Conference
Patient Pathways Modeling: Temporal Graphs for Health Supervision ; Modélisation de parcours patients : graphes temporels pour la supervision médicale
| العنوان: | Patient Pathways Modeling: Temporal Graphs for Health Supervision ; Modélisation de parcours patients : graphes temporels pour la supervision médicale |
|---|---|
| المؤلفون: | Le Baher, Hugo, Poncelet, Pascal, Azé, Jérôme, Bringay, Sandra, Rodriguez, Nancy, Dunoyer, Caroline |
| المساهمون: | CHU Montpellier = Montpellier University Hospital, Centre Hospitalier Régional Universitaire Montpellier (CHRU Montpellier), ADVanced Analytics for data SciencE (LIRMM, Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM), Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM), 5 DEGRÉS, Université Paul-Valéry - Montpellier 3 (UPVM), Institut Desbrest de santé publique (IDESP), Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Montpellier (UM), Bourse CIFRE, financée par 5 DEGRÉS, établie en collaboration avec le LIRMM et le CHU de Montpellier. |
| المصدر: | Revue des Nouvelles Technologies de l'Information ; EGC 2023 - 22e Conférence Extraction et Gestion des Connaissances ; https://hal.science/hal-04042471 ; EGC 2023 - 22e Conférence Extraction et Gestion des Connaissances, Jan 2023, Lyon, France. pp.321-328 |
| بيانات النشر: | CCSD |
| سنة النشر: | 2023 |
| مصطلحات موضوعية: | apprentissage supervisé, classes déséquilibrées, médecine, données hétérogènes temporelles, réseaux profonds de convolution de graphes, [INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI] |
| جغرافية الموضوع: | Lyon, France |
| الوصف: | National audience ; Machine learning methods are becoming increasingly popular to anticipate critical risks in patients under surveillance thus reducing the burden on caregivers. In this paper, we propose an original modelling that benefits of recent developments in Graph Convolutional Networks: a patient's journey is seen as a graph, where each node is an event and temporal proximities are represented by weighted directed edges. We evaluated this model to predict death at 24 hours on a real dataset and successfully compared our results with the state of the art. ; L'usage de méthodes d'apprentissage automatique se démocratise pour anticiper les risques critiques chez les patients sous surveillance et diminuer la charge des soignants. Dans cet article, nous proposons une modélisation originale qui bénéficie des développements récents en convolution de graphes : un parcours patient est vu comme un graphe, où chaque noeud est un évènement et où les proximités temporelles sont représentées par des arcs pondérés. Cette modélisation a été évaluée pour prédire le décès à 24 heures sur un jeu de données réelles puis comparée avec succès avec les résultats de l'état de l'art. |
| نوع الوثيقة: | conference object |
| اللغة: | French |
| الاتاحة: | https://hal.science/hal-04042471 https://hal.science/hal-04042471v1/document https://hal.science/hal-04042471v1/file/EGC_Graphes_Temporels.pdf |
| Rights: | info:eu-repo/semantics/OpenAccess |
| رقم الانضمام: | edsbas.53B529A2 |
| قاعدة البيانات: | BASE |
| الوصف غير متاح. |