- Cedric/CNAM

Conservatoire National des Arts et Métiers
Année 2007
T H E S E
pour obtenir le grade de
docteur en informatique
Présentée et soutenue publiquement
par Didier NAKACHE
le 26 septembre 2007
Extraction automatique des diagnostics à partir des comptes rendus médicaux textuels
Préparée au sein du laboratoire CEDRIC – équipe ISID
sous la direction
d'Elisabeth Métais
Devant le jury composé de :
Président : Pr Jacky Akoka CNAM de Paris
Rapporteurs : Pr Georges Gardarin PRISM Université de Versailles Saint Quentin
Pr Gilles Venturini Ecole polytechnique de Tours
Examinateurs : Pr Reind P. Van De Riet Vrije Universitat (Pays-Bas)
Pr Yacine Rezgui University of Salford (Royaume Uni)
Pr Jean François Timsit CHU de Grenoble
Directeur de thèse : Pr Elisabeth Métais CNAM de Paris

Conservatoire National des Arts et Métiers
Thèse de doctorat en informatique
Didier Nakache
Septembre 2007
SOMMAIRE Page
Remerciements..................................................................................................... 4
Chapitre 1 : introduction.................................................................................... 5
1.1 Présentation du sujet de la thèse................................................................................. 6
1.2 Le sous projet CIREA ................................................................................................ 8
1.3 Présentation du plan ................................................................................................. 12
Chapitre 2 : état de l'art des classifications de documents textuels rédigés en
langage naturel ..................................................................................................15
2.1 Présentation générale de l'état de l'art ...................................................................... 16
2.2 Définition de la classification................................................................................... 16
2.3 Les comptes rendus hospitaliers............................................................................... 20
2.4 Convergence des méthodes ...................................................................................... 20
2.5 Méthodologie pour classifier les documents textuels .............................................. 26
2.6 L’approche linguistique............................................................................................ 28
2.7 Préparation des données par la desuffixation........................................................... 32
2.8 La vectorisation des documents ............................................................................... 33
2.9 Les mesures de distances et de similarités ............................................................... 43
2.10 Les algorithmes de classification par apprentissage ................................................ 50
2.11 Comparaison des méthodes...................................................................................... 77
Chapitre 3 : la classification automatique des comptes rendus hospitaliers85
3.1 La formalisation du problème .................................................................................. 86
3.2 Analyse du problème................................................................................................ 88
3.3 La représentation du langage médical...................................................................... 88
3.4 Constitution des corpus, des bases d'apprentissage et de test .................................. 97
3.5 Plan expérimental................................................................................................... 100
3.6 Analyse des comptes rendus et de leur reproductivité ........................................... 101
3.7 Proposition d'un algorithme de désuffixation : EDA ............................................. 107
3.8 Proposition d'un algorithme de classification : CLO3 ........................................... 114
3.9 Optimisation de l'apprentissage.............................................................................. 120
3.10 Exemple d'utilisation du logiciel............................................................................ 128
Chapitre 4 la problématique de l'évaluation ..............................................133
4.1 Présentation de la problématique ........................................................................... 134
4.2 Etat de l'art de l’évaluation des classifications....................................................... 135
4.3 Paradigme de l’évaluation : vers une nouvelle approche ? .................................... 142
4.4 De la difficulté d’évaluer........................................................................................ 142
4.5 Vers de nouveaux indicateurs ................................................................................ 145
Chapitre 5 le projet Rhéa, contexte de cette thèse ..................................... 159
5.1 De la cognition artificielle à la connaissance......................................................... 160
5.2 Définitions.............................................................................................................. 160
5.3 Présentation de l'application RHÉA....................................................................... 161
5.4 Résultats obtenus avec la base RHÉA.................................................................... 174
5.5 Conclusions sur RHÉA .......................................................................................... 178
Version finale Page 2

Conservatoire National des Arts et Métiers
Thèse de doctorat en informatique
Didier Nakache
Septembre 2007
6 Conclusions ...............................................................................................179
7 Bibliographie.............................................................................................181
8 Tables des illustrations............................................................................. 203
8.1 Table des figures .................................................................................................... 203
8.2 Table des équations ................................................................................................ 204
9 Annexes......................................................................................................205
9.1 Annexe 1 : le code Source pour EDA .................................................................... 205
9.2 Annexe 2 : arborescence et nouveautés du MeSH 2007 ........................................ 207
9.3 Annexe 3 : calculs de scores utilisés en réanimation ............................................. 212
Version finale Page 3

Conservatoire National des Arts et Métiers
Thèse de doctorat en informatique
Didier Nakache
Septembre 2007
REMERCIEMENTS
Je souhaite remercier très vivement Elisabeth Métais, non parce que c'est l'usage, mais pour
m'avoir guidé dans mes travaux, conseillé avec professionnalisme et une très grande expertise,
sans jamais compter son temps ni perdre sa bonne humeur. Ses apports majeurs me
permettent aujourd'hui de vous présenter cette thèse.
Je suis très reconnaissant envers le Professeur Akoka de me faire l'honneur de présider le jury
de cette soutenance et pour m'avoir accueilli dans l'équipe ISID. J'exprime toute ma gratitude
au Professeur Gardarin et au Professeur Venturini pour accepter d'être mes rapporteurs de
thèse. Je souhaite dire au Professeur Gardarin et son équipe du Prism et Oxymel combien j'ai
apprécié de collaborer avec eux. Je remercie le Professeur Van De Riet et le Professeur
Rezgui pour l'intérêt qu'ils portent à mon travail et en particulier pour avoir traversé les
frontières pour assister à cette présentation. Je remercie également le Professeur Timsit pour
son aide, soutien et forte implication dans ce projet.
Je tiens ensuite à exprimer ma gratitude à mon employeur, la CRAMIF, et à travers elle son
Directeur Général, Mr Tonner, ainsi que Madame Bourez, Monsieur Berton, Mr Kebaili,
Mr Martinez et leurs collaborateurs pour m'avoir soutenu et permis de réaliser cette thèse. Je
remercie très vivement Jacques Chevalier, ainsi que l'ensemble de mes collègues de travail,
les membres du laboratoire Cedric, l'association Outcome Rea, le Professeur Badran pour leur
aide, collaboration et sympathique soutien. Merci à P. Bonnardel pour sa documentation sur
Kappa. Mille mercis à Madame Bouali qui m'encourage depuis le début, ainsi qu'à Monsieur
Aït Henani de l'Université de Lille et Messieurs Chachoua et Edeivotoh de l'EIVP. Enfin je
remercie Sabine, Marie Luce, Eve, Michel, Gabrielle et Sandrine pour leur aide. Je souhaite
exprimer ma sympathie à Martine Degrave, Monique Brossier, Patrice Venel et Martine
Foucault pour leur soutien. Merci à tous mes sympathiques stagiaires pour leurs apports à ce
projet : Annabelle Dierstein, Charles de Laguiche, Julien Le Goff, Eric Dutilleul, Grégoire
Canes-Boussard, Loïc Crenn, Matthieu Ledarath, Roland Ngo, Arthur Dorival, Somruthay
Thammachak, Matthieu Lucot, Frédéric Lallouet, Steve Beroard et Sabrina Dumont.
Je souhaite également remercier ma famille et plus particulièrement mon épouse Claudie, et
mes enfants pour leurs encouragements constants.
Version finale Page 4

Conservatoire National des Arts et Métiers
Thèse de doctorat en informatique
Didier Nakache
Septembre 2007
1 CHAPITRE 1
INTRODUCTION
Version finale Page 5