Professional Documents
Culture Documents
Thme :
Ralis par :
Encadr par :
- LACHEHEB Tarek.
- Mr AT NOURI El Mehdi
(CDTA- GPEMA CANADA).
- Mr HIDOUCI Walid-Khaled (ESI).
Promotion : 2012/2013.
Ddicaces
Je ddie ce modeste travail
mes chers parents, sans leur soutien aprs
celui dALLAH je n'aurai jamais
eu l'occasion d'arriver jusque-l.
Je vous suis d'une grande reconnaissance
et d'une admiration indniable.
QuALLAH les prserve et les protge.
A tous mes frres et toutes mes surs.
A toute ma famille et tous mes Amis.
Tarek.
Ddicaces
A mes amis.
Merci tous.
Mohamed Ouchabane.
Remerciements
Nous remercions nos familles pour leur prsence et leur soutien, nous ne vous
remercierons jamais assez.
Nous remercions les enseignants de lESI qui tout au long dans notre cursus
nous ont transmis leur savoir.
Rsum
Mots cls : DSE (Dossier de Sant Electronique), Smiologie et Diagnostic, Capture des
donnes dobservation, Symptmes et signes cliniques, Pattern dobservation clinique,
Capitalisation de lexprience.
VI
Dfinitions : .............................................................................................................. 14
II.1.1
Normalisation : .................................................................................................. 14
II.1.2
Norme : .............................................................................................................. 14
II.1.3
Terminologie : ................................................................................................... 15
II.1.4
Ontologie : ......................................................................................................... 15
VII
II.2
II.2.1
HTML : .............................................................................................................. 95
V.1.2
CSS : .................................................................................................................. 95
V.1.3
JavaScript : ........................................................................................................ 95
V.1.4
PHP : .................................................................................................................. 95
V.1.5
SQL :.................................................................................................................. 96
V.1.6
V.1.7
V.1.8
Mediboard :........................................................................................................ 97
V.2.4
IX
XI
XIII
XV
Introduction gnrale
Contexte gnral :
Le projet de fin dtudes que nous somme sur le point dentreprendre dans ce rapport
fait partie dun projet propos par le Centre de Dveloppement des Technologies Avances
(CDTA). Il comprend en plus de notre projet intitul conception et ralisation dun module
clinique pour les DSE qui concerne ce qui va tre dfinis comme Espace dobservation, le
projet de fin dtudes intitul lEspace de prdispositions dans les donnes mdicales et
le projet intitul lAnnotation des descriptions cliniques textuelles ce dernier prend en
charge lannotation des descriptions cliniques, incluses dans les deux premiers projets, par
des termes issus dune norme mdicale ceci pour objectif de standardisation.
Le projet du CDTA intitul Systme de Gestion du Dossier Patient (SGDP) est
dvelopp pour le domaine de la sant publique, afin de servir de rfrentiel pour les
praticiens. Ses applications sont multiples notamment en permettant davoir un accs simple,
rapide et scuris aux informations mdicales structures et non structures (imageries,
rsultats danalyses et dexplorations, diagnostics, antcdents mdicaux, rsums
dhospitalisation, etc.) relatives un patient particulier.
Introduction gnrale :
La sant de lhumain est lun des dons les plus importants dont il a t investi et quil
doit prserver. Pour cela, les mdecins ne cessent de dvelopper les diffrentes branches de
la mdecine. Les informaticiens de leur ct font profiter la mdecine des avances
technologiques du domaine informatique, que ce soit en terme de traitement, de stockage ou
de partage de linformation ou bien mme dadministration ou daide la dcision.
Notre travail fait partie des applications daide la dcision, plus prcisment laide
du mdecin lidentification dun diagnostic.
Introduction gnrale
Contexte :
Pour identifier un diagnostic deux acteurs sont indispensables, le mdecin et le patient
concern. Le mdecin commence par demander au patient la cause de sa venue qui reprsente
les symptmes initiaux (relevs par le patient sur lui-mme), puis relve dautres symptmes
qui ne peuvent tre constats que par un praticien. Il passe ensuite la prise des signes
mdicaux (tension artrielle, rythme cardiaque, temprature corporelle, etc.) et termine par
lexamen des systmes vitaux (respiratoire, cardiaque, digestif, etc.) ; Toutes ces tapes sont
comprises dans la phase de la capture des informations cliniques dnotant lespace
dobservation1.
Aprs la phase de la capture des informations cliniques de lespace dobservation le
mdecin passe la phase du raisonnement clinique, en se basant sur ces dernires, lespace
de prdisposition2 (histoire mdicale du patient,) et dans certains cas sur des examens
complmentaires, pour identifier le diagnostic.
Problmatique :
Aprs la phase de la capture des informations cliniques (Espace dobservation), la
prochaine tape du processus didentification du diagnostic est le raisonnement clinique, qui
se base essentiellement sur ces informations captures. Lespace dobservation tant
compos de signes et symptmes pralablement de diffrent effet sur un cas clinique donn
et tant eux mme composs dinformations lmentaires combines pour leur donner une
description plus prcise (lintensit, la localisation, la dure, etc.), ces dernires ont une
importance diffrente pour un signe/symptme donn et dun signe/symptme un autre.
Le mdecin doit mettre et garder en tte toutes ces informations avec tous leurs dtails
simultanment pour pouvoir appliquer son raisonnement clinique et arriver identifier avec
le plus de fiabilit possible le diagnostic qui leur correspond, chose qui devient difficile
proportionnellement au nombre de signes/symptmes associs un cas clinique donn.
1
2
Lespace dobservation est lensemble dinformations cliniques (une dfinition plus dtaille est donne dans le chapitre suivant).
Lespace de prdisposition est lensemble dinformations prcliniques (une dfinition plus dtaille est donne dans le chapitre
suivant).
Introduction gnrale
Objectifs :
Lobjectif majeur de ce travail est laide du mdecin dans sa prise de dcision
concernant un diagnostic et do en dcoulent les objectifs suivants :
Rduire le temps destin la consultation.
Rduire le risque derreur dans le processus didentification du diagnostic.
Rduire leffort ncessaire pour le raisonnement clinique fourni par le mdecin.
Solution propose :
La solution que nous proposons pour remdier la problmatique sus pose consiste
en le dveloppement dun module qui va permettre de :
Capturer linformation clinique (signes et symptmes).
Traiter pour synthtiser linformation modlise.
Reprsenter graphiquement linformation synthtise.
Organisation du mmoire :
Partie I : Etat de lart
Cette partie est divise en deux chapitres :
Chapitre 1 : La connaissance dans le domaine mdical.
Dans ce chapitre est faite une tude sur les informations mdicales ceci du point de vue
dun informaticien cest--dire en identifiant la source de ces informations (le praticien),
comment elles existent (leurs types) o elles existent (le SIH Systme dinformation
hospitalier) et o elles sont stockes (DSE Dossier de sant lectronique ou DME
Dossier mdical lectronique ).
Chapitre 2 : Les normes et terminologies mdicales : un outil pour la standardisation de
linformation mdicale.
Ce chapitre dbute par une tude sur la normalisation, en passant par des dfinitions
de bases (normalisation, norme, terminologie, ontologie), poursuit par une tude sur les
normes et terminologies mdicales en incluant un rcapitulatifs de ces normes et termine par
une comparaison entre elles et le choix de la norme utiliser dans la suite du travail.
3
Introduction gnrale
Partie I :
tat de lart
Chapitre I
Chapitre I
Introduction :
Lenvironnement du mdecin est compos principalement de trois concepts. Le
systme dinformation hospitalier qui rgit lensemble de la structure hospitalire, le dossier
de sant mdical et linformation mdicale stocke dans ce dernier et que le mdecin doit lire
ou inscrire.
Chapitre I
Chapitre I
Sous-systmes :
Pilotage
Mdico-Economique.
Financier et Budgtaire.
Qualit.
Communication
Logistique
Gestion des ressources
Approvisionnements
Chapitre I
A cet effet il est intressant dinformatiser le SIH, ce qui permet de constituer une base
de donnes sur lactivit hospitalire qui peut tre support de multiples analyses tant
mdicales, que comptables ou managriales en vue de mieux comprendre les phnomnes,
leurs volutions et denvisager leurs amliorations continues. [insa-lyon 13]
Linformatisation du SIH est invitable et introduit implicitement le concept de dossier
mdical informatis qui remplacera la version papier de ce mme dossier.
Il existe diffrents types de dossiers de sant informatiss qui contiennent la plupart le
mme type d'information, parmi eux le dossier de sant lectronique (DSE) et le dossier
mdical lectronique (DME). Le plus souvent, les gens emploient les deux termes DSE
(dossier de sant lectronique) et DME (le dossier mdicale lectronique) alternativement et
croient quils sont identiques, cependant ils ne le sont pas, comme prsent dans ce qui suit :
Chapitre I
10
Chapitre I
DME
Dossier des services cliniques fournit lors
DSE
Sous-ensemble d'informations
FDS.
a eu des consultations.
de ce FDS.
Cest un systme vendu par des
entreprises et install par des FDS.
interactif).
Contient les informations de toutes les
consultations ncessaires pour identifier
un seul diagnostic.
Sera cltur et deviendra statique au
moment o lon identifie le diagnostic.
Chapitre I
Il n'est pas toujours ncessaire [CFPC 13] d'avoir accs l'information que l'on
retrouve dans le DSE chacune des consultations mais on y fera appel lorsque des
informations supplmentaires sont ncessaires.
(Office
Chapitre I
Sous Problmatique :
Lors de la capture des informations cliniques de lespace dobservation une nouvelle
problmatique sest pose et qui consiste en le fait que ces informations captures ne sont pas
standardises cest--dire pour une situation donne on peut trouver deux descriptions
totalement diffrentes, ceci dans les termes utiliss non pas dans le sens souhait.
Pour y remdier cette problmatique on utilisera un support de standardisation qui
soccupera de la normalisation et de lunification des termes cliniques de lespace
dobservation utiliss par le mdecin.
Conclusion :
Les Systmes dInformation Hospitalier (SIH) sont loutil de base utilis pour la
gestion dentits hospitalires. Les informations mdicales circulant dans le SIH sont stockes
dans un dossier de sant lectronique (DSE) ou un dossier mdical lectronique (DME).
Ces informations doivent tre standardises chose que le chapitre suivant va prendre
en charge.
