logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
16 juillet 2020
A la Une, DAP, Dossiers thématiques, News, Quantification de la fragilité
#fragilité, #prévention

Le Medtechlab de Saint-Étienne veut prévenir la fragilité par la simulation

⏱ 4 min

Cet espace reproduisant l’appartement d’une personne fragile permet un suivi en temps réel de son comportement. De quoi expérimenter diverses solutions, notamment en développant des modèles de prédiction de la fragilité.

Le MedtechlabLe Medtechlab est le fruit d’une collaboration entre Eovi Mcd Mutuelle, Eovi Mcd Santé et  services (qui gère établissements et services sanitaires, médico-sociaux et sociaux : des cliniques, des centres de santé et des Ehpad, des services pour personnes handicapées), le Groupe Aésio (union mutualiste de groupe) et l’École des Mines de Saint-Étienne., associé aux Mines de Saint-Étienne, a ouvert ses portes à Saint-Étienne en juin 2019 (lire encadré « Un lieu de recherche et développement »). Il comporte un living lab, comme on les appelle, un appartement d’environ 60 mètres carrés équipé d’une dizaine de capteurs non intrusifs, en général bien acceptés par les personnes âgées : un capteur de présence (infrarouge) par pièce et un capteur par ouvrant (accéléromètre). Beaucoup d’équipes en France et dans le monde créent des living labs, ou équipent des logements de capteurs, dans le but d’analyser le comportement de leurs habitants. La plupart le font selon une démarche de court terme, pour donner l’alerte lorsqu’un comportement inhabituel ou une chute est détectée.

« Nous visons, pour notre part, la prédiction en cherchant à détecter des changements de comportement de long terme sur la base de signaux faibles [ces facteurs de risque encore indécelables cliniquement, NDLR] détectés dans l’activité de tous les jours d’une personne seule, explique Guillaume Gardin, directeur de l’innovation, de la recherche et du développement d’Eovi Mcd Santé et Services. L’analyse de telles « déviations » est d’ores et déjà mise à profit dans l’industrie par exemple pour suivre une chaîne de fabrication à partir de machine learning ou d’exploration de processus (process mining). L’idée est de faire cela dans le cadre d’un suivi de comportement humain. »

Reconstituer un jumeau numérique

« Nous avons développé toute la chaîne de données, à partir des capteurs qui les collectent, de leur qualification jusqu’aux algorithmes qui nous permettent de reconstituer le cycle de vie de la personne avec toutes ses habitudes de vie quotidienne, ses activités propres que ce soit pour le sommeil, les repas, la toilette, la prise de médicaments, etc. ajoute Vincent Augusto, professeur aux Mines de Saint-Étienne. Nous utilisons une approche de jumeau numérique (ou digital twin), un type de modèle alimenté par les données en temps réel qui permet de simuler différents scénarios d’évolution de l’activité de la personne, donc de prédire l’apparition de la fragilité. Les jumeaux numériques sont couramment utilisés dans l’industrie 4.0, par exemple pour prédire l’évolution d’une chaîne de production. Au lieu de travailler sur des données historiques, nous travaillons sur les données quotidiennes voire horaires de chaque personne, analysées automatiquement : cet apprentissage par renforcement devra être mené a priori sur 3 à 6 mois selon les tests que nous avons pu faire à partir de données de la littérature issues de living labs américains. »

Les chercheurs utilisent des techniques de reconnaissance de forme pour identifier et labelliser les habitudes de vie de la personne, des graphes pour représenter certains aspects complexes non déterministes de son comportement et des modèles à base de réseaux de Petri pour la simulation du comportement. « Prenons l’exemple de la vitesse de marche, propose Vincent Augusto : grâce à nos capteurs, nous analysons les déplacements habituels de la personne, nous en déduisons une vitesse de marche dont nous pouvons projeter les évolutions possibles sur 6 mois. Ce qui nous permet de prévenir qu’une fragilité risque d’apparaître (quand la majorité des scénarios évolue vers une vitesse au-dessous des seuils définis par les cliniciens comme fragiles). Idem pour le lever de chaise. Ainsi, nous sommes capables de prédire l’apparition de la fragilité avec tant de confiance (tel pourcentage). » L’intérêt de cette solution est qu’elle est personnalisée. L’inconvénient est que les chercheurs ne peuvent pas certifier qu’elle reste valable en présence d’une autre personne ou d’un animal de compagnie.

