Capteurs dans le domaine de la santé – Données de capteurs et algorithmes (2e partie)

Les personnes âgées se déplacent souvent de manière instable et peuvent facilement tomber et se blesser. Pour éviter cela, des capteurs pourraient enregistrer et analyser les schémas de mouvement et avertir des risques. C’est ce qu’étudient les chercheurs de la Haute école spécialisée bernoise dans le domaine de l’innovation en santé numérique. Dans la première partie, nous avons abordé les possibilités et les défis liés à cette technologie; dans la deuxième partie, l’équipe de recherche se penche sur son application pratique.

Les chercheurs de l’Applied Research & Development Nursing BFH étudient la manière dont les technologies affectent les soins et les avantages qui en découlent pour les patients et les professionnels de la santé. Le groupe de recherche est partenaire du projet RAMOS d’Innosuisse. Il étudie comment les personnes concernées/impliquées acceptent la technologie en termes de.. :

1. solution basée sur des capteurs pour le suivi des patients
2. algorithmes basés sur des données de capteurs pour l’analyse de la mobilité.

Dans le cadre d’un projet interdisciplinaire, les chercheurs développent cette technologie ainsi que le produit existant.

D’énormes quantités de données et la possibilité de les utiliser

Ces dernières années, le développement de systèmes de production de données a progressé rapidement. Par conséquent, nous disposons aujourd’hui d’un nombre incalculable de sources de données, telles que les capteurs des smartphones, les dispositifs portables tels que les trackers de fitness, les caméras de surveillance, les capteurs environnementaux, les machines de production et bien d’autres encore. De nouvelles opportunités apparaissent, comme les systèmes de capteurs qui ont été développés à l’origine dans des industries non spécialisées telles que l’automobile et qui sont maintenant appliqués dans le secteur de la santé. L’une de ces applications dans le domaine de la médecine et des soins est l’enregistrement continu des paramètres vitaux (Rebsamen, 2021) ou des schémas de mouvement (Alanazi et al., 2022).

Parallèlement à la disponibilité de grandes quantités de données, la vitesse de traitement de celles-ci a également augmenté. C’est là que la science des données et l’apprentissage automatique entrent en jeu. Cette évolution a été catalysée par la disponibilité rapide et importante d’ordinateurs à haute performance. Les offres en nuage ne simplifient pas seulement l’accès au matériel haute performance, mais elles permettent également d’abstraire et d’automatiser des parties entières du cycle de vie de la science des données (Haertel et al., 2022), comme dans le nuage Azure et avec d’autres grands fournisseurs de nuage. Sous le mot-clé MLOps, les données sont traitées automatiquement, les modèles d’apprentissage automatique sont formés, intégrés dans des environnements d’exécution et surveillés (John et al., 2021). Outre le cycle de vie, des modèles pré-entraînés peuvent également être obtenus à partir de diverses plateformes, telles que Hugging Face, et utilisés conformément aux licences respectives (Han et al., 2021 ; Bommasani et Al., 2021). La combinaison des ensembles de données disponibles et la possibilité de les utiliser efficacement débouchent sur de nombreux domaines d’application, tant dans la recherche que dans la pratique. L’un de ces domaines est le produit « QUMEA Care », dont le développement se poursuit dans le cadre du projet RAMOS d’Innosuisse.

QUMEA Care – surveillance intelligente des patients

Le partenaire industriel du projet QUMEA est une start-up soleuroise qui a développé la solution « QUMEA Care » basée sur un radar pour la surveillance des patients et qui la perfectionne en permanence. Le système se compose de capteurs radar à haute résolution qui sont montés au plafond de la chambre du patient et disposent ainsi d’un bon champ de vision de la zone à surveiller. Grâce à cette technologie radar innovante, la vie privée des patients et du personnel soignant est protégée de manière optimale, tandis que la sécurité des patients et des résidents est renforcée. Le capteur radar ne génère pas d’images ou d’enregistrements sonores, mais uniquement des données de mouvement. Celles-ci sont converties sur le capteur en nuages de points – un ensemble de points dans un espace tridimensionnel – et envoyées à une application en nuage qui les évalue en temps réel. L’évaluation consiste en une structure multicouche basée sur divers algorithmes et modèles d’apprentissage automatique. Si les algorithmes détectent un événement spécifique, tel qu’une chute ou un patient qui tente de se lever, le personnel soignant en est informé via une application smartphone et une infirmière peut prendre en charge le patient immédiatement.

