Construction et validation d'un algorithme d'IA pour la prévention de la chute chez la personne âgée

Construction and validation of an AI algorithm for fall prevention in the elderly

• Auteur / Autrice : Amadou Maguette Djiogomaye Ndiaye
• Direction : Achille Tchalla, Laurent Billonnet
• Type : Projet de thèse
• Discipline(s) : Biologie Chimie Santé mention Santé publique, épidémiologie, environnement et sociétés
• Date : Inscription en doctorat le 07/10/2022
• Etablissement(s) : Limoges
• Ecole(s) doctorale(s) : École doctorale Ω-LIM-Biologie-Chimie-Santé (Limoges ; 2022-)
• Partenaire(s) de recherche : Laboratoire : Vieillissement Fragilité Prévention e-Santé (Limoges)

Mots clés

Mots clés libres

Intelligence artificielle

Chute

Personne âgée

Artificial intelligence

Fall

Elderly person

Résumé

L'objectif de cette thèse est de construire et de valider une stratégie et un algorithme d'intelligence artificielle pour la prévention de la chute chez les personnes âgées. La chute est l'un des événements indésirables qui survient chez les personnes âgées. Une personne âgée est toute personne ayant 60 ans et plus. Les causes de la chute sont diverses et les conséquences peuvent être désastreuses. Une chute grave peut entraîner une hospitalisation, une admission dans un établissement d'hébergement pour personnes âgées dépendantes (EHPAD) ou la mort. La prévention de la chute est donc devenue une urgence pour accompagner les individus dans leur processus de vieillir en bonne santé. La chute est liée à la démarche et à l'équilibre. Nombreux sont les tests qui ont permis aux spécialistes d'évaluer le risque de chute chez leur patient. Ces tests leur ont permis d'assurer un plan de prévention du risque de chute. En effet, ces tests permettent d'évaluer directement les facteurs intrinsèques de la chute, à savoir la marche et l'équilibre. Parmi ces tests, on peut citer l'évaluation par l'échelle de Berg, l'évaluation par le Morse Fall Scale, le Tinetti's Performance-Oriented Mobility Assessment (POMA), le « Short Physical Performance Battery test » (SPPB) et le Timed Up and Go (TUG). Bien que ces tests soient efficaces, leur réalisation requiert un investissement important en temps et en ressources. Cependant, il convient de noter que ces tests sont de plus en plus automatisés du fait de la qualité des données qu'ils fournissent. D'ailleurs, les données collectées grâce à ces tests permettent d'enrichir les bases de données destinées à construire des modèles prédictifs de la chute. Le terme « donnée » fait ici référence à une information brute ou un ensemble d'observations recueillies dans le cadre d'une étude, d'une enquête, d'une visite à l'hôpital ou grâce à un système automatisé qui doit permettre d'extraire des informations pertinentes. Par information, on entend ici l'ensemble des résultats ou des connaissances qu'un modèle d'intelligence artificielle (IA) génère à partir des données d'entrées. Les données d'entrée sont les données de patients ou de sujets participants à une étude. L'IA est la science et l'ingénierie visant à créer des machines intelligentes, notamment des programmes informatiques intelligents. Un modèle d'IA est une construction mathématique générant une déduction ou une prédiction à partir de données d'entrée. Les causes d'une chute chez un individu sont multifactorielles. Elles sont liées à la santé physique, mentale et sociale de cet individu. Afin d'avoir une vision holistique de la chute, les données destinées à la prédiction impliquent les trois dimensions du risque de chute suivantes : la dimension physique/organique, la dimension thymique/cognitive et la dimension socio-environnementale. Le terme « dimension » fait référence aux types de facteurs qui contribuent au risque de chute chez une personne. Il s'agit de la façon d'appréhender les multiples facteurs qui peuvent influencer la probabilité de chute. Dans chacune des trois dimensions se trouvent des données pertinentes qui permettent de mieux comprendre les causes d'une chute. Les données peuvent provenir des hôpitaux, du domicile des participants d'une étude et des laboratoires de recherche où l'on utilise des capteurs ou des caméras. Elles peuvent prendre différentes formes telles que des nombres, des textes, des images, des vidéos ou des séries de valeurs mesurées. Pour prédire la chute, on doit prendre en