Classification de trajectoires d’observance de patients atteints d’un syndrome d’apnées obstructives du sommeil

Mots clé :

• Dynamic time warping
• Qualité des données
• Visualisation de données
• PPC
• SAOS

Le syndrome d'apnées obstructives du sommeil (SAOS) est une pathologie à forte prévalence en France. Le SAOS est associé à des comorbidités cardiovasculaires comme l'hypertension artérielle ou l'accident vasculaire cérébral. Le traitement de référence dans les cas les plus sévères est la ventilation en pression positive continue (PPC). La thérapie rencontre des problèmes d'observance et d'abandons, et certains effets potentiels sont à ce jour controversés. Les cliniciens ont besoin de comprendre et caractériser les comportements d'observance. Le télésuivi de la PPC rend disponibles les durées de traitement quotidiennes des patients.

Le travail de recherche présenté dans ce mémoire vise à identifier des comportements typiques d'observance à partir des données de télésuivi. Nous utilisons une approche de classification non supervisée de séries chronologiques.

Premièrement il convient de délimiter les séquences individuelles de données quotidiennes d'observance à partir des données du télésuivi. Les données sont produites par les appareils de PPC et peuvent transiter par les fabricants des machines et par les prestataires de soins à domicile (PSAD). Elles sont sujettes à contenir des biais lorsqu'elles parviennent aux cliniciens. Nous proposons des recommandations pour la production de séries chronologiques exhaustives et fidèles aux comportements d'observance des patients. Puis nous discutons de la pertinence et de la représentativité des données fournies par un PSAD pour prévenir de potentielles mauvaises utilisations.

Ensuite nous réalisons la classification non supervisée des séries temporelles d’observance. Elles sont caractérisées par des variabilités et des discontinuités dues aux jours de non utilisation de la PPC. Nous souhaitons que les clusters tiennent compte des niveaux d'observance, des variabilités et discontinuités des trajectoires, et que des individus abandonnant la thérapie soient réunis peu importe la date d'abandon. Nous mettons en avant l'intérêt de la dissimilarité du dynamic time warping (DTW) pour classer les trajectoires dans le contexte clinique. En particulier dans le cadre de la classification ascendante hiérarchique, le critère de Ward et l'indice de Dunn fournissent des résultats pertinents.

Enfin, il faut permettre aux cliniciens d'interpréter les clusters. La superposition et la juxtaposition des courbes d'un cluster sont inexploitables à cause du nombre de trajectoires et de leurs variabilités et discontinuités. Nous suggérons de diversifier les représentations graphiques afin de mettre en évidence les composantes comportementales communes d'un cluster ainsi que l’hétérogénéité des comportements. Les graphiques que nous proposons sont illustrés avec des clusters de données réelles. Une application web est en cours de développement pour permettre aux cliniciens de réaliser ces graphiques et de les personnaliser.

Directeurs:

• Adeline Leclercq-Samson
• Sebastien Bailly