13
Chapitre II
II.1 Dfinitions :
II.1.1
Normalisation :
II.1.2
Norme :
La norme est un document tabli par consensus, qui fournit, pour des usages
communs et rpts, des rgles, des lignes directrices ou des caractristiques, pour des
activits ou leurs rsultats, garantissant un niveau dordre optimal dans un contexte donn
(extrait du Guide ISO/CEI 2). [UTC 13]
14
Chapitre II
II.1.3
Terminologie :
Objectif
Nom du type
La recherche dinformation
Thsaurus
MESH
Classification
CIM10
Nomenclature
SNOMED CT
terminologie
II.1.4
Ontologie :
Ensemble d'informations dans lequel sont dfinis les concepts utiliss dans un
langage donn et qui dcrit les relations logiques qu'ils entretiennent entre eux (Office
qubcois de la langue franaise, 2006) [GDT 13].On peut considrer quune ontologie est
laboutissement formel de la dfinition dune terminologie [Zweigenbaum 98].
15
Chapitre II
16
Chapitre II
Standard
Acronyme
Domaine
Description
transmission de
Messaging Standards
HL7 v2.x,
messages
v3.0
d'change de
donnes
et administratives.
Digital Imaging
transmission de
messages de
radiologie
images de radiologie.
Communications in
DICOM
Medicine Consortium
Institut des ingnieurs
lectriciens et
transmission de
lectroniciens
IEEE
(Institute of Electrical
messages
d'appareil mdical
and Electronics
Engeneers)
une norme pour l'change
National Council for
Prescription Drug
NCPDP
Programs
transmission de
d'information prescription-
messages de
prescription
Terminologie
Classification
Internationale des
maladies (International
CIM-10
termes cliniques
Un ensemble commun de
termes et codes pour des
diagnostics cliniques. Utilis
17
Chapitre II
Classification of
gnralement dans la
Diseases)
Logical Observation
Identifiers Names
Ccodes
LOINC
termes de
laboratoire
Systematized
Nomenclature Of
termes cliniques
Medicine
Unifed Medical
Language System
UMLS
termes et
concepts mdical
Document
Une norme de document qui
Continuity of Care
Record
documents
CCR
rcapitulatifs
cliniques
18
Chapitre II
HL7 CDA
Clinical Document
documents
cliniques
Architecture
comme l'Architecture de
Dossier Patient.
Conceptuel
Un modle standard d'change
pour les documents cliniques
Reference Information
Model : Health Level
concepts
RIM
cliniques
7 Version 3
Application
Health Level 7
Clinical Concept
Object Workgroup
HL7
interoprabilit
CCOW
d'application
Chapitre II
II.2.1
Comparaison des terminologies mdicales SNOMED
CT et CIM 10 :
Lapproche de comparaison consiste en les quatre tapes suivantes :
1. Prsentation des deux normes.
2. Dfinition des critres de comparaison.
3. La comparaison selon les critres dfinis.
4. Discussion et rsultats.
II.2.1.1
A.
a.
Historique :
Lorigine de la CIM revient au dbut du dix-huitime (18) sicle avec la premire
statistique sur les causes de dcs des enfants gs de moins de 6ans ralise par J. Graunt et
a volu depuis pour passer par :
Premier essai de classement systmatique des maladies :
20
Chapitre II
Chapitre II
est focalise sur un double classement tiologique et organique [HONNORAT 09] et elle
comporte trente-milles (30 000) termes rpartis en 21 chapitres, dix-neuf (19) parmi eux sont
utiliss pour coder les pathologies ; En plus des vingt et un (21), deux (02) chapitres
supplmentaires ont t ajout. Le tableau suivant est une liste exhaustive des chapitres de la
CIM 10 :
Chapitre
Code
Titre
A00-B99
II
C00-D48
Tumeurs.
III
D50-D89
IV
E00-E90
F00-F99
22
Chapitre II
VI
G00-G99
VII
H00-H59
VIII
H60-H95
IX
I00-I99
J00-J99
XI
K00-K93
XII
L00-L99
XIII
M00-M99
XIV
N00-N99
XV
O00-O99
XVI
P00-P96
XVII
Q00-Q99
XVIII
R00-R99
XIX
S00-T98
XX
V01-Y98
XXI
Z00-Z99
XXII
800-958
XXIII
U00-U99
23
Chapitre II
Chaque chapitre est lui-mme hirarchis, un chapitre est divis en catgories, les
catgories sont divises en sous-catgories comme le montre la figure suivante :
B.
SNOMED CT :
a.
Prsentation :
La SNOMED CT (Systematized Nomenclature of Medcine Clinical Terms) est une
24
Chapitre II
b.
Historique :
La SNOMED CT tant une terminologie multiaxiale [IHTSDO 11] son historique
(SNOP)
1965 :
25
Chapitre II
-En a deuxime (2) dition la Snomed a connu plus dacceptation, elle a t approuve
par lASCP (American Society of Clinical Pathologists) et le RCPath (Royal College of
Pathologists) du Royaume-Uni.
SNOMED III (SNOMED International) Septembre 1993 :
-Cest la premire dition de la Snomed approuve par la communaut internationale
de la sant.
-Elle comporte 130,580 termes repartis sur onze (11) axes.
-Cest une nomenclature multidimensionnelle structure pour l'indexation des
diagnostics et traitements mdicaux.
-En a version 3.5 la Snomed comportait 156,965 termes et 12 axes.
SNOMED RT (Reference terminologie) Mai 2000 :
-Remaniement de la structure de la Snomed III en concepts, relations et descriptions.
-Elle comporte 121,000 concepts relis 190,000 termes par plus de 340,000 relations.
2. Aprs la cration de la SNOMED CT :
SNOMED Clinical Terms (premire dition)
Janvier 2002 :
26
Chapitre II
c.
Chapitre II
Types de description :
1. Le Nom complet prcis (NCP - Fully Specified Name en anglais) :
Chaque Concept possde un seul NCP, qui est un ensemble de termes le nommant
dune manire comprhensible pour lhumain.
2. Le Terme privilgi (TP - Preferred term en anglais) :
Chaque concept possde un TP unique dans un dialecte donn. Le TP est ensemble de
termes utilis communment par des praticiens pour nommer ce concept.
3. Les Synonymes :
Un synonyme est un terme autre que le NCP ou le TP, qui peut tre utilis pour
reprsenter un Concept dans une langue ou un dialecte particulier.
Relations
Les relations dans SNOMED CT relient un concept dautres concepts selon quils
aient un sens relatif. Ces relations fournissent des dfinitions formelles et d'autres
caractristiques au concept.
Les relations dans SNOMED CT sont divises en deux types principaux :
1. Les relations hirarchiques :
Comporte uniquement la relation is-a (est un), ce type de relation est lorigine de
larchitecture hirarchique de SNOMED CT tel que la racine est SNOMED CT qui
possde 19 fils appels axes.
2. Les relations transversales :
Comporte plusieurs relations lexemple de finding site (localisation), causative
agent (agent causatif), etc. Ce type de relation permet de relier des concepts de diffrents
axes pour reprsenter dautres aspects de leur dfinition.
28
Chapitre II
Contenu :
SNOMED CT comporte actuellement : [IHTSDO 13]
-Beaucoup plus que 300.000 concepts actifs.
-Presque un million de descriptions.
-Beaucoup plus quun million de relations.
e.
(19) axes de faon quun concept soit une combinaison : [DANIEL-LE BOZEC 07]
-De lanomalie releve.
-Du site anatomique.
-De la cause.
29
Chapitre II
Nom de laxe
Contenu de laxe
404684003
71388002
Procd (Procedure)
243796009
Chapitre II
123037004
Structure du
structure)
corps
410607006
Organisme (organism)
Comporte
les
organismes
significatifs pour la mdecine
humaine ou animale. Les organismes
sont aussi utiliss pour la
modlisation des causes des
maladies dans SNOMED CT.
105590001
Substance (substance)
410607006
Produits
pharmaceutiques/biologiques
(Pharmaceutical/
biologic
product)
31
Chapitre II
Spcimen (Specimen)
260787004
Objet
physique
object)
78621006
272379006
vnement (Event)
308916002
Environnements
et
localisations
gographiques
(Environments and geographic
locations)
Comporte
des
types
d'environnements aussi bien que des
noms d'endroits tels que des pays,
des tats et des rgions.
48176007
Contexte
context)
social
Chapitre II
254291000
362981000
Valeur du qualificateur
(Qualifier value)
419891008
Enregistrement dartefact
(Record artifact)
370115009
Concept spcial
(Special concept)
Chapitre II
900000000000441003 SNOMED
CT Model
Component
Linkage
concept
Namespace
concept
Core
metadata
concept
Foundation
metadata
concept
34
Chapitre II
II.2.1.2
Ce qui suit est une liste des principaux critres de comparaison qui vont nous permettre
de choisir la norme la plus adquate pour le contexte tudi (Standardisation des termes issus
de lespace dobservation) :
A.
La description :
Ce critre mesure la capacit de la norme dcrire les informations de lespace
B.
Le contenu :
Ce critre mesure lampleur du contenu de la norme en gnrale et particulirement en
C.
Facilit dutilisation :
Ce critre mesure la facilit dutilisation de la norme travers ces trois critres :
Codage :
Ce critre mesure laide que procure le codage en termes de facilit dutilisation.
Comprhensibilit :
Ce critre mesure la comprhension des nominations que ce soit les noms des concepts,
les noms des axes (chapitres), les noms des relations ou ceux des attributs.
Organisation :
Ce critre mesure lefficacit de la rpartition des concepts sur les axes (chapitres). En
dautres termes, il mesure la facilit de retrouver un concept donne en suivant la
hirarchisation de la norme.
35
Chapitre II
D.
La maniabilit :
Ce critre mesure ladaptabilit de la norme des situations nouvelles et/ou complexes.
II.2.1.3
Le tableau suivant effectue une comparaison entre les normes choisies savoir CIM
10 et SNOMED CT selon les critres dfinis ci-dessus :
Critres
SNOMED CIM
CT
Justification
10
+++
prcision
cest
aussi
la
profondeur de sa hirarchie 20
niveaux, compare CIM 10 qui est
mono-axiale
et
qui
prsent
Description
++
en
utilisant
les
concepts.
Exemple :
36
Chapitre II
*CIM10
Douleur
thoracique
respiratoire (R07.1)
*SNOMED CT : signe/symptme :
Chest pain on breathing (douleur
thoracique respiratoire) (274664007),
rgion : entire sternal part
of
(apparition
soudaine
et
+++
Facilit
dutilisation
gographiques)
Codage
+
Code
CIM10
: D19
codage
utilis
dans
37
Chapitre II
Dans
SNOMED
nominations
Comprhensibilit
++
CT
utilises
gnralement
les
sont
courtes
et
elle
noffre
que
deux
+++
++
et
chaque
axe
est
une
clinique),
body
38
Chapitre II
structure
(Structure
du
corps),
Organism (organisme)
CIM10 de par sa constitution
est une classification ce qui limite son
utilisation pour dcrire aux situations
prtablies en utilisant des concepts
prtablis ce qui la rend statique.
