Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Les systèmes ubiquitaires, ayant de nombreux avantages, impactent ces dernières décades, le monde de la recherche dans le domaine de suivi des patients. Cette évolution se matérialise par de nombreuses applications contextuelles qui ont pris de l'ampleur dans différents domaines de recherche en général et spécifiquement dans le domaine médical. L'une des caractéristiques essentielles, d’un système ubiquitaire exploité dans le domaine de la recherche médicale, est la combinaison d’un contexte avec des services logiciels via des mécanismes d’adaptations basés sur des méthodes de raisonnement et des algorithmes d’intelligence artificielle. Dans le domaine médical, particulièrement dans la surveillance des patients souffrant de la maladie pulmonaire obstructive chronique (MPOC), cette combinaison offre en effet, la possibilité de proposer des modèles d’adaptation d’applications contextuelles capables de réaliser: i) la prédiction des exacerbations, ii) la classification de patients MPOC avec COVID-19 et patients MPOC avec exacerbation, iii) la détection des cas suspects de COVID-19, iv) la surveillance de la santé des patients et le suivi de violation de la qualité de service (QoS) des systèmes de surveillance médicale et ce, malgré de nombreux défis. Les patients MPOC et le personnel médical dans un contexte de COVID-19 font face à de nombreux défis : i) le taux de mortalité élevé des patients MPOC vs patients non MPOC ; ii) les complications ou exacerbations post-hospitalisation, iii) la difficulté de distinguer les patients MPOC selon les symptômes (exacerbations et COVID-19) et iv) l’existence des incidents dans les systèmes de surveillance médicale. Pour remédier à ces problèmes, des approches de solutions sont proposées dans la littérature scientifique cependant elles ont plusieurs limites. Parmi ces limites, on cite l’absence de contexte dynamique de patients MPOC dans les mécanismes proposés. En outre, nous partons de l’hypothèse que les mécanismes d’adaptation basés sur les ontologies et des modèles de prédiction de Machine Learning sont des voies de solutions pour les problèmes en lien avec la surveillance des patients et QoS des systèmes de surveillance dans le domaine MPOC. L’objectif poursuivi dans cette thèse, est la conception de mécanismes d’adaptation des applications contextuelles pour aider d’une part, les patients MPOC contre les exacerbations et la pandémie de COVID-19, et d’autre part, améliorer la qualité de service (QoS) des systèmes informatiques de surveillance médicale des patients MPOC. En effet, dans cette thèse nous proposons de nouveaux mécanismes d'adaptation capables de réaliser dynamiquement, au moyen des algorithmes de Machine Learning, la prédiction d’exacerbation et la classification des patients MPOC en trois catégories (exacerbation, covid-19, normal). Nous proposons, pour améliorer la qualité de services (QoS) des systèmes de surveillance informatique des patients MPOC, un modèle de QoS utilisant le SLA et une ontologie (COPDViolationSLaOntology) est proposé pour le contrôle dynamique des incidents. Un patron de qualité de service (QoS) pour garantir le niveau de service des applications contextuelles en cas d’incident complète l'ensemble des mécanismes. Par ailleurs, un mécanisme d'adaptation pour la détection dynamique des cas suspects de COVID-19 parmi les patients MPOC basé sur une ontologie (SuspectedCOPDcoviDOlogy) Les différents mécanismes d'adaptations (prédiction, classification et détection) proposés ont démontré des résultats prometteurs (taux de précision 83%).

The ubiquitous systems, having many advantages, have impacted in the last decades, the world of research in the field of patient monitoring. This evolution is materialized by numerous contextual applications that have grown in different research fields in general and specifically in the medical field. One of the essential characteristics of a ubiquitous system exploited in the field of medical research is the combination of a context with software services via adaptation mechanisms based on reasoning methods and artificial intelligence algorithms. In the medical domain, particularly in the monitoring of patients suffering from a chronic obstructive pulmonary disease (COPD), this combination offers indeed, the possibility to propose adaptation models of contextual applications able to perform: (i) prediction of exacerbations, (ii) classification of COPD patients with COVID-19 and COPD patients with exacerbations, (iii) detection of suspected COVID-19 cases, (iv) patient health monitoring and quality of service (QoS) violation monitoring of medical monitoring systems and this despite many challenges. COPD patients and medical staff in a COVID-19 setting face many challenges: i) the high mortality rate of COPD vs. non-COPD patients; ii) post-hospitalization complications or exacerbations, iii) the difficulty in distinguishing COPD patients by symptoms (exacerbations and COVID-19) and iv) the existence of incidents in medical monitoring systems. To remedy these problems, solution approaches are proposed in the scientific literature, but they have limitations. Among these limitations, we cite the absence of a dynamic context of COPD patients in the proposed mechanisms. Furthermore, we assume that adaptation mechanisms based on ontologies and Machine Learning prediction models are possible solutions for problems related to patient monitoring and QoS of monitoring systems in the COPD domain. The objective of this thesis is the design of adaptation mechanisms of contextual applications to help, on the one hand, COPD patients against exacerbations and pandemic of COVID-19, and on the other hand, to improve the quality of service (QoS) of computerized medical monitoring systems of COPD patients. Indeed, in this thesis we propose new adaptation mechanisms able to dynamically perform, by means of Machine Learning algorithms, the prediction of exacerbation and the classification of COPD patients into three categories (exacerbation, covid-19, normal). To improve the quality of service (QoS) of computerized COPD patient monitoring systems, we propose a QoS model using SLA and an ontology (COPDViolationSLaOntology) which is used for dynamic incident control. A Quality of Service (QoS) pattern to guarantee the service level of contextual applications in case of an incident completes the set of mechanisms. Furthermore, an adaptation mechanism for dynamic detection of suspected COVID-19 cases among COPD patients based on an ontology (SuspectedCOPDcoviDOlogy). The different adaptation mechanisms (prediction, classification, and detection) proposed have shown promising results (83% accuracy rate).