compte au moins deux des trois dimensions du risque de chute, à savoir la dimension physique/organique et la dimension socio-environnementale. La dimension physique/organique est prise en compte pour collecter au moins des données liées à la marche ou l'équilibre. Pour donner un sens au procédé de prédiction de la chute, il faut au moins collecter l'âge du sujet qui s'inscrit dans la dimension socio-environnementale. Afin de construire un modèle prédictif avec une approche holistique de la chute, il faut considérer les trois dimensions du risque de chute. Les dimensions que l'on prend en compte lors de la prédiction de la chute dépendent de la provenance des données. Dans les hôpitaux, on peut trouver des données d'imagerie médicale, des données textuelles ou des données de patients lors de leur prise en charge qui sont répertoriées dans une base de données. Les données recueillies dans les hôpitaux prennent en compte les dimensions physique/organique (par exemple : le poids, la prise de la température et la mesure de la fréquence cardiaque) et socio-environnementale (par exemple : l'âge et le sexe) des patients. En plus, la dimension thymique/cognitive est mise en jeu par les données issues d'examens neurologiques ou d'entretiens psychiatriques. Les données d'entretiens psychiatriques sont obtenues grâce à des questionnaires standardisés. En dehors des hôpitaux, les données peuvent être recueillies durant des études menées dans des laboratoires de recherche ou au domicile des sujets participants. Au domicile des sujets participants, les données collectées impliquent les trois dimensions du risque de chute. Dans les laboratoires de recherche, les données sont recueillies grâce à des capteurs tels que des caméras, des capteurs de présence, des capteurs de déplacement, etc. Ces données peuvent être des images, des séries de valeurs numériques mesurées ou des vidéos. Les données obtenues grâce aux capteurs ne prennent en compte que les dimensions physique/organique et socio-environnementale du risque de chute. En revanche, les données qui sont issues de caméras impliquent les trois dimensions du risque de chute. Afin de construire un modèle prédictif de la chute pour des personnes âgées via des capteurs, une distinction entre la prédiction et la détection doit être précisée. Un modèle prédictif permet de faire des prédictions ou des estimations sur des événements futurs à partir de données existantes. La détection fait ici référence à l'identification ou à la reconnaissance de la chute par des dispositifs munis de capteurs. Lors d'un processus de prédiction, la population d'étude est constituée de personnes de tous âges. Dans la pratique, les données utilisées pour construire des modèles prédictifs sont collectées à partir de simulations de chutes réelles réalisées par des personnes de moins de 60 ans. Les modèles construits avec ces données ne sont ensuite validés qu'en utilisant des données de chutes réelles de personnes âgées. Les modèles prédictifs développés pour la prédiction sont intégrés à des outils de détection de la chute destinés aux personnes âgées. Ces outils collectent des données pendant leur utilisation. Les données réelles collectées lors de la détection de la chute sont également connues sous le nom de « données du monde réel » ou « Real World Data » en anglais. Les personnes âgées ne sont pas accompagnées lors de l'utilisation des dispositifs. Les capteurs ne pouvant pas mesurer l'intentionnalité du geste, afin d'assurer la fiabilité des données collectées lors de la détection de la chute, une distinction entre les chutes, les quasi-chutes (par exemple : glissade et trébuchement) et les activités de la vie quotidienne (par exemple : marcher, se tenir tranquillement debout et se lever d'une position assise) doit être faite lors de la construction d'un modèle prédictif. En d'autres termes, les données de chacun de ces événements doivent être incluses dans la construction du modèle pour que les dispositifs puissent les identifier lors de la détection. Prenons l'exemple d'une personne qui ramasse un objet, elle va se trouver à un niveau inférieur par rapport à sa position de départ, pourtant elle n'est pas en train de chuter. Le fait de ramasser un objet est une activité de la vie quotidienne, il n'a pas lieu avec la même vitesse qu'une chute ou une quasi-chute. Une personne qui