Maniabilit
+++
SNOMED
CT,
elle,
est
II.2.1.4
Discussion et rsultats :
39
Chapitre II
Sous problmatique :
Les informations issues de lespace dobservation sont standardises ds lors quon
utilise la terminologie mdicale SNOMED CT, cependant elles ne sont toujours pas prtent
pour le traitement.
En effet, dune part les praticiens de la sant veulent utiliser la description textuelle,
pour dcrire et capturer linformation clinique. Dautre part, les informaticiens prfrent
plutt que linformation clinique soit capture dans des formats structurs, ce qui rend le
traitement automatique possible.
La prsente problmatique sera lobjet du prochain chapitre.
Conclusion :
Les normes mdicales tout comme les normes des autres domaines visent
essentiellement crer une certaine standardisation. Dans notre cas, a va prparer
linformation pour subir une procdure de structuration universelle.
La SNOMED CT est loutil par excellence utiliser pour standardiser linformation
mdicale clinique. L'information, tant capture et grce aux normes mdicales
standardise, est prte tre structure.
40
Partie II :
Analyse et
Conception
41
Introduction :
Durant une consultation entre le patient et le mdecin, ce dernier commence par couter
les plaintes du patient concernant son tat de sant celles-ci constituent lensemble des
symptmes, puis le mdecin prend des mesures en relation avec les symptmes relevs cellesci constituent lensemble des signes, il termine par un examen complet du patient dnomm
la revue des systmes ces trois groupes dinformations, en loccurrence les symptmes, les
signes et la revue des systmes sont les composants de ce quon a dfini comme espace
dobservation (cf. section I.1.5.2).
Afin dassurer la standardisation de linformation issue de lespace dobservation on a
eu recours une norme mdicale clinique savoir SNOMED CT (cf. section II.2.1.1B)
La figure qui suit est un schma global explicatif du contexte initial de la solution :
Symptmes
Patient
Mdecin
Autres symptmes + Signes + Revue des systmes
Information
non
normalise
(texte libre)
Information
normalise
42
Chapitre III
III.1
Capture de linformation :
Introduction :
Ltape de capture commence par la conception dun modle capable de capturer et de
structurer linformation mdicale clinique issue de lespace dobservation, tout au long de la
capture on se basera sur la terminologie mdicale SNOMED CT pour assurer la
standardisation de linformation.
Les informations capturer tant souvent de nature imprcise et subjective il sera
ncessaire dutiliser un outil de quantification savoir la logique floue que lon introduira en
temps voulu.
43
Chapitre III
III.1.1
Dans cette partie on numrera les diffrents types des informations faisant partie de
lespace dobservation :
Donnes numriques :
Ce sont des donnes quantitatives qui peuvent prendre des valeurs numriques entires
ou relles.
Exemple :
Le mdecin mesure la temprature dun patient et trouve sa valeur de
type numrique : ex. 37, 5 C.
Donnes binaires :
Ce sont des donnes qui ne peuvent prendre que deux modalits. (Vrai/Faux, Oui/Non,
Prsent/Absent, etc.)
Exemple :
Le mdecin voulant savoir si le patient souffre dune douleur au niveau
de labdomen, la rponse du patient ne peut tre que : oui ou non.
Donnes nominales/ordinales :
Ce sont des donnes appartenant des ensembles prdfinis ; les donnes appartenant
un ensemble nominal ne possdent pas dordre (ex. la liste de quelques fonctions vitales :
{Circulatoire, respiratoire, digestive, mtabolique, reproductrice, endocrinienne}) loppos
des ensembles ordinaux qui eux dfinissent une politique dordonnancement (ex. Les degrs
de svrit dun symptme dfinis par la SNOMED CT : {attnu, attnu--modr, modr,
modr--svre, svre, fatal, svrit menaant la vie}).
Donnes floues :
Ce sont des donnes qui ont la particularit dtre imprcises, ce type de donnes est
trait par des rsultats issues de la logique floue (cf. section III.1.4)
44
Chapitre III
Exemple :
Le mdecin voulant savoir lintensit ou le degr de la douleur dont le
patient souffre, la rponse du patient est souvent de type flou : un peu, beaucoup, etc.
Donnes textuelles :
Ce sont des donnes de type texte utilises pour la description dune situation, un objet,
une sensation, etc. Ce type de donnes est utilis dans le cas o le type dune donne nest
pas lun de ceux dfinis ci-dessus, en effet le type texte est plus gnral et il peut inclure ces
derniers.
Exemple :
Pour dcrire certaines informations concernant le patient, le mdecin ne
peut quutiliser du texte lexemple des facteurs dclencheurs ou sdatifs dun symptme
donn.
III.1.2.1
Modliser un symptme :
Chapitre III
la dcision clinique "CDSS" (Clinical Decision Support System) tant donn que la
connaissance sur les maladies est dcrite en termes de symptmes. En effet, la majorit des
CDSS modlisent la connaissance sur la maladie comme tant la relation causale entre les
symptmes et les maladies, les symptmes tant gnralement dcrits par leurs intensits
uniquement [Steimann 00].
Innocent a, cependant, propos une manire dintgrer laspect temporel pour
modliser la relation causale entre les symptmes et les maladies et a propos des rgles
comme :
La grippe cause toujours le symptme fivre du premier jour au troisime jour .
Fournir uniquement quelques attributs pour dcrire les symptmes est loin dtre
suffisant pour les praticiens qui veulent capturer les diffrents contextes et nuances cliniques.
En fait, les symptmes ont souvent besoin de plusieurs attributs pour tre dcrits, ceci
en se basant sur une littrature spcialise.
Ici sont donns deux exemples de symptmes ncessitant plusieurs attributs pour tre
dcrits :
Description 1 :
Souffrant dune douleur svre intermittente au bas de labdomen depuis les trois
dernires semaines
Description 2 :
Une douleur svre au-dessus de labdomen pendant cinq jours. De nature brulante
apparat notamment la nuit au lit
46
Chapitre III
Description 1
Description 2
Dclenchement
Dure
3 semaines
5 jours
Intensit
Svre
Svre
Localisation
Qualit (Nature)
brulant
Priodicit
Intermittent
Facteurs
La nuit au lit
III.1.2.2
Modliser un signe :
Un signe est une preuve objective dune maladie perceptible par le praticien
[Aitnouri 13]. Les signes sont des constatations rsultant de lexamen physique du patient.
Cette dfinition compare celle des symptmes ne permet pas de totalement faire la
diffrence entre ces deux concepts ; Les frontires entre eux sont floues et il y a mme des
chevauchements [Aitnouri 13]. Cependant, afin de comprendre l'espace d'observation, il est
important d'examiner comment l'information sur les signes est prsente et quelles sont ses
relations avec linformation sur les symptmes. Dans la littrature, les signes ne sont pas
toujours dfinis comme une entit mdicale qui peut tre analyse indpendamment des
maladies [Aitnouri 13]. Dans ce travail, les signes sont classifis en deux catgories
principales, que nous pouvons appeler signes et signes-symptmes.
47
Chapitre III
A.
Les signes-symptmes :
Un signe-symptme est un signe associ un symptme et qui fusionnera avec ce
B.
Les signes :
Un signe nest pas associ un symptme. Les signes dans cette dfinition sont
III.1.2.3
48
Chapitre III
III.1.2.4
A.
B.
Chapitre III
Facteurs : Cet attribut est souvent de type textuel. (Ex. un patient qui souffre de
remontes dacide uniquement quand il est allong sur un lit).
III.1.3
SNOMED CT en pratique :
50
Chapitre III
51
Chapitre III
Intensit :
SNOMED CT offre un large domaine de modalits pour lattribut intensit savoir
fatal, menaant la vie, peu svre, modr, etc. La figure suivante montre quelques-unes de
ces modalits :
Chapitre III
Qualit :
SNOMED CT offre un large domaine de modalits pour lattribut Qualit savoir
brulant, froid, chaud, tranchant, etc. La figure suivante montre quelques-unes de ces
modalits :
53
Chapitre III
III.1.4
Logique floue :
Introduite par L.Zadeh depuis 1965 [ELKOSANTINI 10], la thorie des ensembles
flous a t de plus en plus utilise dans des domaines scientifiques et actuellement accepte
et utilise dans le domaine mdical. [Grant 09]
La logique floue est une forme de logique multi-value drive de la thorie des
ensembles flous, afin de prendre en charge des raisonnements plutt approximatifs (imprcis)
que prcis. Dans les ensembles de donnes de type binaire (cf. section III.1.1), rgis par une
logique binaire, une donne est soit incluse ou non, cest ce quon appelle le degr
dappartenance, pour ce type densembles il est boolen cest--dire 0 ou 1 tel que le degr
est gale 1 si la donne appartient lensemble, 0 si elle ne lest pas. En logique floue,
lintervalle des valeurs dappartenance varie inclusivement entre 0 et 1 exprimant le degr
54
Chapitre III
III.1.4.1
Le principe de la logique floue est illustr par le cas de la temprature de leau qui peut
tre reprsente avec un intervalle I de donnes de type rel allant de 0 100 degrs Celsius,
cet intervalle est appel domaine de discussion. Cest alors que nous devons dvelopper un
raisonnement bas sur un ensemble de variables linguistiques de type ordinal qui est le suivant
pour ce cas S= {Froide, Tide, Chaude}. Il est possible de relier une valeur de temprature t
de lintervalle I lensemble S de variables linguistiques comme illustr dans la figure
suivante :
(t)
Froide
Chaude
Tide
1
0.6
0.25
0
20 27
40
60
75
Temprature
55
Chapitre III
III.1.4.2
Pour un symptme donn lensemble des informations stockes par les attributs
intensit , dure , priodicit , qualit est subjectif du fait quil vient du patient,
cette subjectivit additionne limprcision nous obligent utiliser les principes de la
logique floue. Ce qui nous intresse dans notre cas cest le processus inverse de la logique
floue (Dfuzzification [ELKOSANTINI 10])
Dans le cas de lattribut intensit , par exemple, le patient donne au mdecin une
valeur imprcise de type ordinal ou nominal (un peu, moyen, beaucoup, etc.), le mdecin
associe implicitement une valeur numrique de gravit ou de svrit cette valeur en se
basant sur ses connaissances dj acquises.
