<\/p>\n
Figure 1 : Exemple d’un cycle de d\u00e9marche<\/h3>\n
![\"D\u00e9monstration](\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2019\/06\/schema_gaitcycle.jpg\")
<\/p>\n
(CEN, 2016)<\/p>\n
<\/p>\n
Pour cela, un consortium de trois partenaires a \u00e9t\u00e9 cr\u00e9\u00e9. Le laboratoire Willy Tallard de kin\u00e9siologie aux HUG, men\u00e9 par\u00a0le Docteur St\u00e9phane Armand<\/a>, collabore avec son expertise m\u00e9tier et c’est le responsable pour la g\u00e9n\u00e9ration de donn\u00e9es pertinentes. Le groupe BIOROB<\/a> de l\u2019EPFL, dirig\u00e9e par le Professeur Auke Ijspeert<\/a>, et son but est de d\u00e9velopper un mod\u00e8le neuro-musculaire de pathologies de la marche. De part leur expertise, le groupe DMML<\/a>,\u00a0men\u00e9 par le Professeur Alexandros Kalousis<\/a>, permettra d’exploiter des donn\u00e9es gr\u00e2ce \u00e0 leur exp\u00e9rience dans le domaine du\u00a0machine learning<\/em>.<\/p>\n Un nombre cons\u00e9quent de donn\u00e9es, qui d\u00e9pend du probl\u00e8me, est n\u00e9cessaire afin d\u2019assurer une bonne performance des algorithmes de pr\u00e9dictions statistiques. Or, le jeu de donn\u00e9es actuellement disponible r\u00e9pertorie seulement quelques centaines de patients.<\/p>\n Le mod\u00e8le neuro-musculaire qui sera d\u00e9velopp\u00e9 par le groupe BIOROB<\/a>\u00a0pourra \u00eatre utilis\u00e9 pour comprendre ces pathologies afin d’aider les m\u00e9decins sp\u00e9cialistes dans la prise de d\u00e9cision. De plus, il pourra \u00eatre utilis\u00e9 pour g\u00e9n\u00e9rer des donn\u00e9es suppl\u00e9mentaires pour alimenter les analyses de donn\u00e9es ou l’entra\u00eenement des algorithmes d’apprentissage automatique.<\/p>\n Chaque patient poss\u00e8de plus de 200 mesures qui lui sont propres. Ceux-ci sont caract\u00e9ris\u00e9s par des identifiants uniques dans le but de les distinguer malgr\u00e9 l’anonymisation des donn\u00e9es. D’autres donn\u00e9es plus classiques sont \u00e9galement pr\u00e9sentes comme l’\u00e2ge, le sexe, le poids, la masse musculaire, etc. Ensuite, nous avons d’autres mesures plus li\u00e9es au m\u00e9tier : la longueur des membres (pieds, genoux, chevilles, jambes) d\u00e9finie en millim\u00e8tres, l’amplitude de mouvement (genoux, anches, chevilles) repr\u00e9sent\u00e9es en angles et bien d’autres encore.<\/p>\n <\/p>\n Trente-trois capteurs de mouvement sont utilis\u00e9s sur les patients \u00e0 des endroits pr\u00e9cis afin de collecter des donn\u00e9es utiles \u00e0 la compr\u00e9hension de la d\u00e9marche humaine et en faire un mod\u00e8le – comme cit\u00e9 dans l’Introduction. Chaque capteur enregistre les mouvements dans un espace en trois dimensions avec une fr\u00e9quence de 100 Hertz sur une distance de 10m dans un laboratoire de kin\u00e9siologie. Un certain nombre de \u201cframes<\/em>\u201d est enregistr\u00e9 chaque seconde et cette quantit\u00e9 totale de “frames” captur\u00e9es d\u00e9pend de la vitesse \u00e0 laquelle marche le patient; un patient marchant plus vite, va parcourir la m\u00eame distance en moins de temps. Voici une figure illustrant la d\u00e9marche d’un vrai patient en utilisant le logiciel de visualisation 3D Mokka.<\/p>\n Voici comment ces capteurs sont plac\u00e9s d\u2019une mani\u00e8re plus pr\u00e9cise dans un contexte m\u00e9dical :<\/p>\n (Davis et al., 1991)<\/p>\n Cette capture peut poser quelques probl\u00e8mes dans la phase de pr\u00e9diction. En effet, puisqu’il y a une dimension manuelle dans le protocole de placement des capteurs par les m\u00e9decins, cela introduit de la variabilit\u00e9 dans les mesures de ceux-ci, en plus de variabilit\u00e9 inh\u00e9rente de la d\u00e9marche de chaque individu. Ceci peut rendre les pr\u00e9dictions statistiques plus difficilement performantes.