Medical Decision Support Using Machine Learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Medical Decision Support Using Machine Learning

Aide à la décision médicale grâce à la classification automatique

Résumé

The main objective of this thesis is to develop innovative machine learning techniquesto aid in medical decision making. In the thesis, several case studies were examined, concerning readmission to the emergency room, readmission to the hospital and decision support for the treatment of breast cancer.Firstly, a combination of DAMIP with tabu search is developed. It is shown that this method gives better results than classical machine learning methods on data concerning hospital readmission.After, we developed a method that combines an autoencoder for dimensionality reduction with DAMIP for classification. This method was tested on CLB breast cancer treatment data. The results are similar to those of the Tabu/DAMIP framework, but they are obtained much faster by using an autoencoder. Finally, we developed a simulation model to show the impact of our methods when used in a real application regarding hospital readmission. In this model, we apply the Tabu/DAMIP framework for prediction on whether a patient will returnor not. If we predict that a patient is likely to be readmitted, we make a new prediction with an extended length of stay. Based on our predictions a decision on an extended stay is made. The goal of this approach is to reduce the number ofreadmissions. The results show that we can indeed manage to decrease the number of readmissions, even though in this case the cost may increase.
L'objectif principal de cette thèse consiste à développer des techniques innovantes d'apprentissage automatique pour aider à la décision. Dans la thèse, plusieurs études de cas ont été examinées, concernant la réadmission aux urgences, la réadmission à l'hôpital et l'aide à la décision pour le traitement du cancer du sein.Tout d'abord, une combinaison de DAMIP avec la recherche tabou a été développée. Il a été démontré que cette méthode donne de meilleurs résultats que les méthodes classiques d'apprentissage automatique sur les données de réadmission à l'hôpital.Ensuite, nous avons développé une méthode qui combine un autoencodeur pour la réduction de dimensionnalité avec DAMIP pour la classification. Cette méthode a été testée sur les données de traitement du cancer du sein du CLB. Les résultats sont similaires à la méthode précédente, mais sont obtenus beaucoup plus rapidement.Enfin, nous avons développé un modèle de simulation pour montrer l'impact de nos méthodes lorsqu'elles sont utilisées dans une application réelle de réadmission à l'hôpital. Dans ce modèle, nous appliquons le méthode Tabu / DAMIP pour prédire si un patient reviendra ou non. Si nous prédisons qu'un patient est susceptible d'être réadmis, nous faisons une nouvelle prédiction avec une durée de séjour prolongée. Sur la base de nos prévisions, une décision sur un séjour prolongé est prise. Le but de cette approche est de réduire le nombre de réadmissions. Les résultats montrent que l'on parvient effectivement à diminuer le nombre de réadmissions, même si dans ce cas le coût peut augmenter.
Fichier principal
Vignette du fichier
HOOIJENGA-Danielle-diff.pdf (2.37 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03358245 , version 1 (29-09-2021)

Identifiants

  • HAL Id : tel-03358245 , version 1

Citer

Daniëlle Hooijenga. Medical Decision Support Using Machine Learning. Other. Université de Lyon, 2020. English. ⟨NNT : 2020LYSEM029⟩. ⟨tel-03358245⟩
175 Consultations
176 Téléchargements

Partager

Gmail Facebook X LinkedIn More