Dans notre travail nous nous basons sur la connaissance du mdecin pour constituer
une base de connaissances pour des utilisations futures, en effet le passage dun type de
donnes, nominal, ordinal ou mme flou, ncessite lutilisation des connaissances du domaine
tudi, connaissances dtenues par le mdecin dans notre cas.
Conclusion :
Dans cette partie il a t expos comme moyen de structuration de linformation
mdicale le modle SSQ, de standardisation la terminologie mdicale SNOMED CT et de
quantification et de gestion de limprcision la logique floue.
A la fin de cette tape notre information est capture, structure et est stocke dans un
SSQ prt au traitement.
56
Chapitre III
III.2
Introduction
Linformation capture et structure par le modle SSQ est prte au traitement
automatis. Cette tape consiste en ltablissement de formules pour le traitement du pattern
observation.
III.2.1
Le pattern observation
Dfinition :
III.2.2
57
Chapitre III
Donnes de lespace
dobservation
SSQ
Attributs
Dclenchement
Dure
Nominal
Ordinal, Numrique
Priodicit
Nominal, Ordinal,
Numrique
Ordinal, Numrique
Nominal, Ordinal
Nominal
Textuel
Intensit
Qualit
Localisation
Facteurs
Caractristiques
des donnes
Qualitatif
Quantitatif
Quantitatif
Quantitatif
Qualitatif
Qualitatif
Qualitatif
III.2.2.1
(conditions motives et
58
Chapitre III
psychiatriques). Cela veut dire que sans aucun attribut qualitatif ce nest pas vident
dassocier le symptme MTA un systme vital. Cependant, quand des attributs qualitatifs
dcrivent le symptme, la caractrisation de la condition qui a men au malaise devient plus
vidente et moins floue. En effet, si on ajoute uniquement la qualit du symptme MTA
comme Qualit=pleurtique, le nombre de conditions chute de 17 3 conditions possibles et
le nombre de systme vitaux passe de 5 2 savoir :
Embolisme pulmonaire pour le systme cardiovasculaire.
Pneumonie ou pleursie ou pneumothorax spontan pour le systme
respiratoire.
Si on ajoute plus dattributs, la caractrisation de la condition sera plus prcise. En
effet le symptme MTA possdant le SSQ suivant :
Dclenchement = soudain.
Dure = plusieurs minutes quelques heures.
Qualit = pleurtique.
Localisation = souvent latral, du ct de lembolie.
Facteurs = dyspne, tachypne, tachycardie, hypotension.
Conduit prcisment la maladie dembolie pulmonaire. Cet exemple est une illustration de
la manire avec laquelle les attributs qualitatifs aident la caractrisation de la maladie.
III.2.2.2
Les donnes de type quantitatif sont le principal type de donnes utilis dans les
systmes de calculs automatiss en tant que donnes cliniques de base en entre. Dans le cas
o plus dun attribut quantitatif est utilis pour dcrire un symptme, comme dcrire un
symptme par son intensit et sa dure, le moteur de raisonnement va fusionner ou combiner
ses attributs afin de crer un nouveau concept informationnel. En effet, lexemple dInnocent
et [Innocent 04], le concept dnomm force dun symptme, est dfinit comme la tnacit
dun symptme, des symptmes plus intenses et plus durables conduisent des symptmes
plus forts. Pour des valeurs dintensit et de dure dun symptme, supposes floues et
appartenant lensemble {petite, moyenne, haute} et pour des valeurs du concept force
59
Chapitre III
Petite
Moyenne
Haute
Petite
faible
faible
moyenne
Moyenne
faible
moyenne
haute
Haute
moyenne
haute
haute
Dure
III.2.2.3
A.
Dfinition :
La force dun pattern observation est la fusion ou la combinaison de tous les attributs
B.
ensemble ou domaine de dfinition [Yager 97]. Puisque les attributs quantitatifs du modle
SSQ sont en quelques sortes htrognes, la solution est dutiliser les ensembles flous.
Les approches floues [Zadeh 65] [Zadeh 69] pour coder les donnes mdicales sont en
fait largement acceptes ; Lapplicabilit de ces approches a t rvise et dmontr par
Steinman [ Steimann 00]. La principale diffrence entre les ensembles flous et les ensembles dit
60
Chapitre III
serrs (les ensembles o un lment appartient ou nappartient pas un ensemble donn) est
quun lment peut appartenir un ensemble flou avec un degr dappartenance calcul. La
construction dune fonction qui mesure le degr dappartenance, dun lment un ensemble
flou, doit se baser sur la connaissance des relations qui existent entre les objets et les concepts
dans le domaine tudi.
La conversion de donnes mdicales en ensembles flous est faite en saccommodant
aux connaissances mdicales [Seising 06]. En effet, ce qui est considr comme une dure
critique pour un symptme donn pour un nouveau-n est diffrent pour un adulte, elle peut
tre des heures pour un nouveau-n et des jours pour un adulte, mais a a toujours le mme
sens de dure critique pour ce symptme ; Dans les ensembles dit serrs, le symptme a deux
diffrentes valeurs heures et jours , mais dans les ensembles flous ce symptme a la mme
valeur pour le nouveau-n aussi bien que pour ladulte dure critique .La fusion est faite
en combinant les attributs deux deux. Etant donn un ensemble de N attributs, on a Q = {Ai,
i= [1..N]3} lensemble des attributs, C lensemble des paires construites par les attributs de
lensemble Q tel que C = {(Ai, Aj) / i, j = [1..N] et i j}.
Atnouri dans son article [Aitnouri 13] a tendu les attributs quantitatifs lensemble
suivant : intensit (I), dure (D) et priodicit (P), cette extension en plus de prendre tous les
attributs quantitatifs du modle SSQ, elle dfinit une politique de priorit entre ces attributs,
tel que priorit(I)>priorit(D)>priorit(P).
Dfinition :
Une politique de priorit est dfinie entre les attributs pour mettre en vidence la
diffrence entre le degr dinfluence de chacun caractriser un pattern observation.
La fusion des paires dattributs est faite par une fonction de fusion F : Q x Q Q
| + |
| + |
2
+ + 1
( , ) =
(| + | > )
2
+ 1
(| + | < )
{
2
3
61
Chapitre III
A1
10
10
10
10
62
Chapitre III
Instance du
observation
modle
SSQ
Pattern
Fusion : la fonction F
Vrification
Sinon
63
Chapitre III
Exemple :
Soit le symptme insomnie prsent comme suit :
Lensemble dattributs Q = {intensit, dure, priodicit} = {5, 1, 3} et le domaine de
dfinition D = [1..10].
Calculons la force de ce symptme :
1. La priorit des attributs est donne par : I>D>P
2. Lensemble des paires C = {(5,1) ; (5,3) ; (1,3)}.
3. Les diffrentes combinaisons sont calcules suivant le tableau ci-dessus et sont
donnes comme suit : F(5,1) = 3, F(5,3) = 4, F(1,3) = 2.
Les valeurs des rsultats de fusion sont diffrentes (3,4,2). Donc on refait le mme
processus :
1. La priorit reste la mme : Priorit (rsultat 1)> Priorit (rsultat 2)> Priorit (rsultat
3)
2. Lensemble des paires C = {(3,4) ; (3,2) ; (4,2)}.
3. Les diffrentes combinaisons sont calcules suivant le tableau ci-dessus et sont
donnes comme suit : F(3,4) = 3, F(3,2) = 3, F(4,2) = 3.
Les valeurs des rsultats de fusion sont gales, donc on arrte le processus.
La force f du symptme insomnie est gale au rsultat de lune des dernires fusions
des paires cest--dire :
f = F(3,4) = F(3,2) = F(4,2) = 3
F=3
III.2.2.4
Avant de dfinir ce quest la validit dun pattern observation, on commence par dfinir
ce qui suit : [Aitnouri 13]
A.
niveau de confiance que nous avons en les valeurs des attributs de ce pattern. Pour comprendre
64
Chapitre III
le concept de consistance, considrons les deux exemples dinsomnie dfinis par leurs
modles SSQ suivants :
Exemple 1 : Le patient se rveille 3h du matin .
(Dure, Priodicit, Intensit, Qualit) = (-, -, 3, Terminale).
Exemple 2 : Environs 3 fois par semaine, le patient se rveille 3h du matin, depuis 3
mois .
(Dure, Priodicit, Intensit, Qualit) = (3, 3, 3, Terminal).
La qualit tant terminale pour les deux exemples.
La force de linsomnie dans les deux cas est la mme, savoir f = 3. Cependant, le
deuxime exemple devrait tre plus consistant du fait quil a t valu la base de 3 attributs
au lieu dun seul. Se rveiller 3h du matin une fois par semaine ou bien 7 fois par semaine
est trs diffrent, se rveiller 3h du matin depuis une semaine ou depuis 6 mois lest aussi.
Ainsi, plus il y a dattributs informs pour un SSQ, plus est importante sa consistance.
Dfinition : (SPPmax)
SPPmax est dfini comme tant le nombre dattributs ncessaires utiliss dans le modle
SSQ pour dfinir un symptme donn.
Dfinition : (SPP)
SPP est dfini comme tant le nombre dattributs identifis dans un cas clinique pour
un symptme donn, utilis dans un SSQ pour le dfinir (le symptme).
En claire, SPPmax est le nombre dattributs quun symptme devrait avoir pour tre
compltement dfini, ce nest pas ncessairement 6 attributs, par contre SPP est le nombre
dattributs prsents pour dfinir un symptme/signe donn dans un cas clinique donn.
Exemple :
SPPmax (insomnie) = 4 attributs = (dure, priodicit, intensit, qualit).
En littrature, aucune information nest ncessaire ou nexiste quant au mode de
dclenchement ou la localisation de linsomnie.
65
Chapitre III
() =
()
()
B.
pour fournir plus dobjectivit lun des attributs dun symptme, lexemple du symptme
fivre o la temprature prise par le praticien remplace lintensit du symptme fivre
fournie par le patient. On dit que lintensit du pattern observation a t objective par le signe
relev.
Dfinition : OBJ
Lobjectivit OBJ dun pattern observation reprsente le ratio du nombre dattributs
objectivs par des signes sur le SPP, de ce fait OBJ [0, 1].
() =
()
()
O NOA(S) est le nombre dattributs objectivs par des signes. Plus on a dattributs
objectivs plus lobjectivit du pattern observation est importante.
66
Chapitre III
() =
() + ( () ())
2
III.2.3
III.2.3.1
Mme CA rapporte une fatigue et une difficult pour travailler et se concentrer depuis lhiver. Elle a
de linsomnie et se rveille souvent 3H du matin et ne peut pas se rendormir. Elle est souvent rveille par
des sueurs nocturnes et des bouffes de chaleurs sans avoir de fivre.
