Analyse de profils audiologiques par apprentissage statistique

Analysis of audiologic profiles by applying machine learning methods

• Auteur / Autrice : Adrien Caplot
• Direction : Jean-Luc Puel, Gilles Ducharme
• Type : Thèse de doctorat
• Discipline(s) : Biostatistiques
• Date : Soutenance le 09/09/2022
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences Chimiques et Biologiques pour la Santé (Montpellier ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut des neurosciences de Montpellier
• Jury : Président / Présidente : Brice Bathellier
• Jury : Examinateurs / Examinatrices : Jean-Luc Puel, Gilles Ducharme, Brice Bathellier, Mathieu Ribatet, Jérôme Bourien, Philippe Saint Pierre
• Jury : Rapporteurs / Rapporteuses : Brice Bathellier, Mathieu Ribatet

Mots clés

Mots clés contrôlés

Classification

Splines, Théorie des

Apprentissage automatique

Observations manquantes (statistique)

Mots clés libres

Classification

Clustering

Données manquantes

Spline

Machine learning

Réhabilitation prothétique

Classification

Clustering

Missing values

Spline

Machine learning

Prosthetic rehabilitation

Résumé

De nombreux facteurs pathologiques, génétiques ou épigénétiques, peuvent provoquer une surdité. Pour déterminer l'origine et la sévérité d'un déficit auditif, le clinicien s'appuie essentiellement sur l'audiométrie tonale et vocale. Si l'audiométrie tonale est un bon indice de la perte de cellules ciliées externes responsables de l'amplification cochléaire des sons, elle ne présage en rien du déficit compréhension de la parole notamment dans des environnements difficiles. Si les aides auditives améliorent la compréhension de la parole dans des ambiances calmes, le bénéfice prothétique est moins évident dans les ambiances bruyantes. L'idée étant de faire émerger des profils audiologiques plus riches et plus homogènes sur le plan prothétique. L'objectif principal de ce projet de thèse est de développer à partir de ces nouvelles données audiologiques, combinées aux données historiques, de nouveaux outils d'analyse statistique et d'intelligence augmentée (IA) afin d'assister l'audioprothésiste dans la prise en charge du patient. Le but final est de proposer une procédure de réglage personnalisée dès le premier réglage de l'appareil auditif, et tout au long du suivi des patients afin d'optimiser son confort et son bien-être dans les environnements sonores changeants. Une première approche consistera à segmenter les sujets en groupes de profils audiologiques homogènes qui pourraient correspondre, par exemple, à des surdités particulières d'origine génétique ou environnementale (en particulier, neuropathie induite par une surexposition sonore). Dans cette optique, un objectif secondaire de la thèse est de déterminer le nombre de groupes et les bons algorithmes de segmentation. Une seconde approche consistera à tenter d'obtenir, à partir de toutes ces données, des scores concernant les différents résultats possibles de l'adaptation prothétique. Ceci permettra d'assister l'audioprothésiste, en regard des caractéristiques de son patient, dans l'obtention d'une mesure quantifiant le degré de satisfaction prothétique prévue selon l'appareillage envisagé. Ainsi, un autre objectif secondaire est la recherche d'un algorithme de prédiction basé sur les données disponibles calculant un tel score et dont l'exploitation permettra d'optimiser l'expérience des patients. Enfin, dans les cas où l'analyse prédictive laisserait entrevoir un résultat au mieux peu satisfaisant, il conviendra de déterminer quelles actions pourraient être menées pour améliorer l'issue de l'ajustement prothétique. Cette dernière phase tombe dans le domaine de l'analytique prescriptif et consiste à intégrer des éléments externes aux données, mais importants pour le patient (esthétique de l'appareillage, lourdeur de la procédure d'ajustement) dans la détermination d'une stratégie de traitement plus satisfaisante du point de vue du confort et du bien-être de l'appareillage, selon ces nouveaux critères. Ceci constituerait un autre objectif secondaire qui pourrait déboucher sur des suggestions d'ajustement ou de mise au point de nouveaux appareillages.

Several pathological or genetic factors can produce a deafness. To establish the origin and the degree of hearing loss, the clinician makes his diagnosis on the speech and pure-tone audiogram. Indeed the pure-tone audiogram is a good indication of the loss of the outer hair cells which are responsible for the cochlear amplification of the sounds. However it doesn't bring the knowledge about the loss of the comprehension speech, especially with loud environments. Even if the hearing aids help the patient to hear in calm places, it is not that clear in noisy ones. The idea is to detect new audiologic profiles which would be richer and more homogeneous according to the prosthetic base. The main purpose of this thesis is to develop new machine learning methods based on the cohort of Amplifon that will help the hearing care professional to adjust the hearing aids. The final goal is to propose to the patients, a personalised procedure when they first arrive at Amplifon. It will optimise their comfort during the change in environment. The first approach is to cluster the patients into similar audiometric groups which could be dealt as particular deafness (genetic origins for example). In this case, the following step would be to select the right number of groups by applying the best clustering algorithms. Another possibility is to attempt to get the scores of the prosthetic adaptation. Actually, it would assist the hearing care professional (after checking the patient results) to obtain a measure which quantifies the degree of the prosthetic satisfaction according to the hearing aid foreseen. Another secondary goal is to look for a prediction algorithm based on the available data which would be capable of computing this score. At last, if the prediction analysis presents poor performances, we will focus on improving the prosthetic adjustment. This final step is bound to the domain of the prescriptive analysis and it consists on integrating external elements to the cohort which matter for the patient (the aesthetic, ...).