chute peut avoir du mal à se souvenir des circonstances de sa chute. Les capteurs permettent de recueillir des données en temps réel, ce qui permet d'éviter les longs couchages (une personne est victime de long couchage si elle n'arrive pas à se lever après une chute) et la perte d'informations sur les circonstances d'une chute (des capteurs comme les accéléromètres par exemple permettent de mesurer la vitesse à laquelle une chute survient). Les dispositifs munis de capteurs permettent de lancer des alertes aux spécialistes, ce qui permet d'accélérer la prise en charge des personnes qui chutent. Selon le type de données, il existe de nombreux modèles d'intelligence artificielle qui permettent de prédire la chute. Ces modèles sont fondés sur l'apprentissage automatique (Machine Learning en anglais) ou profond (Deep Learning en anglais). Une fois que ces modèles ont permis de prédire la chute avec de bons scores de prédictions, il est important d'identifier les facteurs prédictifs. Les facteurs prédictifs sont les variables qui prédisent mieux un modèle, c'est-à-dire celles qui ont une relation statistique significative avec la variable que l'on souhaite prédire. Une variable est une caractéristique commune à l'ensemble des individus d'une étude. Après une prédiction, chaque variable d'entrée a un poids compris entre 0 et 1. Ce poids indique la contribution de la variable d'entrée à la prédiction de la variable cible. Les variables d'entrée qui ont les poids les plus importants sont les facteurs prédictifs ou variables prédictives du modèle. Les facteurs prédictifs permettent donc de fournir aux spécialistes les informations nécessaires pour la mise en place d'un plan de prévention de la chute ciblé. Les facteurs prédictifs peuvent être identifiés grâce aux modèles de régression ou d'IA explicable. Une IA explicable, encore appelée IA explicite ou transparente, est une intelligence artificielle dont on peut comprendre le comportement et donc les décisions, on peut les expliquer et les justifier. La régression est une technique statistique utilisée pour modéliser la relation entre une variable indépendante (ou variable d'entrée) et une variable dépendante (ou variable cible) dans un ensemble de données. Elle vise à trouver une relation mathématique qui permet de prédire la valeur de la variable cible en fonction des valeurs des variables d'entrées. Si on prend l'exemple d'une classification, les individus sont répartis dans des groupes en fonction des classes de la variable cible. Les modèles de régression permettent d'identifier les facteurs prédictifs dans chacun de ces groupes. Par ailleurs, avec les modèles fondés sur l'IA explicable, on arrive à identifier en plus les facteurs prédictifs spécifiques à chaque individu, ainsi que l'importance de chaque facteur prédictif dans la survenue des chutes. Dans notre travail, nous avons répertorié des études sur la prédiction des chutes des personnes âgées et qui ont identifié des facteurs prédictifs. Nous avons ensuite classifié les facteurs prédictifs de ces études en fonction des différentes dimensions du risque de chute.  Nous avons noté qu'au moins une variable de la dimension physique/organique est un facteur prédictif dans chacune de ces études. La dimension physique/organique est donc nécessaire pour mettre en place une bonne stratégie de prévention de la chute. De plus, parmi les études répertoriées, les études récentes mettent en évidence l'âge comme un facteur prédictif de la chute. C'est ce qui justifie le besoin pressant de construire des modèles prédictifs pour les premières victimes de la chute, à savoir les personnes âgées. Dans les études répertoriées, les modèles d'IA qui ont permis de mettre en place des méthodologies de prédiction de la chute des personnes âgées avec de bons scores prédictifs sont les suivants : la Régression Lasso, le Random-forest-based Boruta algorithm, le Bidirectional encoder, le Bidirectional long short-term memory (BLSTM), l'arbre de régression et le Genetic Algorithm Neural Network (GANN). Ces modèles pourront constituer notre point de départ pour la construction de notre modèle prédictif d'IA pour la prédiction des chutes chez les personnes âgées. À l'étape de mise en place du modèle d'IA prédictive, ces modèles pourront constituer une base de départ pour la prédiction des chutes chez les personnes âgées.