Elle se sent galement plus fatigue dans ses jambes, quand elle fait du jardinage les week-ends ; elle
a plus de difficult pour se lever dune position accroupie.
Son apptit et poids ont t stables. Son humeur est variable, elle a moins de patience et tend tre
plus prompte qu'avant ce qui est remarquable au travail avec ses collgues, elle a eu quelques arguments
intenses avec son patron et il lui a recommand de voir un docteur.
Ses menstrues sont clairsems, elle tait trs rgulire jusqu' l'hiver o ses cycles tendaient
augmenter et elle a eu des cycles de 35 62 jours avec des menstrues trs abondants, ce qui est nouveau pour
elle. Aucun autre signe ou symptme de lappareil GU (gnito-urinaire).
Elle se plaint de migraines plus frquentes, de mme caractre qu'avant mais avec une augmentation
de la frquence des crises, allge en prenant l'actaminophen et l'ibuprofne. Aucun autre signe ou symptme
neurologique.
Ses jambes sont plus gonfles qu'avant, apparait le plus la fin du jour. Elle ne sent plus
dessoufflement ni palpitation. Aucun autre signe ou symptme cardio-respiratoire. Aucun symptme GI
(gastro-intestinal).
Elle est convaincue que cest sa mnopause et demande quand va-t-elle commencer prendre des
estrognes
67
Chapitre III
Lexamen physique :
Apparait fatigue, yeux gonfls. TA (tension artrielle) 139/78. Pouls 84, irrgulier.
Poids 72 kilogrammes. IMC (Indice de masse corporelle) 28.
Cou : Aucuns ganglions lymphatiques. Thyrode : environ deux fois la taille normale,
aucunes nodules.
Cur : Battements irrguliers (battements sauts ?), aucun murmure.
Thorax : Rien signaler.
Membres infrieurs : dme au niveau de la cheville.
Rflexe : 2+/4.
III.2.3.2
Capture du symptme :
La table suivante rsume les symptmes qui peuvent tre extraits de lhistoire du
patient et sont structurs en SSQ :
Fatigue
Insomnie Faiblesse
Depuis
lhiver
Depuis
lhiver
Sautes
Menstruati Migraine
dhumeur on
Gonfle
ment
Sueurs
chaudes
Dclench
ement
Dure
Depuis
lhiver
Depuis
lhiver
Depuis
lhiver
35-62 jours Plus frquente
Priodicit
Intensit
Souvent
3H du
matin
Trs
Plus frquente Plus que
abondante
normal
Qualit
Terminale
Localisati
on
Facteurs
Jambes
Difficult Se rveille
pour
3H du
travailler et matin.
se
concentrer.
Difficult de
se relever
dune
position
accroupie.
Moins
Nouvelle
patiente et situation.
plus
prompte
quavant.
allge en
A la fin
prenant
du jour
l'acetaminophe
n et
l'ibuprofne.
Chapitre III
Cet exemple traitera le symptme Insomnie , La mme procdure peut tre utilise
pour traiter les symptmes restants.
III.2.3.3
L'insomnie est une rupture d'un modle de sommeil caractrise par une difficult
persistante pour sendormir et/ou rester endormie en dpit de l'occasion [Perlis 05].
L'insomnie est considre comme une consquence d'un dsordre psychiatrique.
Des informations sur les attributs du symptme insomnie ont t obtenues partir de
SNOMED CT et de Perlis [Perlis 05].
Les valeurs utilises pour lattribut intensit sont issues de la terminologie SNOMED
CT, elles sont donnes comme suit :
S = {attnu, attnu--modr, modr, modr--svre, svre, fatal, svrit
menaant la vie}
SSQ\Symptme
Valeur
Description
Dure
Priodicit
matin :
Modre--svre.
Depuis lhiver :
Modre.
Aucune information.
Tableau 12. Tableau descriptif du symptme insomnie .
A.
Mode statique :
Dans ce mode la priorit des attributs est dfinie par dfaut telle que :
Priorit (intensit)>Priorit (dure)>Priorit (priodicit).
Ainsi que le SPPmax est par dfaut gale six (6) attributs.
69
Chapitre III
La force de linsomnie :
a.
(, ) =
++1
=4
2
Calcul de la validit :
La consistance :
Le nombre dattributs prsents pour le symptme insomnie est SPP = 3, savoir
intensit, dure, qualit. La consistance est calcule comme suit :
= = 0,5.
6
() =
()
()
= 0,33.
3
70
Chapitre III
() =
()+(()())
2
0,5+(0,50,33)
2
0,33
B.
Mode dynamique :
Ce mode diffre du mode statique par le fait que la priorit des attributs et le SPP max
1
3
0,75+(0,750,33)
2
0,5.
Le pattern rsultat du mode dynamique est dfinie par (Force ; Validit) = (4 ; 0,5)
Conclusion :
Le modle SSQ nous sert de moyen pour capturer et structurer les informations
cliniques issues de lespace dobservation ; Ce modle appliqu un signe/symptme de
lespace dobservation nous donne le pattern observation ; Les formules de traitements
appliques ce pattern nous donnent le pattern rsultat prt tre reprsent graphiquement.
71
Chapitre III
III.3
Reprsentation graphique :
Introduction :
La reprsentation graphique des donnes permet de donner une vue synoptique
[Tibiche 08], permet une lecture rapide des donnes [LYCEE KOEBERLE 11] et facilite la
comparaison grce la disposition visuelle.
Le graphique est un moyen suggestif [Tibiche 08], dans notre cas la reprsentation
graphique doit aider le praticien dans son raisonnement clinique pour identifier le diagnostic.
III.3.1
III.3.1.1
Validit
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
72
Chapitre III
0 1
2 3
4 5
6 7
8 9
10
III.3.1.2
Cette mthode de visualisation est plus intressante que la premire du fait quelle
regroupe tous les patterns dun cas clinique donn et permet davoir plus dinformation ceci
en termes du pattern le plus valide, le plus fort, le moins valide, le moins fort, etc.
Les patterns sont reprsents par des points dans un repre construit par les deux axes
force et validit.
73
Chapitre III
III.3.1.3
A.
511 couleurs diffrentes entre le rouge et le vert, ceci en utilisant les trois composante RVB
(Rouge, Vert, Bleu) tel que :
Le rouge correspond
Le vert correspond
Pendant le passage de la couleur du rouge vers le vert, le degr du vert commence par
augmenter pour atteindre RVB = (255, 255, 0) correspondant la couleur jaune, puis le degr
du rouge commence diminuer pour atteindre RVB = (0, 255, 0) correspondant la couleur
verte, la couleur bleue ntant pas concerne.
Pour dfinir la couleur dun pattern ayant une validit V on suit la dmarche suivante :
V est comprise entre [0..1] et on a 511 couleurs diffrentes :
A la validit V = 0 correspond la premire couleur c = 0 : le rouge
A la validit V = 1 correspond la dernire couleur c = 510 : le vert
A la validit V = X correspond la couleur = 510
74
Chapitre III
(255, 0, 0)
0.1 51
(255, 51, 0)
0.2 102
(255, 102, 0)
0.3 153
(255, 153, 0)
0.4 204
(255, 204, 0)
0.5 255
(255, 255, 0)
0.6 306
(204, 255, 0)
0.7 357
(153, 255, 0)
0.8 408
(102, 255, 0)
0.9 459
(51, 255, 0)
510
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0.6
306
3.5
0.3
153
4.5
0.2
102
1.5
0.8
408
75
Chapitre III
76
Chapitre III
77
Chapitre III
B.
Conclusion :
La reprsentation graphique est ltape finale de la solution que nous proposons, les
informations de dpart issues de lespace dobservation tant captures et structures par le
modle SSQ pour avoir des patterns observations, puis transformes en patterns rsultats par
les formules de traitement, sont reprsentes graphiquement pour pouvoir interprter les
connaissances quelles apportent.
78
Chapitre IV
Besoin
Outil
Standardisation
SNOMED
CT
Persistance
Information Mdicale
BDD1
Information Norme
Structuration
SSQ
Information structure
Traitement
Pattern
rsultat
BDD2
Information traite
Reprsentation
Visualisation
Reprsentation
-Individuelle
-Complte
Graphique
79
Chapitre IV
IV.1
IV.2
Conception de la BDD 2 :
Pour concevoir la solution dcrite dans la section prcdente une dmarche suivre est
dfinie comme suit :
Identification des acteurs.
Identification des cas dutilisation.
Description des cas dutilisation.
Etablissement du diagramme de classe de la base de donnes.
Etablissement du dictionnaire de donnes.
Passage au modle relationnel.
Codification.
IV.2.1
Dfinition :
Un acteur reprsente un rle jou par une entit externe (utilisateur humain, dispositif
matriel ou autre systme) qui interagit directement avec le systme tudi. Un acteur peut
consulter et/ou modifier directement ltat du systme, en mettant et/ou en recevant des
messages susceptibles dtre porteurs de donnes . [Roques 08]
Dans notre systme, il ny a quun seul acteur qui interagit directement sur lui, cet
acteur est le mdecin, le patient tant considr comme le seul acteur externe de ce systme.
Mdecin
Patient
: Cest un acteur externe au systme qui est considr comme une source
de donnes.
80
Chapitre IV
IV.2.2
Nom du cas
Acteur associ
IV.2.3
Chaque cas dutilisation est dcrit par une description textuelle suivie par le diagramme
dactivit et le diagramme de squence qui lui sont associs.
IV.2.3.1
A.
Description textuelle :
Description du cas
Identification :
Nom du cas : Cration dun cas clinique.
But : Cration dun nouveau cas clinique associ un patient donn.
Acteur : Mdecin.
Prconditions :
Larriv du patient chez le mdecin pour une consultation.
Le mdecin ouvre longlet de lespace dobservation dun patient
donn.
Squencement
81
Chapitre IV
Enchanement nominal :
1. Le mdecin demande au systme de crer un cas clinique.
2. Le systme affiche au mdecin linterface approprie.
3. Le systme cre la premire consultation de ce cas clinique.
4. Le mdecin rempli les informations ncessaires.
5. Le mdecin confirme les informations saisies.
6. Le systme sauvegarde les informations saisies.
Post-conditions :
Les informations saisies doivent tre sauvegardes.
Tableau 18. Description textuelle du cas n1.
B.
Diagramme dactivit :
82
Chapitre IV
C.
Diagramme de squence :
Diagramme de Squence cas n1
Systme
Mdecin
Demande de crer un cas clinique
L'interface approprie
La premire consultation
IV.2.3.2
A.