Projet RAMOS – Analyse de la mobilité par radar

Le projet RAMOS a été présenté dans la première partie de cette série d’articles. Il est important de mentionner ici qu’une équipe de projet interdisciplinaire travaille ensemble. Tandis que les ingénieurs biomédicaux extraient le maximum d’informations des données du capteur et développent des algorithmes pour pouvoir reconnaître des mouvements et des activités plus complexes de la vie quotidienne (ce que l’on appelle les activités de la vie quotidienne, ADL), les experts en soins infirmiers et en logiciels se concentrent sur l’acceptation de la technologie par les utilisateurs, le codéveloppement des algorithmes et l’intégration dans la solution existante « QUMEA Care ».

Travailler avec des données réelles sur le terrain

Dans le cadre du projet RAMOS, il est possible d’installer les capteurs chez des partenaires de pratique. Ces partenaires sont de véritables établissements de soins aigus et de longue durée. Une fois les capteurs installés et mis en service par QUMEA, les données de mouvement dans les pièces correspondantes sont enregistrées. Contrairement aux conditions de laboratoire contrôlées, cette collecte de données basée sur la réalité permet non seulement d’analyser des séquences de mouvements simples et des postures corporelles telles que marcher, s’asseoir ou s’allonger, mais aussi des AVQ complexes jusqu’à l’interaction entre au moins deux personnes, par exemple lors de l’exécution d’une mesure de soins infirmiers.

L’objectif du projet RAMOS étant d’observer les patients sur une période plus longue, en particulier dans un environnement de longue durée, et d’analyser leur comportement en matière de mobilité, le dossier du patient et les données recueillies de manière qualitative constituent d’autres sources d’information importantes, en plus des données des capteurs. La combinaison de ces données vise à analyser, par exemple, l’influence des médicaments, des traitements ou des mesures de soins sur le comportement en matière de mobilité. Les données qualitatives recueillies par le biais d’entretiens et de groupes de discussion seront utilisées pour l’acceptation de la technologie QUMEA Care(voir partie 1).

Divergence entre la théorie et la pratique

Dans le domaine du traitement des données de capteurs, de nombreuses études récentes présentent des résultats remarquables, tels que des précisions très élevées dans la reconnaissance des personnes et de leurs modèles de mouvement, compte tenu du temps de calcul effectif (voir par exemple Lee et al., 2022 ou Zhao et al., 2019). Toutefois, ces résultats ont souvent été obtenus dans des conditions d’essai spécifiques. Dans ces conditions d’essai contrôlées, d’une part, la taille des essais est souvent gérable et, d’autre part, certaines conditions-cadres sont connues, par exemple les schémas de mouvement d’un nombre connu de personnes. L’un des principaux défis liés au traitement des données issues de situations réelles consiste donc à leur fournir les informations supplémentaires nécessaires, ce qui est particulièrement indispensable pour l’apprentissage automatique supervisé. On parle également d’étiquetage ou de données « étiquetées ». Par exemple, l’ensemble de données devrait idéalement contenir des informations sur l’heure à laquelle la mesure de soins a été effectuée et sur le nombre de personnes qui se trouvaient effectivement dans la salle enregistrée à un moment donné. L’étiquetage implique des efforts considérables – en particulier pour les données provenant d’un environnement réel, c’est-à-dire non contrôlé – car la situation respective doit être comprise, évaluée et ensuite documentée. Dans l’idéal, c’est le personnel soignant qui s’en charge, car il connaît la situation réelle sur place. Dans la pratique, cependant, il est difficile de mettre en œuvre cette mesure, car les infirmières sont responsables des soins aux patients et n’ont pas la capacité d’effectuer ce travail supplémentaire. Il faut donc trouver des moyens d’enregistrer efficacement le moment et l’endroit où se produisent certaines situations ou certains événements (par exemple, mobilisation dans la chambre, changement de stomie, entraînement de la vessie, aide à l’alimentation ou à l’administration de médicaments) afin que les données brutes des capteurs puissent être enrichies de ces informations supplémentaires et servir ainsi de données d’entrée optimales pour l’apprentissage automatique.