The objective of this thesis is to develop and validate a strategy and an artificial intelligence algorithm for the prevention of falls in older people. Falling is one of the adverse events that occur in older people. An older person is defined as anyone aged 60 and above. The causes of falls are diverse, and the consequences can be devastating. A severe fall can result in hospitalization, admission to a retirement home, or even death. Fall prevention has therefore become an urgent need to support individuals in their process of aging in good health. Falling is related to gait and balance. Numerous tests have allowed specialists to assess the risk of falls in their patients. These tests have helped to establish a fall prevention plan. Indeed, these tests directly evaluate the intrinsic factors of falls, namely walking and balance. Among these tests, the evaluation with the Berg Balance Scale, the evaluation with the Morse Fall Scale, the Tinetti's Performance-Oriented Mobility Assessment (POMA), the Short Physical Performance Battery test (SPPB), and the Timed Up and Go (TUG) can be mentioned. Although these tests are effective, they require a significant investment of time and resources to administer. However, it should be noted that these tests are increasingly being automated due to the quality of the data they provide. Furthermore, the data collected through these tests help enrich databases intended for constructing predictive models of falls. The term 'data' here refers to raw information or a set of observations gathered through a study, survey, hospital visit, or an automated system designed to extract relevant information. Information refers to the results or knowledge generated by an artificial intelligence (AI) model based on input data. Input data consists of patient or participant data in a study. AI is the science and engineering aimed at creating intelligent machines, including intelligent computer programs. An AI model is a mathematical construct that generates deduction or prediction based on input data. The causes of a fall in an individual are multifactorial. They are related to the physical, mental, and social health of the individual. In order to have a holistic understanding of falls, the data used for prediction involves the following three dimensions of fall risk: the physical/organic dimension, the affective/cognitive dimension, and the socio-environmental dimension. The term 'dimension' refers to the types of factors that contribute to the risk of falling. It is a way of approaching the multiple factors that can influence the likelihood of a fall. Within each of the three dimensions, there are relevant data that help better understand the causes of a fall. The data can come from hospitals, the participants' homes in a study, or research laboratories where sensors or cameras are used. They can take different forms, such as numbers, texts, images, videos, or a series of measured values. To predict falls, at least two of the three dimensions of fall risk must be considered, namely the physical/organic dimension and the socio-environmental dimension. The physical/organic dimension is taken into account to collect data related to walking or balance. To give meaning to the fall prediction process, at least the subject's age, which falls within the socio-environmental dimension, must be collected. In order to build a predictive model with a holistic approach to falls, all three dimensions of fall risk must be considered. The dimensions considered in the fall prediction depend on the source of the data. In hospitals, medical imaging data, textual data, or patient data collected during their care can be found in a database. The data collected in hospitals take into account the physical/organic dimensions (e.g., weight, temperature measurement, and heart rate measurement) and socio-environmental dimensions (e.g., age and gender) of patients. Additionally, the affective/cognitive dimension is involved through data from neurological examinations or psychiatric interviews. Psychiatric interview data is obtained through standardized questionnaires. Outside of hospitals, data can be collected during studies conducted in research laboratories or at the participants' homes. Data collected at participants' homes involve all three dimensions of fall risk. In research laboratories, data is collected using sensors such as cameras, presence sensors, motion sensors, etc. These data can be in the form of images, a series of measured numerical values, or videos. Data obtained from sensors only take into account the physical/organic and socio-environmental dimensions of fall risk. On the other hand, data obtained from cameras involve all three dimensions of fall risk. In order to build a predictive model for falls in older people using sensors, a distinction between prediction and detection needs to be clarified. A predictive model allows for making predictions or estimations about future events based on existing data. Detection here refers to the identification or recognition of falls by devices equipped with sensors. During the prediction