Dialogue humain machine pour l'aide à la décision médicale

Human computer dialogue for medical decision support

• Auteur / Autrice : Chadia Ed-Driouch
• Direction : Franck Mars, Pierre-Antoine Gourraud, Cédric Dumas
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 22/05/2023
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Éducation, Cognition, Langages, Interactions, Santé (ECLIS) (Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Numérique de Nantes
• Jury : Président / Présidente : Gilles Edan
• Jury : Rapporteurs / Rapporteuses : Céline Louapre, Isabelle Pecci

Mots clés

Mots clés contrôlés

Apprentissage automatique

Médecine -- Prise de décision

Interaction humain-machine

Mots clés libres

Intelligence hybride

Système d'aide à la décision clinique

Collaboration Humain-Algorithme

Sclérose en plaques

Hybrid intelligence

Clinical decision support system

Human-Algorithm collaboration

Multiple sclerosis

Résumé

Grâce aux progrès scientifiques et technologiques, la Médecine de Précision (MP) est désormais prometteuse pour la personnalisation de la décision médicale. L'objectif est de fournir des mesures spécifiques pour une prise en charge individualisée du patient. Les solutions développées à cette fin sont nombreuses, cependant, leur adoption dans les services de santé est limitée par des enjeux liés en particulier aux données et aux méthodes sous-jacentes. Cette thèse s'intéresse aux mécanismes du dialogue humain-machine à travers la visualisation et l'interaction avec les données et les algorithmes pour fournir des solutions de MP raisonnables et compréhensibles par l'humain. En collaboration avec des neurologues, nous avons conçu et développé un système d'aide à la décision clinique appelé MS-Vista, fondé sur les principes de la MP. MS-Vista offre une interface humain-machine d'interaction avec les données permettant de contextualiser les patients atteints de sclérose en plaques. Il permet d'examiner la qualité et la quantité des données. Il fournit également des visuels de projection de données illustrant les avantages potentiels de chaque option thérapeutique. Il s’agit d’aider à la personnalisation de la décision et à la communication médecin-patient. Les retours positifs fournis par les neurologues, notamment du fait que MS-Vista intègre leur raisonnement, nous a conduit par la suite à concevoir une approche hybride de prédiction basée sur la collaboration humain-algorithme. En impliquant les médecins dans le processus d'apprentissage, cette approche permet d'améliorer la performance du modèle de prédiction en combinant l'intelligence humaine et artificielle.

Given scientific and technological advances, Precision Medicine (PM) now holds promise for personalizing medical decision making. The aim is to provide specific measures for individualized patient management. Many solutions have been developed for this purpose, however, their adoption in healthcare services is limited by issues related especially to the underlying data and methods. This thesis focuses on the mechanisms of human-computer dialog through visualization and interaction with data and algorithms to provide sensible and human-understandable PM solutions. In collaboration with neurologists, we designed a clinical decision support system called MS-Vista, based on PM principles. MS-Vista provides a human-computer interface for data interaction to contextualize patients with multiple sclerosis. It enables the evaluation of data quality and quantity. It also provides interactive data projection illustrating the potential benefits of each therapeutic option. It can assist either in supporting the decision, either for the physician-patient communication. The positive feedback provided by neurologists, especially as MSVista integrates their reasoning, led us to go further and design a new hybrid prediction approach based on human-algorithm collaboration. By involving physicians in the learning process, this approach improves the performance of the prediction model through the combination of human and artificial intelligences.