Portfolio · Mission client
Prédire les chutes des personnes âgées après un retour à domicile
Chez Philips Research, j’ai étudié la prédiction des chutes chez les patients âgés après leur sortie d’hôpital, dont jusqu’à 40 % chutent dans les six mois. J’ai construit un modèle d’IA qui estime ce risque à partir des routines quotidiennes captées par un pendentif connecté.
- Résultat livré
- Modèle qui estime le risque de chute à partir des routines quotidiennes
- Rôle
- Stagiaire ingénieur de recherche
- Client
- Philips Research
- Secteur
- Santé
- Année
- 2017
- Technos
- Python, MATLAB, K-means, LDA, XGBoost
Contexte
Jusqu’à 40 % des patients âgés chutent dans les six mois qui suivent leur sortie d’hôpital, et jusqu’à la moitié de ces chutes causent une blessure. Environ trois sur quatre ont lieu à domicile, pendant les activités ordinaires. Le risque s’évalue en consultation : un médecin ou une infirmière fait passer des questionnaires et des tests physiques. Ce temps de personnel coûte cher, si bien que l’évaluation est rarement répétée pour un même patient.
Pour mon stage de césure de Centrale Nantes, j’ai passé six mois chez Philips Research à Eindhoven, dans le cadre d’un projet européen de prévention des chutes. J’y ai exploré une autre piste : estimer ce risque à partir des habitudes quotidiennes captées par un pendentif connecté, qui détecte déjà les chutes et mesure les mouvements et l’altitude. Les données couvraient 116 patients âgés de 65 à 91 ans, suivis chez eux pendant 5,5 semaines en moyenne. Pour chacun, on savait seulement s’il avait chuté ou non, sans indication de ce qu’il faisait dans la journée. J’étais seul sur l’étude, encadré par deux chercheurs.
Démarche
Je suis parti d’une méthode publiée en 2008, qui découvre les routines d’une personne à partir des mesures de son capteur. On interprète les données de mesure comme un texte : quelques secondes de mouvement forment un « mot », une demi-heure forme un « document » et les thèmes qui reviennent sont des routines. Je l’ai étendue à toute une population, pour comparer les routines des patients qui chutent à celles des autres.
J’ai d’abord écarté les enregistrements défectueux. Pour prédire le risque dès la première semaine après la sortie, j’ai gardé les patients qui avaient au moins cette semaine de données : 99 patients, dont 31 ont chuté.
Un premier vocabulaire, qui mélangeait mouvement et altitude, donnait des prédictions proches du hasard. Je l’ai remplacé par deux vocabulaires séparés, l’un pour le mouvement, l’autre pour l’altitude, combinés ensuite. Comme la cohorte était petite, j’ai appris les routines sur 20 patients seulement, puis je les ai gardés pour entraîner la prédiction, afin de n’en écarter aucun. Pour chaque patient, la part de son temps passée dans chaque routine sert ensuite à le classer parmi les chuteurs ou non. J’ai testé de 6 à 22 routines, ainsi qu’un découpage par moment de la journée, qui dégradait les résultats.
Résultat
Les 10 % de patients que le modèle juge les plus à risque comptent 2,3 fois plus de chuteurs que l’ensemble. Sur deux patients, l’un qui a chuté et l’autre non, il désigne le bon dans environ 80 % des cas, contre 50 % pour un tirage au sort (AUC de 0,78 à 0,82). Ces résultats ont fait l’objet d’une publication scientifique interne en fin de stage.