Apport des réseaux bayésiens à l'aide à la décision en médecine d'urgence

Bayesian Networks for decision support in Emergency Medicine

• Auteur / Autrice : Pierre Catoire
• Direction : Cecile Proust-lima, Robin Genuer
• Type : Projet de thèse
• Discipline(s) : Santé publique Option Biostatistiques
• Date : Inscription en doctorat le 24/04/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : Sociétés, Politique, Santé Publique
• Partenaire(s) de recherche : Laboratoire : Bordeaux Population Health Research Center
• Partenaire(s) de recherche : Equipe de recherche : E5 - Biostatistics

Mots clés

Mots clés libres

Réseaux bayésiens

Décision

Médecine d'urgence

Modèles graphiques probabilistes

Bayesian networks

Decision

Emergency medicine

Probabilistic graphical models

Résumé

L'objectif de cette thèse est d'explorer le potentiel des réseaux bayésiens pour l'aide à la décision en médecine d'urgence. Cette exploration nécessite de décrire l'état de l'art des réseaux bayésiens, les différentes classes de modèles et leurs avantages et inconvénients, et les relations de ce domaine de recherche avec des domaines connexes, notamment la théorie des graphes, la théorie de l'information, l'inférence causale et la théorie de la décision. Nous établirons également un état de l'art de l'utilisation actuelle des réseaux bayésiens en médecine, en focalisant ce travail descriptif sur des situations spécifiques à la médecine d'urgence. Au cours de ces deux travaux exploratoires, nous nous intéresserons en particulier au traitement des valeurs manquantes tant au niveau de l'estimation que de la prédiction du modèle, en tenant compte de la fréquence de cette situation dans les situations de recherche en médecine d'urgence. Une deuxième partie du travail consiste en une étude théorique et de simulation de l'influence de l'incertitude dans les variables du modèle. Dans un premier temps, nous étudierons le cas des valeurs absolument incertaines, c'est-à-dire les valeurs manquantes, pour l'inférence et la prédiction. Dans un deuxième temps, nous considérerons le cas où l'incertitude sur la valeur d'une variable peut être approchée de manière quantitative, par une échelle discrète ou continue ou une distribution de probabilité. Nous considérerons ensuite l'approche décisionnelle, c'est-à-dire l'inférence des variables cibles (résultats) lorsque la valeur d'une variable est fixée par une intervention. Nous explorerons l'effet des valeurs manquantes, précédemment étudiées, sur ces modèles. Ensuite, nous étudierons les stratégies de recherche des variables d'intérêt, en fonction de leur capacité à améliorer l'inférence de l'effet d'éventuelles interventions. Le cas des stratégies mixtes (exploration et intervention alternatives) sera discuté dans une troisième partie. Enfin, nous présenterons une synthèse des propositions de bonnes pratiques pour l'application des réseaux bayésiens en médecine d'urgence, adaptées à l'objectif (prédiction, exploration et/ou stratégie d'intervention) et au type de données. Nous proposerons également une synthèse translationnelle pour expliquer l'intérêt de ces modèles aux cliniciens.

The objective of this thesis is to explore the potential of Bayesian networks for decision support in emergency medicine. This exploration involves describing the state of the art of Bayesian networks, the different classes of models and their advantages and disadvantages, and the relationship of this field of research to related fields, including graph theory, information theory, causal inference and decision theory. We will also establish a state of the art of the current use of Bayesian networks in medicine, focusing this descriptive work on specific situations in emergency medicine. During these two exploratory works, we will be particularly interested in the treatment of missing values at the level of both the estimation and the prediction of the model, taking into account the frequency of this situation in research situations in emergency medicine. A second part of the work consists of a theoretical and simulation study of the influence of uncertainty in the model variables. In a first step, we will study the case of absolutely uncertain values, i.e. missing values, for inference and prediction. Secondly, we will consider the case where the uncertainty in the value of a variable can be approximated quantitatively, by a discrete or continuous scale or a probability distribution. We will then consider the decision approach, i.e. the inference of target variables (outcomes) when the value of a variable is fixed by an intervention. We will explore the effect of missing values, previously studied, on these models. Next, we will study the search strategies for the variables of interest, according to their capacity to improve the inference of the effect of possible interventions. The case of mixed strategies (alternative exploration and intervention) will be discussed in a third part. Finally, we will present a synthesis of good practice proposals for the application of Bayesian networks in emergency medicine, adapted to the objective (prediction, exploration and/or intervention strategy) and the type of data. We will also propose a translational synthesis to explain the interest of these models to clinicians.