Convertir les algorithmes en un produit applicable

Le développement et l’intégration d’algorithmes dans le produit existant « QUMEA Care » se font essentiellement de deux manières dans le cadre du projet RAMOS d’Innosuisse :

• D’une part, il existe des algorithmes basés sur les données de capteurs enregistrées dans le cadre de cette étude – comme décrit ci-dessus – notamment en ce qui concerne la détection des AVQ et l’analyse de la mobilité à long terme des patients et des résidents. Toutefois, ces algorithmes ne peuvent être développés et intégrés dans le produit qu’une fois la phase d’enregistrement des données achevée et que les données ont été étiquetées et traitées, analysées et que des modèles d’apprentissage automatique supervisés adéquats ont été formés.
• D’autre part, il existe également une partie générique des algorithmes qui est optimisée en fonction des objectifs du projet. Les algorithmes concernés ne sont pas basés sur des modèles d’apprentissage automatique supervisé et n’ont donc pas besoin des données de capteurs enregistrées et des étiquettes associées. Les concepts appliqués ici proviennent du domaine de l’apprentissage non supervisé. Par exemple, les nuages de points mentionnés précédemment sont regroupés en objets apparentés très tôt dans le traitement des données de capteurs dans l’application en nuage à l’aide d’algorithmes de regroupement adaptés à la situation (Xu et al., 2015), qui servent d’entrée à d’autres algorithmes. Ces algorithmes traitent ensuite, par exemple, le nettoyage des points de mouvement non pertinents (ce que l’on appelle le filtrage du bruit, comme dans Mafukidze et al., 2022) et le suivi de plusieurs personnes dans la pièce (ce que l’on appelle le suivi de plusieurs personnes, comme dans Zhao et al., 2019).

De par la nature d’un projet Innosuisse, le projet RAMOS vise également à intégrer les résultats dans un produit, en l’occurrence « QUMEA Care ». Cela comprend les algorithmes développés ainsi que la production de connaissances concernant l’acceptation de la technologie par le personnel soignant et les patients.

Pour les algorithmes, il faut s’assurer avant l’intégration que les données provenant d’un nombre de capteurs bien plus important que ceux utilisés dans l’étude peuvent être traitées dans un délai acceptable. Nous parlons ici de performance en termes de temps de calcul et d’évolutivité en termes de nombre de capteurs qui fournissent des données. En effet, une exécution efficace est essentielle pour pouvoir proposer des améliorations de produits commerciaux basées sur les algorithmes.

Les conclusions sur l’acceptation des technologies permettent, entre autres, de modifier le produit lui-même, par exemple pour améliorer l’expérience de l’utilisateur et donc l’acceptation. Cependant, il est également important d’avoir un aperçu des processus de mise en œuvre de « QUMEA Care ».

Cet article est la deuxième partie d’une série de plusieurs articles. Dans la prochaine partie, vous en apprendrez plus sur la suite du projet RAMOS.

Littérature

1. Han et al., 2021, Pre-trained models : past, present and future https://arxiv.org/abs/2106.07139
2. Bommasani et al., 2021, On the Opportunities and Risks of Foundation Models https://arxiv.org/abs/2108.07258
3. Xu et al. 2015, A Comprehensive Survey of Clustering Algorithms (Enquête exhaustive sur les algorithmes de regroupement)
   https://link.springer.com/article/10.1007/s40745-015-0040-1
4. Haertel et al, 2022, Toward a Lifecycle for Data Science : A Literature Review of Data Science Process Models
   https://www.researchgate.net/publication/365223374_Toward_a_Lifecycle_for_Data_Science_A_Literature_Review_of_Data_Science_Process_Models_Completed_Research_Paper
5. John et al, 2021, Towards MLOps : A Framework and Maturity Model (Vers les MLOps : un cadre et un modèle de maturité)
   https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9582569
6. Rebsamen, 2021, Automated Heart Rate Monitoring using UWB Radar (Surveillance automatisée de la fréquence cardiaque à l’aide d’un radar UWB)
   https://bfh.easydocmaker.ch/search/abstract/2814/
7. Alanazi et al, 2022, Towards a Low-Cost Solution for Gait Analysis Using MillimeterWave Sensor and Machine Learning (Vers une solution à faible coût pour l’analyse de la démarche à l’aide d’un capteur à ondes millimétriques et de l’apprentissage automatique)
   https://pubmed.ncbi.nlm.nih.gov/35897975/
8. Lee et al, 2022, Improving Human Activity Recognition for Sparse Radar Point Clouds : A Graph Neural Network Model with Pre-Trained 3D Human-Joint Coordinates (Un modèle de réseau neuronal graphique avec des coordonnées 3D pré-entraînées des articulations humaines)
   https://www.mdpi.com/2076-3417/12/4/2168
9. Zhao et al, 2019, mID : Tracking and Identifying People with Millimeter Wave Radar (Suivi et identification des personnes avec un radar à ondes millimétriques)
   https://ieeexplore.ieee.org/document/8804831
10. Mafukidze et al, 2022, Scattering Centers to Point Clouds : A Review of mmWave Radars for Non-Radar Engineers (Examen des radars à ondes millimétriques pour les ingénieurs non radar)
    https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9908570