process, the study population consists of individuals of all ages. In practice, the data used to build predictive models are collected from simulations of real falls performed by individuals under the age of 60. The models built with this data are then validated using real fall data from older people. The predictive models developed for prediction are integrated into fall detection tools designed for older people. These tools collect data during their use. The real-world data collected during fall detection. Older people are not accompanied during the use of these devices. The sensors cannot measure the intentionality of the movement. To ensure the reliability of the data collected during fall detection, a distinction must be made between falls, near falls (e.g., slips and trips), and activities of daily living (e.g., walking, standing still, and rising from a seated position) when constructing a predictive model. In other words, data from each of these events must be included in the model construction so that the devices can identify them during detection. Let's take the example of a person bending down to pick up an object. They will be in a lower position compared to their starting position, but they are not actually falling. The act of picking up an object is an activity of daily living and does not occur at the same speed as a fall or near-fall. A person who experiences a fall may have difficulty remembering the circumstances surrounding the fall. Sensors allow for real-time data collection, which helps to avoid prolonged immobilization (a person is considered to have a prolonged immobilization if they are unable to get up after a fall) and prevents the loss of information about the circumstances of a fall (sensors like accelerometers can measure the speed at which a fall occurs). Devices equipped with sensors can send alerts to specialists, speeding up the response and care for individuals who have fallen. Depending on the type of data, there are numerous artificial intelligence models that can be used for fall prediction. These models are based on machine learning or deep learning techniques. Once these models have achieved good prediction scores, it is important to identify the predictive factors. Predictive factors are variables that provide better prediction in a model, meaning they have a statistically significant relationship with the variable being predicted. A variable is a characteristic shared by all individuals in a study. After a prediction, each input variable has a weight ranging from 0 to 1. This weight indicates the contribution of the input variable to the prediction of the target variable. The input variables with the highest weight are the predictive factors or variables of the model. Predictive factors are crucial in providing specialists with the necessary information for implementing a targeted fall prevention plan. Predictive factors can be identified through regression models or explainable AI. Explainable AI, also known as transparent or interpretable AI, refers to artificial intelligence whose behavior and decisions can be understood, explained, and justified. Regression is a statistical technique used to model the relationship between an independent variable (or input variable) and a dependent variable (or target variable) in a dataset. Its goal is to find a mathematical relationship that predicts the value of the target variable based on the values of the input variables. In the case of classification, individuals are grouped into classes based on the categories of the target variable. Regression models can help identify predictive factors within each of these groups. Moreover, with models based on explainable AI, it is possible to identify individual-specific predictive factors and determine the importance of each predictive factor in the occurrence of falls. In our work, we compiled studies on fall prediction in older people that have identified predictive factors. We then classified these predictive factors based on the different dimensions of fall risk. We noted that at least one variable from the physical/organic dimension is a predictive factor in each of these studies. Therefore, the physical/organic dimension is necessary for implementing an effective fall prevention strategy. Additionally, among the identified studies, recent research highlights age as a predictive factor for falls. This justifies the urgent need to develop predictive models for the primary victims of falls, namely older people. In the reviewed studies, the AI models that have been used to develop methodologies for predicting falls in older people with good predictive scores include the following: Lasso Regression, Random Forest-based Boruta algorithm, Bidirectional Encoder, Bidirectional Long Short-Term Memory (BLSTM), Regression Tree, and Genetic Algorithm Neural Network (GANN). These models can serve as our starting point for constructing our predictive AI model for fall prediction in older people. During the implementation stage of the predictive AI model, these models can provide a foundation for predicting falls in older people.