Description textuelle :
Description du cas
Identification :
Nom du cas : Visualisation dun cas clinique.
But : Donner au mdecin une visualisation graphique (complte ou
individuelle) du cas clinique.
Acteur : Mdecin.
Prconditions :
Le mdecin ouvre longlet de lespace dobservation dun patient donne.
83
Chapitre IV
Squencement
Enchanement nominal :
1. Le mdecin choisit un cas clinique et demande au systme de le
visualiser.
2. Le mdecin choisit le mode de visualisation du cas clinique (Complet
ou individuel).
3. Si le mdecin choisit le mode individuel, il devra choisir le signe ou
le symptme quil veut visualiser.
4. Le systme affiche au mdecin la visualisation choisie.
Tableau 19. Description textuelle du cas n2.
B.
Diagramme dactivit :
84
Chapitre IV
C.
Diagramme de squence :
Diagramme de Squence cas n2
Systme
Mdecin
alt
Complet
La fentre de visualisation
Individuel
Liste des signes/symptmes
Choix d'un signe ou d'un symptme
La fentre de visualisation
IV.2.3.3
A.
Description textuelle :
Description du cas
Identification :
Nom du cas : Cration dune nouvelle consultation.
But : Cration dune nouvelle consultation associe un cas clinique donne.
Acteur : Mdecin.
85
Chapitre IV
Prconditions :
Le mdecin ouvre longlet de lespace dobservation dun patient donne.
Le mdecin slectionne le cas clinique concern par la nouvelle consultation
crer.
Squencement
Enchanement nominal :
1. Le mdecin demande au systme de crer une nouvelle
consultation.
2. Le systme affiche au mdecin linterface approprie.
3. Le mdecin rempli les informations ncessaires.
4. Le mdecin confirme les informations saisies.
Post-conditions :
Le systme doit enregistrer les informations saisies.
Tableau 20. Description textuelle du cas n3.
B.
Diagramme dactivit :
86
Chapitre IV
C.
Diagramme de squence :
Diagramme de Squence cas n3
Systme
Mdecin
Slection du cas clinique
L'interface approprie
L'interface approprie
IV.2.3.4
A.
Description textuelle :
Description du cas
Identification :
Nom du cas : Visualisation dune consultation.
But : Donner au mdecin une vue (Complte ou individuelle) sur la
consultation.
Acteur : Mdecin.
Prconditions :
Le mdecin ouvre longlet de lespace dobservation dun patient donne.
Le mdecin slectionne le cas clinique contenant la consultation visualiser.
87
Chapitre IV
Squencement
Enchanement nominal :
1. Le mdecin slectionne la consultation quil veut voir et confirme
son choix.
2. Le systme affiche au mdecin linterface approprie.
Tableau 21. Description textuelle du cas n4.
B.
Diagramme dactivit :
88
Chapitre IV
C.
Diagramme de squence :
Diagramme de Squence cas n4
Systme
Mdecin
Choix du cas clinique
Liste des consultations
Choix de la consultation
Liste des modes de visualisation(complet, individuel)
Choix du mode de visualisation
alt
Complet
La fentre de visualisation
Individuel
Liste des signes/symptmes
Choix d'un signe ou d'un symptme
La fentre de visualisation
89
Chapitre IV
IV.2.4
patient
-
id_patient
nom_patient
prenom_patient
date_ness_patient
:
:
:
:
- force_ss
: Double
- validite_ss : Double
Number
String
String
Date
signe_symptome
1..1
Avoir
- nom_ss : String
- type_ss : String
- etat_ss : String
1..*
Appartient
1..*
Appartenir
1..*
Est dfini par
cas_clinique
- code_cc : String
- date_cc : Date
1..1
Comporte
+ Ajouter ()
: void
+ Visualiser () : void
...
1..*
Identifier par
1..*
Appartient
ss_defini_par_attribut
1..*
Contient
- priorite : int
consultatrion
- code_consultation : String
- date_consultation : Date
+ Ajouter ()
: void
+ Visualisation () : void
...
0..*
Identifier
1..*
Dfini
attribut
diagnostic
-
- id_diagnostic
: Number
- nom_diagnostic
: String
- description_diagnostic : String
nom_attribut
valeur_combo
valeur_texte
etat_attribut
:
:
:
:
String
String
String
String
IV.2.5
Dictionnaire de donnes :
Classe
Attribut
nomAttribut
Attribut
valeurCombo
valeurTexte
etatAttribut
codeCc
CasClinique
Consultation
Type
Chaine de
caractre
Chaine de
caractre
Chaine de
caractre
boolen
Chaine de
caractre
dateCc
Date
codeConsultation
Chaine de
caractre
Rle
Identifiant unique de lattribut
Valeur dattribut rcupr de
la SNOMED CT.
Valeur dattribut
supplmentaire.
Prsent ou absent (lattribut).
Identifiant unique du cas
clinique.
Date de cration dun cas
clinique.
Identifiant unique de la
consultation.
90
Chapitre IV
Diagnostic
dateConsultation
Date
idDiagnostic
Entier
nomDiagnostic
descriptionDiagnostic
idPatient
nomPatient
Patient
prenomPatient
dateNessPatient
SigneSymptome
CasContenirSs
SsDefiniParAttribut
IV.2.6
Chaine de
caractre
Chaine de
caractre
Entier
Chaine de
caractre
Chaine de
caractre
Date
Chaine de
caractre
Boolen
91
Chapitre IV
IV.2.7
Codification :
Dans notre systme la codification se limite au cas cliniques et aux consultations et est
faite comme suit :
Codification du cas clinique (codeCc) : AA/NN
AA : anne de cration du cas clinique [0199].
NN : numro squentiel [01...99].
Sachant quun cas clinique nest associ qu un et un seul patient.
Codification de la consultation (codeConsultation) : CCCCC/NN
CCCCC : le code du cas clinique.
NN : numro squentiel [01...99].
Conclusion :
La conception de la solution a servi dtude des bases donnes ncessaires pour son
fonctionnement, en termes de standardisation, de structuration, de traitement ou de
visualisation.
92
Partie III :
Mise en
uvre, tests
et rsultats
93
Chapitre V
Chapitre V
Introduction :
Aprs ltape danalyse et de conception vient ltape dimplmentation de notre
solution. Dans cette partie, nous allons dvelopper un outil daide la dcision pour les
praticiens dont le principal objectif est dorienter ces derniers dans leur raisonnement clinique
pour identifier le diagnostic correspondant un cas clinique donn.
Nous allons en premier temps prsenter les outils et lenvironnement de
dveloppement de notre solution et son architecture physique, dans la deuxime partie nous
allons prsenter les rsultats des tests effectus par notre application et les comparer des
rsultats obtenues sans lutiliser, pour identifier les diagnostics correspondant des cas
cliniques.
Navigateur Web
Module
PHP
CSS
+
HTML
HTTP
Serveur
Web
Apache
+
JavaScript
Serveur de
base de
donnes
MySQL
Chapitre V
V.1.1
HTML :
V.1.2
CSS :
CSS, cela signifie Cascading Style Sheets , ce qui se traduit en franais par feuilles
de style en cascade. La feuille de style fournit la mise en forme des lments de la page, qui
auront t crits en HTML. Elle sapplique une ou plusieurs pages du site. Le terme en
cascade indique que la mise en forme dune page peut faire appel plusieurs feuilles de
style. Les diffrentes proprits affectes un mme lment sajoutent alors pour lui donner
sa mise en forme finale. [Draillard 09]
V.1.3
JavaScript :
V.1.4
PHP :
Le sigle PHP signifiait lorigine Personal Home Page [Engels 09].PHP est un
acronyme rcursif, qui signifie aujourdhui PHP : Hypertext Preprocessor , c'est un langage
de script HTML, excut ct serveur. Sa syntaxe est emprunte aux langages C, Java et Perl,
et est facile apprendre. Le but de ce langage est de permettre aux dveloppeurs WWebeb
d'crire des pages dynamiques et interactives rapidement [Php 13].
Ce choix a t motiv par les raisons suivantes :
95
Chapitre V
Libre et gratuit.
Simple utiliser et installer.
Trs permissif en raison du grand nombre d'extensions. Cest grce ces dernires
quil est capable par exemple de gnrer des images ou de se connecter la plupart des
SGBD existants.
Disponible sur plusieurs plateformes (Linux, UNIX Microsoft Windows, Mac OS,
RISC OS, etc.).
Une des grandes forces de PHP est le support de nombreuses bases de donnes.
V.1.5
SQL :
V.1.6
MySQL, le plus populaire des serveurs de bases de donnes SQL, est dvelopp,
distribu et support par MySQL. [MySQL AB 09]
Voici quelque caractristique de MySQL :
MySQL est un systme de gestion de bases de donnes.
MySQL est un serveur de bases de donnes relationnelles.
MySQL est Open Source.
Le serveur de bases de donnes MySQL est trs rapide, fiable et facile utiliser.
96
Chapitre V
V.1.7
Apache est un serveur Web. Il s'agit du serveur le plus utilis actuellement sur le Web
puisqu'il reprsente plus de 70% des serveurs installs [Gill 04].
Un serveur Web dsigne souvent une machine qui propose des services Web, de ce
point de vue Apache est un service Web qui traite des requtes, entre autres des requtes
HTTP, provenant de clients que l'on appelle navigateurs comme : Mozilla Firefox, Internet
Explorer, Google Chrome, etc. Un serveur Web peut contenir plusieurs services, en
loccurrence un service pour la gestion des bases de donnes, un service pour le traitement
des requtes HTTP et un service pour le traitement des scripts PHP.
V.1.8
Mediboard :
97
Chapitre V
98
Chapitre V
V.2.1
Dfinition des cas cliniques et prsentation des
mdecins :
Cas clinique n 1 : diagnostic Colique hpatique
Mme F., 55 ans, consulte pour des douleurs abdominales de lhypochondre droit apparues
il y a 4 h. Ces douleurs sont arrives brutalement et irradient dans lpaule droite. Lexamen clinique
dclenche cette douleur linspiration profonde, il ny a pas de dfense. Il ny a ni temprature ni
ictre. Lexamen cardio-pulmonaire est normal. LECG est normal. Cette patiente a des antcdents
dhypercholestrolmie, un tabagisme actif, un surpoids. Lorsque vous lexaminez, la douleur cde
brutalement. [Glehen 11]
99
Chapitre V
M.Hamza
K.Bilel
Z.Amara
100
Chapitre V
V.2.2
Etablissement des patterns observations, des patterns
rsultats et des reprsentations graphiques :
Les patterns observations ont t remplis laide des mdecins A.O et M.H, les patterns
rsultats sont calculs avec les formules dj tablies et le mode de reprsentation graphique
utilis est la visualisation complte , dans ce qui suit :
I, D, P sont respectivement Intensit, Dure, Priodicit.
