{"id":1877,"date":"2020-05-29T10:10:00","date_gmt":"2020-05-29T10:10:00","guid":{"rendered":"https:\/\/campus.hesge.ch\/blog-master-is\/?p=1877"},"modified":"2020-05-29T08:07:46","modified_gmt":"2020-05-29T08:07:46","slug":"simgait-le-futur-collegue-du-medecin","status":"publish","type":"post","link":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/","title":{"rendered":"SimGait &#8211; Le futur coll\u00e8gue du m\u00e9decin"},"content":{"rendered":"\n<p><\/p>\n\n\n\n<p>Lors de notre <a href=\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-projet-de-machine-learning-permettant-de-determiner-les-cycles-de-demarche-chez-les-humains\/\">billet de blog pr\u00e9c\u00e9dent<\/a>, nous vous avions pr\u00e9sent\u00e9 le contexte du projet et des donn\u00e9es utilis\u00e9es pour celui-ci. Il vous est donc fortement recommand\u00e9 de le lire pour bien comprendre les donn\u00e9es que nous traitons dans le cadre de notre projet.<\/p>\n\n\n\n<p>Afin d\u2019\u00eatre en mesure de classifier les diff\u00e9rentes pathologies de la d\u00e9marche, il est important d\u2019avoir bien pris connaissance des donn\u00e9es que nous allons traiter, car il s\u2019agit du domaine dans lequel on souhaite sp\u00e9cialiser notre mod\u00e8le d\u2019apprentissage automatique.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">L\u2019apprentissage automatique<\/h1>\n\n\n\n<p>Le \u00ab&nbsp;machine learning&nbsp;\u00bb est le domaine scientifique qui \u00e9tudie le d\u00e9veloppement d\u2019algorithmes capables d\u2019extraire des mod\u00e8les depuis des donn\u00e9es \u00e0 des fins de prise de d\u00e9cision, par exemple.<\/p>\n\n\n\n<p>Un mod\u00e8le statistique peut \u00eatre vu comme une suite de r\u00e8gles qui permettent de classifier un sujet, dans notre cas, un patient. Au lieu de devoir formaliser ces r\u00e8gles manuellement, on demande \u00e0 la machine de les cr\u00e9er en s\u2019entra\u00eenant sur les donn\u00e9es fournies.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">&nbsp;\u00ab&nbsp;Garbage in, garbage out&nbsp;\u00bb<\/h1>\n\n\n\n<p>Le contr\u00f4le approximatiflors de la r\u00e9colte des donn\u00e9es peut faire ressortir des incoh\u00e9rences (e.g. une longueur de jambe en degr\u00e9s), des combinaisons impossibles (e.g. homme et enceinte), des valeurs manquantes, etc.<\/p>\n\n\n\n<p>Faire usage de donn\u00e9es non filtr\u00e9es peut causer des probl\u00e8mes d\u2019interpr\u00e9tation et des r\u00e9sultats erron\u00e9s peuvent en d\u00e9couler. Il est donc imp\u00e9ratif de n\u2019utiliser que les donn\u00e9es \u00ab&nbsp;nettoy\u00e9es&nbsp;\u00bb afin de faciliter l\u2019apprentissage des mod\u00e8les. Ce processus est appel\u00e9 \u00ab&nbsp;preprocessing&nbsp;\u00bb.<\/p>\n\n\n\n<p>Le \u00ab&nbsp;preprocessing&nbsp;\u00bb effectu\u00e9 varie en fonction des m\u00e9thodes d\u2019apprentissage choisies, \u00e0 savoir&nbsp;les arbres d\u00e9cisionnels, les r\u00e9seaux de neurones convolutifs et r\u00e9currents, dans le cadre de notre projet. Voici les crit\u00e8res de filtrage et transformations sur les donn\u00e9es que nous avons choisis :<\/p>\n\n\n\n<p>Arbres d\u00e9cisionnels&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Aucune donn\u00e9e manquante<\/li><li>Convertir les donn\u00e9es continues en donn\u00e9es cat\u00e9goriques<\/li><\/ul>\n\n\n\n<p>R\u00e9seaux de neurones:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>Aucune donn\u00e9e manquante<\/li><li>Convertir les donn\u00e9es cat\u00e9goriques en donn\u00e9es num\u00e9riques<\/li><li>Mettre \u00e0 la m\u00eame \u00e9chelle les donn\u00e9es<\/li><\/ul>\n\n\n\n<p>Une fois les donn\u00e9es assainies, il est possible de les passer \u00e0 une des m\u00e9thodes d\u2019apprentissage suivantes afin de tenter de mettre en \u00e9vidence les corr\u00e9lations existantes entre deux ou plusieurs param\u00e8tres et d\u2019en pr\u00e9dire les diff\u00e9rentes implications.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Random Forests \u2013 For\u00eats d\u2019arbres d\u00e9cisionnels<\/h1>\n\n\n\n<p>Les arbres d\u00e9cisionnels font partie des m\u00e9thodes d\u2019apprentissage supervis\u00e9 des plus simples. La classification se fait \u00e0 travers la construction d\u2019un arbre dont chaque n\u0153ud correspond \u00e0 une condition sur l\u2019un des attributs du patient, nous permettant de mieux d\u00e9terminer la valeur \u00e0 pr\u00e9dire. Chacun des n\u0153uds est connect\u00e9 \u00e0 deux ou plusieurs branches. Chaque feuille correspond \u00e0 une classification ou une d\u00e9cision prise par le mod\u00e8le.