Une étude clinique en cours

Pour tenir compte des différents paramètres influençant la fragilité, la simulation couple différentes capacités : l’organisation de la journée renseigne sur la fragilité cognitive, la vitesse de marche est un des marqueurs de la fragilité physique, les temps de repas qualifient la nutrition, le nombre de visites permettent d’évaluer l’isolement social, etc. Les résultats sont encourageants (1, 2). « Après avoir été testés au living lab, nous préparons l’étude clinique de nos algorithmes avec les CHU de Lyon et de Saint-Étienne, précise Guillaume Gardin. Nous sommes en train d’équiper avec nos capteurs 10 foyers, des appartements en environnement réel, dont deux chambres de la Cité des aînés, l’établissement pour personnes âgées conçu par Eovi Mcd Santé et Services, à Saint-Étienne, dans lequel nous expérimentons les solutions conçues au Medtechlab. Nous prévoyons également d’évaluer l’acceptabilité de notre solution d’ici à fin 2020. Puis de passer à l’échelle supérieure, avec une étude clinique dans une centaine de foyers en 2021 pour commercialiser la solution en 2022. »

 

 

(1) C. Azefack, R. Phan, V. Augusto et X. Xie. « An Approach for Behavioral Drift Detection in a Smart Home. IEEE 15th International Conference on Automation Science and Engineering (CASE) », Vancouver, BC, Canada, 2019.

(2) C. Azefack, R. Phan, V. Augusto, X. Xie, G. Gardin, C. Montuy-Coquard, R. Bouvier, « Digital Twin: A Data Driven Modeling of Human Behavior in a Smart Home ». Proceedings of the 2019 Winter Simulation Conference.

Un lieu de recherche et développement

Le Medtechlab est ouvert aux chercheurs, ingénieurs, professionnels de santé, entreprises, start-up… pour concevoir et tester idées et prototypes d’outils et de services de santé. Outre les capteurs de mouvement, il comporte du mobilier innovant, par exemple un lit intelligent. Conçu par design thinking et destiné à devenir le mobilier courant des Ehpad, ce lit regroupe beaucoup de nouveaux outils comme des capteurs d’acquisition de la respiration et du rythme cardiaque, des capteurs de poids ou encore un système de surveillance de la qualité du sommeil.

Certains de ces équipements peuvent être mis à profit pour détecter la fragilité. « De fait, les troubles du sommeil sont souvent révélateurs de fragilité cognitive, précise Guillaume Gardin, codirecteur du Medtechlab. La plupart de ces capteurs, non intrusifs car placés sous le sommier, sont très basiques. En analysant leurs données par machine learning (en classification supervisée), nous pouvons renseigner les praticiens et leur permettre de détecter des informations qui leur échappent en général. » L’objectif est ambitieux : se rapprocher de l’analyse de référence en matière de troubles du sommeil, le polysomnographe, où la personne est bardée d’électrodes sur le visage et le corps. Un essai clinique devrait être lancé en 2020 pour le vérifier.

 

Living Lab du Medtechlab de Saint-Étienne © Medtechlab

 

Isabelle Bellin
Termes liés :
  • Machine learning
  • Données
  • Algorithme
  • Apprentissage par renforcement
  • Classification
Retrouver les autres articles du dossier “Quantification de la fragilité” :
  • Pourquoi il est primordial de quantifier tôt la fragilité des seniors
  • Une première solution de mesure de la fragilité est en cours de déploiement
  • Des lunettes pour détecter la fragilité
Tags: #fragilité, #prévention
Share:
Posts you'd might like
L’IA au chevet des séismes et tsunamis
François Yvon :
la traduction automatique pour passion
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • L’IA au chevet des séismes et tsunamis
  • François Yvon :
    la traduction automatique pour passion
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU