Upgrade to Pro — share decks privately, control downloads, hide ads and more …

20200311_datadrink_traumatrix_V2.pdf

etalab-ia
March 11, 2020
62

 20200311_datadrink_traumatrix_V2.pdf

etalab-ia

March 11, 2020
Tweet

Transcript

  1. Un partenariat multidisciplinaire autour d’une ambition commune MISE EN PLACE

    L’OBSERVATOIRE DU GROUPE TRAUMABASE COLLABORATION DU GROUPE TRAUMABASE AVEC LA COMMUNAUTÉ SCIENTIFIQUE DÉBUT DE LA COLLABORATION AVEC CAPGEMINI INVENT 2011 Rassemblant aujourd’hui plus de 21 centres participants et comptant plus de 20 000 patients 2016 2019 Afin de travailler sur des études prospectives liées à la traumatologie (ex: chocs hémorragiques, effet du fibrinogène etc.) Pour développer l’outil d’aide à la décision TrauMatrix Pr C.Paugam T.Gauss S.Hamada J-D.Moyer Pr E.Vicaut J.Josse J-P.Nadal C.Pierron - Perlés O.Auliard
  2. Objectifs et enjeux du projet TRAUMATRIX_ Un partenariat de recherche

    scientifique et médicale d’une durée de trois ans visant à développer les premiers outils d’aide à la décision pour la gestion des patients atteints de traumatisme grave dans les 24 premières heures L’IA au service des soins aux patients gravement traumatisés Accompagner Les médecins anesthésistes- réanimateurs tout au long de la chaine de décision des 24 premières heures Prédire La probabilité d’événements tels que le choc hémorragique ou le traumatisme crânien, afin d’ajuster la stratégie de soins Anticiper Les ressources hospitalières, matérielles et humaines pour augmenter les chances de survie et d’absence de séquelles des patients traumatisés sévères Etc… ILLUSTRATION DE QUELQUES SUJETS MENÉS PAR LES EQUIPES EN PLACE : PRÉDICTION DE L’HYPERTENSION INTRACRÂNIENNE PRÉDICTION DU BESOIN EN NEUROCHIRURGIE DANS LES 24 HEURES PRÉDICTION DU CHOC HÉMORRAGIQUE EFFET DE LA NORADRÉNALINE SUR LE CHOC HÉMORRAGIQUE Tout un écosystème d’acteurs se mobilise afin que la traumatologie ne soit plus la première cause de mortalité et de handicap des moins de 45 ans en France comme dans le monde
  3. Prédire le recours à la neurochirurgie dans les 24 premières

    heures des patients atteints de traumatismes modérés ou sévères à partir des données cliniques préhospitalières à Afin d’activer les ressources nécessaires • Pratiques hétérogènes selon les neurochirurgiens à besoin d’explicabilité • Volume de données faible à 4 000 patients dont seulement 50% labellisés Zoom cas d’usage : La prédiction du besoin en neurochirurgie OBJECTIF CHALLENGES APPROCHE SEMI-SUPERVISÉE 2 A partir des 50% de patients labellisés et des données hospitalières • Entrainement d’un modèle : prédire les résultats des patients non labellisés • Si prédiction jugée fiable : intégration des résultats à Plus de patients labellisés • Nouvelles itérations A partir des nouveaux patients labellisés et des données préhospitalières • Entrainement d’un nouveau modèle • Nouvelles itérations à Confirmation / infirmation de la capacité à prédire ce besoin 1
  4. Vecteur ypred* L’utilisation des valeurs prédites par des modèles hospitaliers

    comme proxy-labels1 BDD hospitalières initiale (t=0) BDD hospitalières (t+1) Entraînement avec XGBOOST Prédiction sur Xnull* Modèle hospitalier (t) BDD hospitalières (t) 0,8 0,2 0 1 BDD préhospitalières avec nouveaux proxy-labels (t) Entraînement avec XGBOOST Modèle préhospitalier (t) Etape 1 : Entrainement de modèles avec les variables hospitalières pour créer de nouveaux proxy-labels Etape 2 : Intégration des nouveaux proxy-labels pour entraîner des modèles avec les variables préhospitalières 1Chuck Rosenberg. Semi-Supervised Self-Training of Object Detection Models. 7th IEEE Workshop on Applications of Computer Vision, 2005. *Proxy-labels : Valeurs prédites pour les données avec variable cible non renseignée *Xnull : Données avec la variable cible manquante *Vecteur ypred : le vecteur des valeurs prédites. Ici, méthode Expectation-Maximisation (EM) pour déterminer les meilleures données à intégrer comme proxies
  5. L’utilisation de ces proxy- labels pour augmenter la performance des

    modèles préhospitaliers A noter : L’ajout trop important de proxy-labels peut nuire à la performance à définir une bonne condition d’arrêt AUC : 0,72 AUC : 0,78 Ajout de 8% de données
  6. Anisocorie OUI NON OUI NON OUI NON 13 103 Catécholamines

    OUI NON 24 25 OUI NON OUI NON 13 103 Catécholamines OUI NON 92 3 OUI NON Glasgow initial <=8 OUI NON OUI NON 0 30 OUI NON 8 0 Glasgow initial <= 11 (37/127) INCONVÉNIENT : TENDANCE À SURAPPRENDRE (OVERFITTING) Méthode ensembliste - Boosting 1er Itération : 1 arbre, erreur importante sur le validation set 2e Itération2 : 2 arbres, erreur réduite Nième Itération : N arbres, erreur converge Logloss error Logloss error Logloss error Explication du modèle – pour illustration
  7. ABOUT CAPGEMINI INVENT This presentation contains information that may be

    privileged or confidential and is the property of the Capgemini Group. Copyright © 2018 Capgemini. All rights reserved. As the digital innovation, consulting and transformation brand of the Capgemini Group, Capgemini Invent helps CxOs envision and build what’s next for their organizations. Located in more than 30 offices and 10 creative studios around the world, its 6,000+ strong team combines strategy, technology, data science and creative design with deep industry expertise and insights, to develop new digital solutions and business models of the future. Capgemini Invent is an integral part of Capgemini, a global leader in consulting, technology services and digital transformation. The Group is at the forefront of innovation to address the entire breadth of clients’ opportunities in the evolving world of cloud, digital and platforms. Building on its strong 50-year heritage and deep industry-specific expertise, Capgemini enables organizations to realize their business ambitions through an array of services from strategy to operations. Capgemini is driven by the conviction that the business value of technology comes from and through people. It is a multicultural company of 200,000 team members in over 40 countries. The Group reported 2017 global revenues of EUR 12.8 billion. Visit us at www.capgemini.com/invent