Gestion et Analyse de Données Multimodale pour l'Optimisation du Diagnostic Clinique des Troubles Mentaux

Multimodal Data Management and Analysis for Optimised Clinical Diagnosis of Mental Disorders

• Auteur / Autrice : Abdelkrim Zitouni
• Direction : Nadia Kabachi, Juba Agoun
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Lyon 2
• Ecole(s) doctorale(s) : InfoMaths - Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : Laboratoire : ERIC

Mots clés

Mots clés libres

Troubles Mentaux

Apprentissage par Renforcement

Multimodal

Bases De Données Vectorielles

Inférence Causale

Prédiction Conforme

Mental Disorders

Reinforcement Learning

Multimodal

Vector Database

Causal Inference

Conformal Prediction

Résumé

Ce projet de thèse vise à développer une approche d'aide au diagnostic clinique des troubles mentaux, en s'appuyant sur les avancées des modèles d'apprentissage, en complément de l'expertise des médecins. L'objectif est de diagnostiquer et de traiter les troubles du sommeil et les troubles mentaux en général, en utilisant des données multimodales telles que la voix, les vidéos, et les textes d'interviews cliniques pour établir le phénotype clinique des patients. Cette approche se place dans un contexte de e-Santé et cherche à exploiter les méthodes d'apprentissage par renforcement pour inclure les retours des médecins et diverses sources de données, améliorant ainsi le diagnostic, le suivi, et le traitement des troubles mentaux. Avec le vieillissement des populations occidentales et l'augmentation des maladies chroniques, les troubles du sommeil comme l'apnée obstructive, l'insomnie et la COMISA ont un impact significatif sur la santé. Les méthodes diagnostiques traditionnelles sont souvent limitées par leur coût et leur complexité, nécessitant de nouvelles approches non invasives et rentables. L'intégration des données multimodales, comprenant des informations physiologiques, comportementales et contextuelles, permet une vue d'ensemble complète des habitudes de sommeil et de la santé des patients. L'un des objectifs principaux est d'explorer l'impact des bases de données vectorielles pour le stockage et l'analyse de ces données complexes. Les modèles d'apprentissage par renforcement joueront un rôle clé en intégrant les avis des cliniciens, et les méthodes de prédiction conformes fourniront des mesures d'incertitude pour chaque prédiction. En conclusion, cette thèse se concentre sur l'amélioration des diagnostics et de la prise en charge clinique des patients, en utilisant l'inférence causale pour comprendre les relations de cause à effet entre les variables, permettant ainsi des décisions plus éclairées et personnalisées.

This thesis project aims to develop an approach to aid in the clinical diagnosis of mental disorders by leveraging advances in learning models, complementing the expertise of physicians. The goal is to diagnose and treat sleep disorders and mental disorders in general using multimodal data such as voice, videos, and interview texts to establish the clinical phenotype of patients. This approach is positioned in an e-Health context, seeking to exploit reinforcement learning methods to incorporate feedback from physicians and various data sources, thereby improving the diagnosis, monitoring, and treatment of mental disorders. With the aging populations in Western countries and the rise in chronic diseases, sleep disorders like obstructive sleep apnea, insomnia, and COMISA have a significant impact on health. Traditional diagnostic methods are often limited by their cost and complexity, necessitating new non-invasive and cost-effective approaches. Integrating multimodal data, including physiological, behavioral, and contextual information, provides a comprehensive overview of patients' sleep habits and health status. One primary objective is to explore the impact of vector databases for storing and analyzing these complex data. Reinforcement learning models will play a key role by integrating clinicians' feedback, and conformal prediction methods will provide uncertainty measures for each prediction. In conclusion, this thesis focuses on improving diagnostics and clinical management of patients by using causal inference to understand cause-effect relationships between variables, enabling more informed and personalized decisions.