FC : Frquence cardiaque.
TA : Tension artrielle.
FR : Frquence respiratoire.
BPM : Battements par minute.
Non informe : Attribut ncessaire mais absent pour le cas clinique tudi.
Non ncessaire : Attribut non ncessaire pour la description du pattern observation.
Les priorits des attributs (I, D, P) vont de 1 3 :
La priorit (1)>La priorit (2) )>La priorit (3).
Cas clinique n 1 :
Le pattern observation :
Nom du symptme n1 : Douleurs abdominales.
Attribut
Valeur
SPPmax
Dclenchement
Brutal
Svre
(57,14)
4h(Svre)
(57,14)
Non informe
Dclenche linspiration
profonde.
Hypocondre droit
Irradient dans lpaule droite.
Douleur dclenche linspiration
profonde.
La douleur cde brutalement.
Intensit
Dure
Priodicit
Caractre
Localisation
Facteurs
Rapport du
modle
SPP = 5
Objectivit
Priorit
*
*
SPPmax = 6
CST = 0.83
NOA = 0 Priorit =
OBJ = 0
I>D>P
101
Chapitre V
Le pattern rsultat :
La force = 7.14, la validit = 0.42.
La reprsentation graphique (mode complet) :
Cas clinique N1
1
0,9
0,8
Validit
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
9,5 10
Force
Douleurs abdominales
SPPmax
*
Priodicit
Caractre
Valeur
Brutal
Svre
(57.14)
2h (svre)
(57.14)
Non informe
Point de ct
Localisation
Basi-thoracique gauche
Facteurs
Rapport du
modle
SPP = 5
Intensit
Dure
Objectivit
Priorit
*
*
SPPmax = 6
CST = 0.83
NOA = 0
OBJ = 0
Priorit =
I>D
102
Chapitre V
Le pattern observation :
Nom du symptme n2 : Essouffle +Dyspne.
Attribut
Dclenchement
Intensit
Dure
Priodicit
Caractre
Localisation
Facteurs
Valeur
A un effort lger
Trs svre
(6 8.57)
Non ncessaire
Non ncessaire
Non inform
Non ncessaire
La mise en jeu des muscles sterno
clido mastodien et une expiration
abdominale active.
Rapport du
modle
SPPmax
*
*
Objectivit
Priorit
FR : 20/min,
FC : 105 BPM
NOA = 1
OBJ = 0.5
Priorit
=I
SPPmax = 3
CST = 0.66
SPP = 2
Cas clinique N2
1
0,9
0,8
Validit
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
9,5 10
Force
Dyspne+essouffle
Douleur basi-thoracique
103
Chapitre V
Cas clinique n 3 :
Le pattern observation :
Nom du symptme n1 : Douleur abdominal.
Attribut
Dclenchement
Priodicit
Caractre
Localisation
Valeur
Aigu+ brutal
Intense
(57.14)
24h (svre)
(57.14)
Non inform
Non inform
pri ombilical
Facteurs
Rapport du modle
SPP = 4
Intensit
Dure
SPPmax
*
*
Objectivit
Priorit
TA : 140/85
FC : 104/min
*
*
*
SPPmax = 6
CST = 0.66
NOA = 1
OBJ = 0.25
Priorit = D>I
Valeur
aigu
Non informe
Depuis quelques heures
(modr--svre) (4 5.71)
Non informe
Bilieux
Non ncessaire
SPP = 3
SPPmax
*
*
Objectivit
Priorit
*
*
SPPmax = 5
CST = 0.6
NOA = 0
OBJ = 0
Priorit =
D
104
Chapitre V
Le pattern observation :
Nom du symptme n3 : Constipation.
Attribut
Dclenchement
Intensit
Priodicit
Caractre
Valeur
Non ncessaire
Non ncessaire
Chronique
(svrit menaant la vie)
(710)
Non informe
bilieux
Localisation
Non ncessaire
Facteurs
suppositoires de glycrine.
La dernire selle tait il y a 3
jours ; les derniers gaz la
veille.
Rapport du modle
SPP = 2
Dure
SPPmax
Objectivit
Priorit
*
*
SPPmax = 3
CST = 0.66
NOA = 0
OBJ = 0
Priorit = D
Valeur
Non inform
Non Inform
Non inform
Non ncessaire
Oblique, douloureux la palpation,
spontanment, tympanique
de la fosse iliaque droite
l'hypochondre gauche
Les bruits hydro-ariques sont bien
perus
SPP = 2
SPPmax
*
*
*
Objectivit
Priorit
NOA = 0
OBJ = 0
Priorit
=
*
*
SPPmax = 5
CST = 0.4
105
Chapitre V
Le pattern observation :
Nom du signe n5 : Nause.
Le pattern rsultat :
La force = 10, la validit = 1.
La reprsentation graphique (mode complet) :
Cas clinique N3
1
0,9
0,8
Validit
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
9,5 10
Force
Douleur abdominale
Vomissements
Constipation
Mtorisme
Nause
Valeur
SPPmax
Dclenchement
Intensit
*
*
Priodicit
Caractre
Localisation
Facteurs
Trs brutale
Non informe
Le matin mme
(modr) (34.29)
Non informe
Non informe
holocrnienne
alors quelle faisait son mnage
Rapport du modle
SPP = 3
Dure
Objectivit
Priorit
*
*
*
SPPmax = 6
CST = 0.5
NOA = 0
OBJ = 0
Priorit =
D
Chapitre V
Le pattern rsultat :
La force = 4.29, la validit = 0.25.
Le pattern observation :
Nom du signe n2 : Dsoriente.
Le pattern rsultat :
La force = 10, la validit = 1.
Le pattern observation :
Nom du symptme n3 : Vomissements.
Le pattern rsultat :
La force = 0, la validit = 0.
Le pattern observation :
Nom du signe n4 : Nuque raide.
Le pattern rsultat :
La force = 10, la validit = 1.
La reprsentation graphique (mode complet) :
Cas clinique N4
1
0,9
0,8
Validit
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
9,5
10
Force
Cphale
Dsoriente
Vomissements
Nuque raide
107
Chapitre V
Cas clinique n 5 :
Le pattern observation :
Nom du symptme n1 : Cphale.
Attribut
Dclenchement
Intensit
Dure
Priodicit
Caractre
Localisation
Valeur
Chronique
Non informe
Depuis qlq semaines
(trs svre)(68.57)
Non informe
Non informe
frontales et rtroorbitaires
SPPmax
*
*
*
Objectivit
Priorit
*
*
*
Facteurs
SPPmax = 6
NOA = 0
Priorit =
SPP = 3
CST =
OBJ = 0
D
0.5
Tableau 31. Pattern observation du symptme n1 du cas n5.
Le pattern rsultat :
La force = 8.57, la validit = 0.25.
Le pattern observation :
Nom du symptme n2 : Asthnie.
Attribut
Valeur
SPPmax
Objectivit
Priorit
Dclenchement
Progressive
*
Intensit
Non informe
*
Dure
Non informe
*
Priodicit
Non informe
*
Caractre
Non informe
*
Localisation
Non ncessaire
Facteurs
Rapport du
SPPmax = 5
NOA = 0
SPP = 1
Priorit =
modle
CST = 0.2
OBJ = 0
Tableau 32. Pattern observation du symptme n2 du cas n5.
Le pattern rsultat :
La force = 0, la validit = 0.1.
Le pattern observation :
Nom du signe n3 : Hmianopsie bitemporale.
Le pattern rsultat :
La force = 10, la validit = 1.
Le pattern observation :
Nom du signe n4 : Pleur
Le pattern rsultat :
La force = 10, la validit = 1.
Rapport du
modle
108
Chapitre V
Le pattern observation :
Nom du signe n5 : Anorexie.
Le pattern rsultat :
La force = 10, la validit = 1.
Le pattern observation :
Nom du symptme n6 : Constipation.
Le pattern rsultat :
La force = 0, la validit = 0.
Le pattern observation :
Nom du symptme n7 : Impuissance.
Le pattern rsultat :
La force = 0, la validit = 0.
La reprsentation graphique (mode complet) :
Cas clinique N5
1
0,9
0,8
Validit
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
0,5
1,5
2,5
3,5
4,5
5,5
6,5
7,5
8,5
9,5
10
Force
Cphale
Asthnie
Hmianopsie bitemporale
Pleur
Anorxie
Constipation
Impuissance
V.2.3
Les mdecins sont arrivs identifier le mme diagnostic dans les deux cas (avec et
sans lapplication) ce qui indique dj que sil y a une perte dinformation elle est acceptable.
De ce fait, la seule comparaison faite concerne le temps utilis par les mdecins pour identifier
le diagnostic de chaque cas clinique, le tableau suivant est un rcapitulatif des rsultats
obtenus :
109
Chapitre V
Nom du mdecin
SA (Sans application)
M.H
Cas Clinique N1
K.B
AA (Avec application)
00 :42.9
00 :52.9
Z.A
M.H
Cas Clinique N2
Cas Clinique N3
00 :53.9
K.B
Z.A
01 :58.6
M.H
02 :02.3
K.B
Z.A
M.H
Cas Clinique N4
00 :23.5
00 :50.9
K.B
Z.A
M.H
Cas Clinique N5
00 :34.1
02 :13.5
K.B
Z.A
00 :36.2
Tableau 33. Tableau rcapitulatif des rsultats obtenus par les tests.
SA : Cas rsolu sans utiliser lapplication. AA : Cas rsolu laide de lapplication.
110
Chapitre V
M.H
Z.A
M.H
Z.A
M.H
K.B
Z.A
Cas Clinique 3
01:58,6 02:02,3
00:53,9
M.H
K.B
Z.A
Cas Clinique 4
00:50,9
00:23,5
00:36,2
02:13,5
00:34,1
00:50,9
K.B
Cas Clinique 2
00:52,9
AA 00:42,9
02:02,3
00:23,5
00:52,9
K.B
Cas Clinique 1
SA
AA
00:53,9
01:58,6
SA
00:42,9
V.2.4
M.H
K.B
Z.A
Cas Clinique 5
02:13,5
00:34,1
00:36,2
111
Conclusion gnrale :
Le mdecin, dans sa dmarche pour identifier le diagnostic, est confront une norme
quantit de donnes traduite par une norme charge de travail. Notre projet a eu pour objectif
la mise en place dun moyen pour allger ce volume de donnes et grer leur fiabilit tout en
laissant le mdecin appliquer le mme raisonnement clinique quauparavant.
