Explications de données subjectives par des données objectives Article soumis à IDAMAP’02 par E. Roux, P. Caulier, A.-P. Godillon-Moquinghen, St. Bouilland et D. Bouttens LAMIH, Univ. de Valenciennes et du Hainaut-Cambrésis + Groupe Hopale, Berck sur Mer Marie-Odile Cordier / Tahiti’02 / Saint Jacut Objectifs Évaluation objective des résultats obtenus après implantations de prothèses de l’épaule – mieux comprendre et connaître ce domaine,en particulier le comportement cinématique de l’épaule - prévoir l’évolution de l’état des patients, - pouvoir fournir des justifications si insatisfactions, vis à vis du patient, de la justice, des assurances 2 Approche : Mettre en correspondance – Données « objectives » : mesures cinématiques de l’épaule – Données « subjectives » : résultats à un questionnaire auprès des patients sur leurs capacités fonctionnelles (confort dans l’exécution de certaines tâches) Expliquer les données subjectives par les données objectives : – Utilisation d’arbres de décision flous – Règles de décision testant les mesures et concluant sur des 3 Données objectives : Trois tâches/gestes : – Monter le bras dans le plan scapulaire – Mettre la main sur la nuque – Lever un poids mis sur une table 3/5 fois par patient et par geste Dates des observations : – Avant l’intervention, – 3, 6, 12 mois après l’implantation de la prothèse, – puis tous les ans. Caméra avec marqueurs réfléchissants 4 Fenêtres temporelles : Les trajectoires sont décrites par 5 (9) variables temporelles : • • • • • 1 : Début de la tâche 3 : Accomplissement de la tâche 5 : Retour à la position de départ + demi-périodes (2,4) (+ levée et repose du poids pour la 3ième tâche) – Variables temporelles floues (triangulaires) 5 Variables d’analyse – Mouvements décrits par les positions relatives (angles d’Euler) des segments du corps : • tête, tronc, bras, avant-bras, main … – 20 variables retenus par les médecins : • • • • Orientations des segments, vitesses angulaires, accélérations de la flexion de l’épaule, du coude, vitesse et accélération linéaire de la main – Représentées par des ensembles flous : • 3 valeurs caractéristiques pour chaque variable + degré d’appartenance à ces classes – Variables valorisées pour chaque fenêtre temporelle 6 Données subjectives Évaluation fonctionnelle (ASES score) – Questionnaire sur la capacité à effectuer huit tâches de la vie courante : se coiffer, mettre son manteau, lancer une balle, atteindre une étagère, se laver, se laver le dos, dormir sur l’épaule, lever un poids … – 4 réponses : impossible, très difficile, difficile, impossible Objectif: – expliquer/corréler les déficiences fonctionnelles sur les tâches quotidiennes et les données recueillies sur les tâches observées 7 Induction d’arbres de décision flous Données : un couple (d, r) – d: données cinématiques correspondant à un patient et une réalisation d’un geste – r: réponse à une question de l’évaluation fonctionnelle (quatre modalités possibles) Un arbre de décision – Pour un geste donné; – Pour chaque modalité de réponse possible à chaque question de l’évaluation fonctionnelle; – Nœuds : variables d’analyse; – Règles de décision : chemins dans ces arbres 8 Induction de type ID3 Induction d’arbres de décision floues – ID3 de Quinlan + données floues • Recherche d’une variable expliquant « au mieux » la répartition des données entre classes; • Partition des données selon les (trois) valeurs possibles de la variable – Mesure pour le choix de la variable : • Entropie floue – Critère d’arrêt : • Seuil de probabilité d’appartenance à la classe 9 Élagage des règles Arbre de décision : – ensemble de règles de décision dont les conditions portent sur un geste donné et qui conclue sur l’appartenance à une classe (correspondant à une réponse de telle modalité à une question) Force de déclenchement d’une règle – Probabilité d’appartenance à la classe Simplification des règles – Retrait des conditions floues une par une • Si décroissance de la force de déclenchement de la règle, alors suppression de la condition 10 Exemple – Si, lors du mouvement de mise de la main à la nuque, • la rotation de la tête est presque nulle au démarrage du mouvement, • la vitesse linéaire de la main est nulle durant l’élévation du bras, • la prosupination de l’avant-bras est neutre pendant la phase descendante du bras, • la flexion de la tête est nulle à la presque fin du mouvement – Alors • Dormir sur l’épaule est impossible – Force de déclenchement de la règle : 0.75 11 Utilisation des règles Utilisation des règles pour l’explication objective des déficiences fonctionnelles – Réponses positives ou négatives aux différentes modalités des questions – Recherche des règles qui concluent sur cette déficience fonctionnelle et affichage de celle dont la partie condition floue est la plus satisfaite par les données cinématiques du patient 12 Résultats Critère d’arrêt : • initialement 0.7, mais augmenté ensuite : les deux classes doivent être expliquées par au moins une feuille de l’arbre 61 exemples et 96 arbres de décision : • 8 questions, 4 réponses, 3 gestes Règles : • Nombre de conditions (avant pruning) : – Min : 1 Moyenne : 9,37 Max : 46 – 95% moins de 28 conditions et 46% moins de 6 • Nombre de conditions (après pruning) : – Min : 1 Moyenne : 7,44 Max : 46 – 95% moins de 25 conditions et 58% moins de 6 13 Validation de l’expérimentation Qualité d’une explication: – pourcentage des conditions de la règle choisie comme explication qui sont vérifiées par les observations Pour chaque exemple du « training set » : – qualité de l’explication pour la réponse à chaque question Pour chaque geste : – calcul de la qualité moyenne de l’explication correspondante pour tous les patients ayant donné la même réponse à toutes les questions 14 Résultats de l’expérimentation Résultats : – Toutes les modalités des réponses aux questions sont expliqués par au moins un geste avec une qualité supérieure à 90 – Les modalités qui ne le sont pas correspondent à un trop petit nombre de patients ayant donné ce type de réponse – Il faudrait améliorer la base d’apprentissage Remarques – La qualité de l’explication évaluée par le nombre de conditions de la règle satisfaites – La faire évaluer par les experts sur des critères de type clarté, concision, compréhensibilité 15 Lien avec Magda2! Modélisation et apprentissage pour une gestion distribuée des alarmes de bout en bout – Diagnostic : réseau IP et SDH/WDM – Détection de violation du SLA (contrat de service pour les réseaux de transport, par ex. VPN) : diagnostic précoce (anticipation); détection de tendances – Satisfaction du client final Corréler la qualité de service (QoS) et les paramètres techniques du réseau – Données subjectives : qualité perçue par le client – Données objectives : gigue, taux de perte, débit du réseau 16