Titre original :

Apport du machine learning en simulation médicale : une étude exploratoire de détection du stress en simulation faute fidélité sur le centre présage

Mots-clés en français :
  • Simulation en santé
  • détection du stress
  • pédagogie médicales
  • reconnaissance affective

  • Médecine -- Étude et enseignement -- Simulation, Méthodes de
  • Stress
  • Formation par simulation
  • Stress psychologique
  • Langue : Français
  • Discipline : Médecine. Psychiatrie
  • Identifiant : 2023ULILM059
  • Type de thèse : Doctorat de médecine
  • Date de soutenance : 04/04/2023

Résumé en langue originale

Contexte : Le centre de simulation en santé PRESAGE de la faculté de médecine de Lille se donne pour mission de former les étudiants et les professionnels durant des simulations dites en hautefidélité. Point crucial dans le processus d’apprentissage, les débriefings reposent historiquement sur des méthodes d’analyse subjective des différentes séquences de simulation. En étudiant les phénomènes de stress inhérent à la simulation haute-fidélité, le projet ASH – Adaptative Simulation in Heathlcare – se donne pour objectif d’identifier de manière objective l’activation du système de stress des apprenants durant des séquences de simulation afin d’améliorer la qualité des débriefings et ainsi développer une approche centrée sur le vécu interne des étudiants. Méthode : En partenariat avec le laboratoire CRISTAL (Centre de Recherche en Informatique, Signal et Automatique de Lille) une étude prospective exploratoire a été menée durant les années universitaires 2020-2022. Des internes et des étudiants en santé ont été inclus au volontariat lors de session de simulation sur l’évaluation du risque suicidaire et la gestion d’une agitation. Un dispositif portable non invasif de type EMPATICA© a permis d’enregistrer des variables physiologiques comprenant la conductance électrodermale (AED), la température corporelle (TEMP) et la variabilité du rythme cardiaque (HRV) des participants. L’entraînement de l’algorithme s’est appuyé sur les données publiques WESAD comprenant 15 sujets enregistrés dans des conditions expérimentales. Les résultats de notre méthode de classification ont été confrontés à un ensemble de mesures subjectives répétées afin de contrôler la vérité de terrain. À partir de l’ensemble de ces données, le projet s’est articulé autour de quatre grandes étapes : le développement d’un algorithme de détection intégrant des données multimodales, le contrôle de la vérité de terrain, la création d’une interface graphique, et un test en condition réelle. Résultats : Nous avons développé un algorithme de classification des séquences de simulation en utilisant un cadre géométrique riemannien associé à un réseau de neurones artificiel de type Long Short Term Memory (LSTM). La méthode s’est révélée conforme à l’état de l’art avec un taux de précision de 93,47% et un F1 Score de 93,25%. L’utilisation exploratoire de l’interface en condition réelle a montré un niveau de satisfaction positif. Conclusion : Il s’agit d’une première preuve de concept de la faisabilité et de l’utilité d’une méthode de détection du système de stress se basant sur un cadre géométrique riemannien. Néanmoins, la généralisation de ces méthodes reste limitée par des concepts trop permissifs et des modèles expérimentaux n’intégrant pas suffisamment la dimension contextuelle des signaux. Enfin l’acceptabilité dans le domaine de la pédagogie nécessite une réflexion éthique attentive.

  • Directeur(s) de thèse : Amad, Ali

AUTEUR

  • Denis, Thibaut
Droits d'auteur : Ce document est protégé en vertu du Code de la Propriété Intellectuelle.
Accès libre