés à la détermination de corrélations entre des données clusterisées et à la prédictivité de l’évolution du système. Les résultats encourageants montrent l’efficacité de notre approche dans la capacité à produire, à analyser et à prédire la survenue d’EIGS dans un contexte non déterministe où évoluent des entités hétérogènes.

The management of risks related to the actions and conditions of the various elements that make up an operating room is a major concern during a surgical procedure. The prediction of serious adverse events associated with care (MAS), and the analysis of their occurrence are major issues. In this objective, we propose an architecture that couples a multi-agent system (MAS) with a case-based reasoning (CBR). The MAS is able to produce a large number of situations where agents interact with each other, thus creating emergent phenomena and a possible new SAEC. The coupling of the multi-agent system with case-based reasoning enriches the knowledge base of the model, and responds to our search for a problem-solving approach by analogy from past experiences. In addition to the determination of the SAEC, we have integrated decision support tools. The first two algorithms (similVar and similVar+) that we have designed and compared to other methods are oriented on data classification. They consist in clustering the data in order to establish correlations between the agents' behaviors. Two other algorithms (liaisAttrib and predictPath) are respectively dedicated to the determination of correlations between clustered data and to the predictivity of the system evolution. The encouraging results show the efficiency of our approach in the capacity to produce, analyze and predict the occurrence of SAEC in a non-deterministic context where heterogeneous entities evolve.