Amélioration des explications attributives locales pour appuyer l'analyse prédictive par apprentissage automatique : application au secteur de la santé et aux outils d'aide à la décision médicale.

Enhancing local attributive explanations to support Machine Learning predictive analysis: application to the healthcare sector and medical decision tools.

• Auteur / Autrice : Elodie Escriva
• Direction : Chantal Soule-dupuy, Julien Aligon
• Type : Projet de thèse
• Discipline(s) : Informatique et Télécommunications
• Date : Inscription en doctorat le 15/02/2021; Soutenance le 01/03/2024
• Etablissement(s) : Toulouse 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications
• Partenaire(s) de recherche : Laboratoire : IRIT : Institut de Recherche en Informatique de Toulouse
• Partenaire(s) de recherche : Equipe de recherche : SIG - Systèmes d'Informations Généralisés

Mots clés

Mots clés libres

Apprentissage Automatique Explicable

Intelligence Artificielle Explicable

Explications attributives de prédiction

Explications médicales

Exploration d'explications

Explainable Machine Learning (XML)

Explainable Artificial Intelligence (XAI)

Prediction attributive explanations

Medical explanations

Explanation exploration

Résumé

L'objectif général de cette thèse est de proposer un système d'aide à l'analyse prédictive dans le contexte de la prise en charge des patients et de leurs parcours de soins en secteur hospitalier. L'objectif du système est de prédire un évènement indésirable de type réhospitalisation, aggravation, abandon, mais aussi une durée de parcours d'un patient. Le modèle prédictif devra être présenté aux médecins de façon à ce qu'ils puissent appréhender le comportement du modèle, au travers d'une sélection d'observations les plus pertinentes, sans être redondantes. L'appropriation du modèle par les médecins est donc une composante majeure de ces travaux.

The main goal of this thesis is to propose a predictive analysis support system in the context of patient management and care pathways in the healthcare sector. The aim of the system is to predict an undesirable event such as rehospitalization, aggravation, dropout, but also the duration of a patient's journey. The predictive model should be presented to physicians so that they can understand the model's behavior, through a selection of the most relevant observations, without being redundant. The appropriation of the model by physicians is therefore a major component of this work.