Note ABES Adaptive time-aware LSTM for predicting and interpreting ICU patient trajectories from irregular data L'adaptation de LSTM aux données collectées à des fréquences irrégulières pour faire des prédictions dans le contexte de la réanimation médicale EHR LSTM Irrégularité temporelle Modélisation de la trajectoire de santé du patient Médecine prédictive personnalisée Prédiction de la mortalité et de la durée de séjour Prévision des séries temporelles EHR LSTM Timing Irregularity Patient's health trajectory modeling Personalized predictive medicine Mortality and Length of stay Prediction Time series forecasting 006 610 Informatique médicale Médecine prédictive Médecine personnalisée En médecine prédictive personnalisée, modéliser avec précision la maladie et les processus de soins d'un patient est crucial en raison des dépendances temporelles à long terme inhérentes. Cependant, les dossiers de santé électroniques (DSE) se composent souvent de données épisodiques et irrégulières, issues des admissions hospitalières sporadiques, créant des schémas uniques pour chaque séjour hospitalier.Par conséquent, la construction d'un modèle prédictif personnalisé nécessite une considération attentive de ces facteurs pour capturer avec précision le parcours de santé du patient et aider à la prise de décision clinique.LSTM sont efficaces pour traiter les données séquentielles comme les DSE, mais ils présentent deux limitations majeures : l'incapacité à interpréter les résultats des prédictions et à prendre en compte des intervalles de temps irréguliers entre les événements consécutifs. Pour surmonter ces limitations, nous introduisons de nouveaux réseaux neuronaux à mémoire dynamique profonde appelés Multi-Way Adaptive et Adaptive Multi-Way Interpretable Time-Aware LSTM (MWTA-LSTM etAMITA), conçus pour les données séquentielles collectées de manière irrégulière.L'objectif principal des deux modèles est de tirer parti des dossiers médicaux pour mémoriser les trajectoires de maladie et les processus de soins, estimer les états de maladie actuels et prédire les risques futurs, offrant ainsi un haut niveau de précision et de pouvoir prédictif. In personalized predictive medicine, accurately modeling a patient's illness and care processes is crucial due to the inherent long-term temporal dependencies. However, Electronic Health Records (EHRs) often consist of episodic and irregularly timed data, stemming from sporadic hospital admissions, which create unique patterns for each hospital stay. Consequently, constructing a personalized predictive model necessitates careful consideration of these factors to accurately capture the patient's health journey and assist in clinical decision-making. LSTM networks are effective for handling sequential data like EHRs, but they face two significant limitations: the inability to interpret prediction results and to take into account irregular time intervals between consecutive events. To address limitations, we introduce novel deep dynamic memory neural networks called Multi-Way Adaptive and Adaptive Multi-Way Interpretable Time-Aware LSTM (MWTA-LSTM and AMITA) designed for irregularly collected sequential data. The primary objective of both models is to leverage medical records to memorize illness trajectories and care processes, estimate current illness states, and predict future risks, thereby providing a high level of precision and predictive power. Electronic Thesis or Dissertation Text en PDF 8615504 https://publication-theses.unistra.fr/public/theses_doctorat/2024/CISSOKO_MamadouBenHamidou_2024_ED269.pdf https://theses.hal.science/tel-04803801 https://theses.fr/2024STRAD012/abes https://theses.hal.science/tel-04803801 https://theses.hal.science/tel-04803801 https://theses.hal.science/tel-04803801 Cissoko Mamadou Ben Hamidou 1992-08-09 FR 275554155 03OAVU04091 22022512 4200018 https://theses.fr/2024STRAD012 2024STRAD012 https://doi.org/10.70675/bf8e00b4za732z4d6az8383z0fba65007b86 2024-10-23 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Lachiche Nicolas MADS_DIRECTEUR_DE_THESE_1 145162761 Weber Jonathan MADS_PRESIDENT_DU_JURY 160604311 Sinoquet Christine MADS_MEMBRE_DU_JURY_1 033239029 Bringay Sandra MADS_RAPPORTEUR_1 11360016X Guyet Thomas MADS_RAPPORTEUR_2 171949307 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 ddc:610 Lachiche Nicolas Weber Jonathan Sinoquet Christine Bringay Sandra Guyet Thomas École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 8615504 restriction 2024-10-23 2024-11-25 restriction 2024-10-23 2024-11-25