Nous avons, dans un premier temps, prsent lenvironnement du mdecin et montr
que linformation mdicale en fait bien partie, nous avons ensuite soulev la problmatique
de lunification des termes cliniques utiliss par les praticiens que nous avons trait par
lutilisation dune terminologie mdicale assez puissante. Nous avons, dans un deuxime
temps, pos la problmatique concernant la structuration de linformation mdicale,
problmatique que nous avons approfondie et rsolue par la conception dun modle unifi
pour la structuration des informations tudies. Une fois la problmatique de structuration
carte, nous avons tablis des formules pour traiter les informations mdicales captures.
Pour couronner le tout, nous avons tabli des mthodes de reprsentation graphique,
ceci pour faciliter linterprtation des rsultats du traitement et mieux exploiter lensemble de
la solution.
Perspectives :
En tant que perspectives principale on cite la ralisation dun systme daide la
dcision mdicale capable de suggrer le diagnostic correspondant un cas clinique donn,
ceci non pas comme la plupart des systmes daide la dcision mdicale le font cest--dire
essayer dimiter le raisonnement clinique du mdecin, solution juge inutilisable par ce
dernier, mais en construisant un systme qui va puiser dans la base de donnes que nous avons
conue dans ce projet pour comparer une situation prsente une autre qui lui est assez
semblable, ce type de systme est appel systme de raisonnement partir de cas (RPC).[
Althoff 98]
Dautres perspectives en relation directe avec notre travail sont citer :
Etablir des formules pour le calcul du pattern rsultat dun groupe de patterns
observations au lieu dun seul.
112
113
Bibliographie :
-[Aitnouri 13] Elmehdi Aitnouri, Observation Patterns As the kernels of Clinical Patterns In
Primary Care , 2013.
-[Althoff 98] Klaus-Dieter Althoff, Ralph Bergmann, Stefan Wess et .al, Case-Based
Reasoning for Medical Decision Support Tasks: The INRECA Approach, In: Artificial
Intelligence in Medicine Journal, Vol. 12, No. 1, Jan. 1998, 25-41.
-[AMIA & AHIMA 07], American Medical Informatics Association, American Health
Information Management Association, Healthcare Terminologies and Classifications:
Essential Keys to Interoperability, 2007.
-[BAGAYOKO 10] Cheick Oumar BAGAYOKO, Mise en place dun Systme
dInformation Hospitalier en Afrique, Thse de doctorat. LUniversit de la Mditerrane :
DAix Marseille II, 2010, 142p.
-[CEP 11] CEP, Collge des Enseignants de Pneumologie, 12 septembre 2011
-[CEP 01] CEP, Dossiers de gastro-entrologie, 2011
-[CHF 04] California Healthcare Foundation, Clinical Data Standards Explained, 2004.
-[DANIEL-LE BOZEC 07] Dr Christel DANIEL-LE BOZEC, Dossier Patient
Informatis (DPI) : Codage de linformation mdicale , Universit Paris Descartes UMRS
872- INSERM, 2007.
-[Degoulet 04] Patrice Degoulet, Systmes dinformation hospitaliers : Dossier patient et
prescription lectronique , Facult de Mdecine Ren Descartes : Universit Paris 5, 2004.
-[Draillard 09] Francis Draillard, Premiers pas en CSS et XHTML , 2009.
-[ELKOSANTINI 10] Sabeur ELKOSANTINI, Introduction la logique floue : Les
concepts fondamentaux et applications , 2010.
-[Engels 09] Jean Engels, PHP5 Cours et exercices, 2009, ISBN : 978-2-212-12486-6.
-[Essin 93] Essin DJ. Intelligent processing of loosely structured documents as a strategy for
organizing electronic health care records. Methods Inf Med 1993.
-[Fabry 09] Paul Fabry, ISA 202 : Terminologies : Module 4 : SNOMED CT 2, Historique,
structure et contenu de la SNOMED CT , Facult de mdecine et des sciences de la sant Universit de Sherbrooke, 2009.
-[Fauci 13] Fauci A, & al. Featuring the complete contents of harrison's principles of internal
medicine, 17e (http://www.accessmedicine.com/).
114
-[Franck 07] Franck Valle, Pascal Roques, UML 2 en action De lanalyse des besoins la
conception . Paris : Eyrolles, 2007.
-[Garets & Davis 06] Dave Garets & Mike Davis, EMRvs. EHR: Definitions, Electronic
Medical Records vs. Electronic Health Records: Yes, There Is a Difference , HIMSS
Analytics, 2006, 14p.
-[Genaud 05] Stphane Genaud, Introduction a JavaScript , 2005.
-[Gill 04] Stphane Gill, Le serveur Web : Apache , 2004.
-[Glehen 11] professeur Glehen , Cas clinique dhpato Gastro Entrologie , 2011.
-[Grant 09] Andrew Grant, Elmehdi Aitnouri, Data treatment for pattern extraction ,
September 2009.
-[Grin 06] Richard Grin, Langage SQL version 5.4.5 du polycopi , Universit de Nice
Sophia-Antipolis, 9 dcembre 2006.
-[Grin 06] Richard Grin, Langage SQL version 5.4.5 du polycopi , Universit de Nice
Sophia-Antipolis, 9 dcembre 2006.
-[HONNORAT 09] Charles HONNORAT, L'approche clinique en Mdecine Gnrale
Rennes, 2009, 18p.
-[IBM 08] IBM Global Business Services, Healthcare 2015 and care delivery , 2008, 32p.
-[ICIS 12] Institut canadien d'information sur la sant (ICIS), CIM-10 : classification
statistique internationale des maladies et des problmes de sant connexes , volume 1, 2012,
1028p, ISBN 1-55392-808-3.
[IHTSDO 08] International Health Terminology Standards Development Organisation,
SNOMED Clinical Terms Basics, Aout 2008.
-[IHTSDO 11] International Health Terminology Standards Development Organisation,
SNOMED CT Technical Implementation Guide, Juillet 2011.
-[IHTSDO 13] International Health Terminology Standards Development Organisation,
SNOMED CT Technical Implementation Guide, Janvier 2013.
-[Innocent 04] Innocent PR, John I. Computer aided fuzzy medical diagnosis. Information
Sciences 2004;162:81,81-104.
-[Jamoulle 10] Marc Jamoulle, Some views about SNOMED-CT by a General Practitioner :
Report to SEMINOP (Belgian Ministry of Health), Belgian, juillet 2010.
115
-[Kim 05] Katherine Kim, Categories of Standards, Clinical Data Standards in Health Care:
Five Case Studies, CALIFORNIA, July 2005, 27p.
-[KOHLER 02] Franois KOHLER, Les Classifications et Nomenclatures mdicales
-[Lusignan 03] Lusignan S, Wells S, Hague N, Thiru K. Managers see the problems associated
with coding clinical data as a technical issue whilst clinicians also see cultural barriers.
Methods Inf Med 2003.
-[LYCEE KOEBERLE 11] LYCEEKOEBERLESELESTAT, Cours Annexe : LES
GRAPHIQUES STATISTIQUES , 2011.
-[MySQL AB 09] MySQL AB, MySQL 5.0 Reference Manual , 2009.
-[OMS 08] Organisation mondiale de la Sant (OMS), CIM-10 : classification statistique
internationale des maladies et des problmes de sant connexes , volume 2, 2008, 234p,
ISBN 978 92 4 254766 5.
-[Perlis 05] Perlis LM, Jungquist C. Cognitive behavioral treatment of insomnia: a sessionby-session guide. Springer, 2005.
-[Roques 08] Roques Pascal, Les cahiers du programmeur UML2. Paris : Eyrolles , 2008.
-[Seising 06] Seising R. From vagueness in medical thought to the foundations of fuzzy
reasoning in medical diagnosis. Artificial intelligence in medicine 2006;38:237-256.
-[Steimann 00] Steimann F, Adlassnig KP. Fuzzy medical diagnosis. 2000.
-[Tibiche 08] Dr Arezki Tibiche, Matre-assistant en Epidmiologie, Reprsentation
graphique des donnes , 2008.
-[Yager 97] Yager R. A general approach to the fusion of imprecise data. International Journal
of Intelligent Systems 1997;12(1):1-29.
-[Zadeh 65] Zadeh LA. Fuzzy sets. Information & control 1965;8:338,338-353.
-[Zadeh 69] Zadeh LA. Biological application of the theory of fuzzy sets and systems. Proc.
of int. Symp. Biocybernetics of the Central Nervous System (Little, Brown & Co., Boston)
1969:199-212.
-[Zweigenbaum 98] Pierre Zweigenbaum, Terminologie, Encoder linformation mdicale :
des terminologies aux systmes de reprsentation des connaissances , 23 p, Universit Paris
6,1998.
116
Webographie :
-[CFPC 13] The College of Family Physicians of Canada, PRIMARY CARE Toolkit FOR
FAMILY PHYSICIANS [en ligne], disponible sur http://toolkit.cfpc.ca/fr/informationtechnology/electronic-medical-record.php , consult le (24/02/2013).
-[Gartner 13] Gartner, IT Glossary [en ligne], disponible sur http://www.gartner.com/itglossary/cdo-care-delivery-organization/ , consult le (27/02/2013).
-[GDT 13] Office qubcois de la langue franaise, Le grand dictionnaire terminologique
(GDT) [en ligne], disponible sur http://gdt.oqlf.gouv.qc.ca , (consult le 08/02/2013).
-[IHTSDO 13] International Health Terminology Standards Development [En ligne],
disponible sur http:// www.ihtsdo.org , (consult le 09/05/2013).
-[insa-lyon 13] Institut National des Sances Appliques de Lyon, insa-lyon [en ligne],
disponible sur http://agbo.insa-lyon.fr/ressources/fichier/SIH.pdf , consult le (13 janvier
2013).
-[Mediboard 13] Mediboard, Systme d'Information Hospitalier [enligne], disponible sur
http://www.mediboard.org/public/Syst%C3%A8me+d%27Information+Hospitalier
consult le (11/02/2013).
-[Php 13] www.php.net/manual/fr/preface.php, consult le : 8/9/2013.
-[UNILIM 13] Universit de Limoges, France, [en ligne]www.unilim.fr/campu neuroc
hirurgie/, consult le 08/09/2013.
-[UTC 13] Universit de Technologie de Compigne, assistant biomdical en ingnierie
hospitalire [En ligne], disponible sur http://www.utc.fr/tsibh , (consult le 15/01/2013).
117