Diagnostic différentiel d'infarctus à partir de la parole

Differential diagnosis of heart attack from speech

• Auteur / Autrice : Alex Stasica
• Direction : Romain Serizel
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2025
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
• Partenaire(s) de recherche : Equipe de recherche : MULTISPEECH

Mots clés

Mots clés libres

Parole

Samu

Infarctus

Diagnostic différentiel

Speech

Emergency service

Myocardial infarction

Differential Diagnosis

Résumé

L'objectif de la thèse est de détecter l'infarctus en temps réel durant un appel au SAMU par l'analyse de la parole de l'appellant.e, et de le différencier d'autres troubles avec des symptômes similaires. En effet, l'infarctus a un impact majeur sur le système cardio-respiratoire et donc sur la parole. Certains symptômes comme la douleur ou l'essoufflement ont déjà été détectés à partir de la parole. Cependant, bien qu'il existe des publications sur la détection de l'insuffisance cardiaque à partir de la parole, il n'en existe pas sur celle de l'infarctus. Pour réaliser cette tâche, le SAMU54 dispose d'une base de données contenant les enregistrements des appels, annotés avec les rapports rédigés par les assistants de régulation médicale, la modalité de prise en charge (envoi d'un SMUR, envoi d'une ambulance, renvoi vers les urgences, etc.), et le diagnostic final (infarctus ou non). Plus largement, la thèse a pour objectif de dépasser trois limites des travaux utilisant la parole pour des tâches liées à la santé grâce à la base de données mise à disposition par le SAMU54: - Le petit nombre de patients et la qualité des annotations, parfois basées sur une auto-évaluation, qui limitent la généralisation et décrédibilisent les résultats aux yeux des professionnels de santé; - Le fossé entre les jeux de données utilisés dans la littérature (lecture de texte ou description d'image à voix haute) et les appels au SAMU (dialogue spontané, qualité sonore réduite), qui complexifie l'extraction de descripteurs pertinents; - Le focus sur la tâche de détection binaire d'une maladie (malade / non malade) ou d'un unique symptôme (par exemple, la sévérité de la douleur), qui diffère de la tâche effectuée par les assistants de régulation qui font face à des appelants ayant des tableaux cliniques tous symptomatologiques et souvent similaires et doivent évaluer la gravité et le niveau d'urgence de la maladie sous-jacente sans nécessairement l'expliciter.

The objective of this thesis is to detect myocardial infarction in real time during emergency calls to the SAMU (French emergency medical service) by analyzing the caller's speech, and to distinguish it from other conditions with similar symptoms. Myocardial infarction has a major impact on the cardiorespiratory system and, consequently, on speech. Certain symptoms, such as pain or shortness of breath, have already been detected through speech analysis. However, while some studies have explored the detection of heart failure from speech, none to date have focused specifically on myocardial infarction. To accomplish this task, SAMU54 provides access to a database containing call recordings, annotated with reports written by emergency dispatch assistants, the type of medical response (dispatch of a mobile intensive care unit, ambulance, referral to the emergency department), and the final diagnosis (myocardial infarction or not). More broadly, this thesis aims to overcome three main limitations commonly found in speech-based health research, thanks to the SAMU54 database: - The small number of patients and the poor quality of annotations—often based on self-reporting—which limit generalizability and undermine credibility in the eyes of healthcare professionals; - The gap between datasets typically used in the literature (read speech or image descriptions) and the nature of SAMU calls (spontaneous dialogue, reduced audio quality), which complicates the extraction of relevant speech features; - The focus on binary disease detection tasks (ill/not ill) or isolated symptoms (e.g., pain severity), which differs significantly from the work of emergency call assistants, who must handle callers presenting complex and often similar symptom profiles, and must assess the severity and urgency of the underlying condition without necessarily naming it explicitly.