Vers une méthode d’acquisition et d’analyse de données pour le dépistage précoce de la maladie d’Alzheimer dans un environnement intelligent
Notice bibliographique
Résumé
Dans les pays développés comme le Canada, on remarque de plus en plus un vieillissement de la population et parallèlement une augmentation du nombre de personnes atteintes de déficiences cognitives. La cause la plus répandue est la démence de type Alzheimer (DTA), aussi connue sous le nom de maladie d’Alzheimer. Les incapacités cognitives causées par la DTA entraînent des difficultés dans les Activités Instrumentales de la Vie Quotidienne (AIVQ). Certains chercheurs considèrent qu'il existe des marqueurs cognitifs propres à la DTA, c’est-à-dire que les personnes atteintes peuvent présenter des difficultés cognitives observables lors de la réalisation de tâches complexes bien des années avant son diagnostic. Un habitat intelligent, muni de capteurs de mouvements, débitmètres, capteurs de contacts pour portes et tiroirs, permet de mesurer divers aspects de la performance dans la vie quotidienne lors de la réalisation d’une AIVQ. \n \nPartant de ce constat, nos travaux explorent comment des habitats intelligents pourraient permettre de détecter la DTA de façon précoce. Dans cette optique, nous proposons une méthodologie expérimentale rigoureuse. Tout d’abord, nous avons conçu, implémenté et déployé un système d’acquisition de données hétérogènes fiable intégrant réseaux de capteurs variés, vidéos de l'expérimentation et annotations de l'expérimentateur. Ensuite, nous avons exploré divers algorithmes de classification pour distinguer trois catégories de participants : sans troubles cognitifs, avec troubles cognitifs légers et avec DTA. Bien que l’acquisition des données soit complexifiée par la multiplication des sources, notre approche permet la validation des données acquises. Cet aspect est important car la qualité de ces données, acquises lors des expérimentations, influence grandement la performance des algorithmes de classification. \nFinalement, ce projet étudie comment réaliser et comparer les données et les résultats d’expérimentations menées sur des sites différents en termes de configuration spatiale, de densité et de positionnement des capteurs. C’est pourquoi des expérimentations avec des personnes âgées se sont déroulées aux laboratoires DOMUS (Sherbrooke) et du CRIUGM (Montréal). Les expérimentations ont utilisé le même protocole d’expérimentation où des participants ont eu un temps déterminé pour réaliser la même liste de tâches. Les participants ont été recrutés et séparés en trois groupes selon leur diagnostic : sujets sains, sujets atteints d’un trouble cognitif léger (TCL) et sujets atteints de démence de type Alzheimer (DTA). Les données recueillies ont ensuite été annotées et traitées en vue d’une analyse à l’aide de techniques d’apprentissage automatique. Une première approche de classification par arbre de décision simple a permis d’observer une différence significative entre les données d’expérimentation des personnes saines et celles des personnes TCL. Par contre, aucune différence claire n’est apparue entre les personnes DTA et les autres catégories. En conclusion, d’autres représentations de données et d’autres algorithmes sont toujours en cours d’exploration par d’autres membres de notre équipe. Les résultats préliminaires semblent prometteurs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».