<\/p>\n <\/p>\n Comme mentionn\u00e9 ci-dessus, notre objectif est d’aider les m\u00e9decins sp\u00e9cialistes dans la prise de d\u00e9cision. En effet, les m\u00e9decins savent comment une op\u00e9ration de chirurgie affecte les donn\u00e9es cliniques d’un patient, mais ils ne savent pas comment ceci affecte sa d\u00e9marche. En ayant un bon mod\u00e8le statistique \u00e0 disposition, les sp\u00e9cialistes devraient pouvoir d\u00e9terminer comment une op\u00e9ration impacte les donn\u00e9es cliniques et par cons\u00e9quent, leur d\u00e9marche. De ce fait, trois \u00e9l\u00e9ments sont n\u00e9cessaires: donn\u00e9es cliniques, repr\u00e9sentation de la d\u00e9marche et le lien entre ces deux \u00e9l\u00e9ments.<\/p>\n <\/p>\n Les donn\u00e9es sont g\u00e9n\u00e9r\u00e9es \u00e0 partir des trente-trois capteurs. Ils capturent leurs coordonn\u00e9es dans l’espace \u00e0 trois dimensions (x, y, z) d’une mani\u00e8re temporelle. Les analyses de donn\u00e9es peuvent \u00eatre effectu\u00e9es sur ces donn\u00e9es, et nous pouvons les utiliser pour calculer l’angle des articulations et leur \u00e9volution dans le temps.<\/p>\n Chaque repr\u00e9sentation de la d\u00e9marche, soit-elle en coordonn\u00e9es ou angles, peut nous aider \u00e0 approximer le but que nous voulons atteindre : pouvoir d\u00e9terminer n’importe quel instant donn\u00e9\u00a0de la d\u00e9marche d’un patient \u00e0 partir de ses donn\u00e9es cliniques. Par exemple, nous devrons pouvoir d\u00e9terminer l’\u00e9tat de chaque personne \u00e0 un pourcentage donn\u00e9 d’un cycle de d\u00e9marche. Veuillez vous r\u00e9f\u00e9rer \u00e0 la Figure 1<\/a> et \u00e0 la Figure 4<\/a> afin de voir ce que nous essayons de pr\u00e9dire.<\/p>\n Voici l’exemple d’un graphique affichant l’\u00e9volution de l’angle calcul\u00e9 pour la cheville gauche. Les traits verticaux verts et rouges repr\u00e9sentent des \u00e9v\u00e9nements.<\/p>\n Nous avons 4 types d’\u00e9v\u00e9nements distincts par cycle : lorsqu’un talon touche par terre, lorsqu’un talon est lev\u00e9 et ce, pour les deux pieds.<\/p>\n Les \u00e9v\u00e9nements se produisent dans l’ordre suivant :<\/p>\n Lorsque le talon droit est de nouveau en contact avec le sol, un nouveau cycle commence, et ainsi de suite.<\/p>\n <\/p>\n Nous sommes trois \u00e9tudiants, Barreiro Lindo Fl\u00e1vio, G\u00fclen Lucas et Perritaz Alex, sans exp\u00e9rience cons\u00e9quente dans le domaine du data science<\/em> et nous savons qu\u2019il sera difficile pour nous de pouvoir trouver une r\u00e9ponse d\u00e9finitive au probl\u00e8me \u00e0 traiter.<\/p>\n Nous comptons sur le soutien du Professeur Alexandros Kalousis<\/a> et des assistants Jo\u00e3o Candido<\/a> et Pablo Strasser<\/a> pour le d\u00e9roulement de notre premier r\u00e9el projet de recherche dans les meilleures conditions possibles et sommes convaincus\u00a0de pouvoir contribuer au projet avec de nouvelles approches.<\/p>\n <\/p>\n CEN, 2016. Trouble de la marche et de l\u2019\u00e9quilibre. In\u00a0: Coll\u00e8ge des Enseignants de Neurologie<\/em> [en\u00a0ligne]. 19 septembre 2016. [Consult\u00e9\u00a0le\u00a026\u00a0juin\u00a02019]. Disponible \u00e0 l\u2019adresse\u00a0: https:\/\/www.cen-neurologie.fr\/deuxi%C3%A8me-cycle%20\/trouble-marche-lequilibre<\/a>.<\/p>\n<\/h2>\n
Sp\u00e9cifications techniques<\/h2>\n
Donn\u00e9es cliniques<\/h1>\n
La r\u00e9colte de donn\u00e9es de la d\u00e9marche<\/h1>\n
Figure 2 : Illustration de la d\u00e9marche d’un patient en utilisant un logiciel de visualisation 3D<\/h3>\n
![\"\"](\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2019\/06\/walking_patient.gif\")
<\/p>\nFigure 3 : Sch\u00e9ma montrant le placement correct des capteurs de mouvement dans un contexte m\u00e9dicale<\/h3>\n
![\"D\u00e9monstration](\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2019\/06\/marker_placement.png\")
<\/p>\nQuel int\u00e9r\u00eat ?<\/h1>\n
Type de donn\u00e9es<\/h1>\n
Figure 4 : Graphique affichant l’\u00e9volution de l’angle de la cheville gauche au long d’un seul cycle de d\u00e9marche<\/h3>\n
![\"\"](\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2019\/06\/ankle_angle_visualisation_2.png\")
<\/p>\n\n
Les difficult\u00e9s au sein de l\u2019\u00e9quipe<\/h1>\n
Bibliographie<\/h1>\n