Modélisation et analyse prédictive des risques et des conséquences post accident vasculaire cérébral - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Predictive analytics models for risk profiling with application to stroke

Modélisation et analyse prédictive des risques et des conséquences post accident vasculaire cérébral

Résumé

The aim objective of this thesis is to identify and develop the best strategies to build models that predict accurately future events or trends, with application to stroke outcomes. To do this, we studied two approaches: a statistical approach based on mixed model and a stochastic approach based on space-state model. Regarding the statistical approach, we first proposed a novel regularized regression modellings under the inverse problem framework, where the idea of regularization is based on Huber robust statistics. Secondly, we extended recovery curves using regularized mixed models which notably improved the prediction. From clinical perspective, we used regularized recovery curves methodology to develop and validate a patient-specific predictive model to estimate risk for cognitive decline up to 5 years (longterm) after ischemic stroke. Regarding the stochastic approach, the benefits derived from penalized mixed models led us to comparisons with other robust but more complex modeling approaches, namely space-state models. Through this investigations, we offer an optimal modeling framework that suggest the use of mixed models in situations that not exhibit complex structure, but often approached by space-state models.
L’objectif principal de cette thèse est d’identifier et proposer les meilleures stratégies pour établir des modèles capables de prédire avec précision les événements ou tendances futures, en particulier les risques et les conséquences des accidents vasculaires cérébraux (AVC). Pour ce faire, nous avons étudié deux approches : une approche statistique basée sur le modèle mixte et une approche stochastique basée sur le modèle espace-état. Concernant l’approche statistique, nous avons proposé en premier lieu une nouvelle méthode de régularisation pour le modèle de régression statistique en associant le cadre théorique des problèmes inverses avec celui des statistiques robustes. En second lieu, nous avons étendu la méthodologie des courbes de récupération en utilisant des modèles mixtes régularisés qui ont notablement amélioré la prédiction. D’un point de vue applicatif, nous avons utilisé l’approche des « courbes de récupération régularisées » pour prédire à long-terme (5 ans) le déclin cognitif chez un individu après un AVC. Concernant l’approche stochastique, les avantages tirés des modèles mixtes régularisés nous ont conduit à comparer cette classe de modèle avec d’autres approches de modélisation robustes, mais plus complexes, à savoir les modèles espace-état. À travers cette comparaison, nous avons proposé un cadre de modélisation optimal qui suggère l’utilisation de modèles mixtes dans des situations ne présentant pas de structure complexe, mais souvent abordées par des modèles espace-état.
Fichier principal
Vignette du fichier
HBID_Youssef_2021.pdf (11.05 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03613963 , version 1 (19-03-2022)

Identifiants

  • HAL Id : tel-03613963 , version 1

Citer

Youssef Hbid. Modélisation et analyse prédictive des risques et des conséquences post accident vasculaire cérébral. Médecine humaine et pathologie. Sorbonne Université; Université Cadi Ayyad (Marrakech, Maroc), 2021. Français. ⟨NNT : 2021SORUS123⟩. ⟨tel-03613963⟩
319 Consultations
196 Téléchargements

Partager

Gmail Facebook X LinkedIn More