<\/p>\n\n\n\n<p>Cette structure arborescente rend la lecture et la compr\u00e9hension du mod\u00e8le possible par un \u00eatre humain, contrairement aux autres m\u00e9thodes de classification. De par ce fait, nous nous en servirons comme mod\u00e8le de r\u00e9f\u00e9rence.<\/p>\n\n\n\n<p>Les for\u00eats d\u2019arbres d\u00e9cisionnels, comme son nom l\u2019implique, constitue un ensemble d\u2019arbres d\u00e9cisionnels qui se diff\u00e9rencient les uns des autres par leur sous-\u00e9chantillonnage al\u00e9atoire sur les donn\u00e9es initiales.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"887\" height=\"653\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForest.png\" alt=\"\" class=\"wp-image-1880\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForest.png 887w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForest-300x221.png 300w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForest-768x565.png 768w\" sizes=\"(max-width: 887px) 100vw, 887px\" \/><\/figure>\n\n\n\n<p>La d\u00e9cision prise par chaque arbre est ensuite repr\u00e9sent\u00e9e par un \u00ab&nbsp;vote&nbsp;\u00bb et la classe ayant accumul\u00e9 le plus de votes servira de pr\u00e9diction pour notre mod\u00e8le.<\/p>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"aligncenter size-large\"><img decoding=\"async\" width=\"307\" height=\"270\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForestResults.png\" alt=\"\" class=\"wp-image-1881\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForestResults.png 307w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RandomForestResults-300x264.png 300w\" sizes=\"(max-width: 307px) 100vw, 307px\" \/><\/figure><\/div>\n\n\n\n<p>Dans le cadre du projet de recherche nous avons compar\u00e9 les r\u00e9sultats avec 1, 10, 100 et 1000 arbres pour ne constater qu\u2019une l\u00e9g\u00e8re am\u00e9lioration au niveau de la pr\u00e9cision des r\u00e9sultats. Nous n\u2019avons pas test\u00e9 d\u2019autres param\u00e8tres.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Convolutional Neural Networks \u2013 CNN<\/h1>\n\n\n\n<p>Un r\u00e9seau de neurones \u00e0 convolution, de l\u2019anglais \u00ab&nbsp;Convolutional Neural Network&nbsp;\u00bb est une architecture sp\u00e9cialis\u00e9e dans la reconnaissance d\u2019images. Les graphiques g\u00e9n\u00e9r\u00e9s par les capteurs plac\u00e9s sur le patient sont directement transmis au CNN en tant qu\u2019image.<\/p>\n\n\n\n<p>L\u2019architecture de ce r\u00e9seau se d\u00e9partage en une premi\u00e8re partie appel\u00e9e convolutive et en une seconde nomm\u00e9e classification.<\/p>\n\n\n\n<p>Il existe 4 types de couches&nbsp;pour les r\u00e9seaux de neurones convolutifs :<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>Couche de convolution<\/strong> : Application d\u2019un filtre sur l\u2019image<\/li><li><strong>Couche de pooling :<\/strong> Compresser progressivement la taille de l\u2019image interm\u00e9diaire<\/li><li><strong>Couche enti\u00e8rement connect\u00e9e :<\/strong> Derni\u00e8re couche du r\u00e9seau, permet de finalement classifier les donn\u00e9es<\/li><\/ul>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"211\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-1024x211.png\" alt=\"\" class=\"wp-image-1882\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-1024x211.png 1024w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-300x62.png 300w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-768x158.png 768w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-1536x317.png 1536w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN.png 1547w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure><\/div>\n\n\n\n<p>Les diff\u00e9rentes architectures de CNN compar\u00e9es dans le cadre du travail de recherche&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>3 Couches avec r\u00e9gularisation&nbsp;:<\/strong> 2 couches de convolution + pooling et 1 couche enti\u00e8rement connect\u00e9e + Dropout + BatchNorm<\/li><li><strong>3 Couches&nbsp;:<\/strong> 2 couches de convolution + pooling et 1 couche enti\u00e8rement connect\u00e9e<\/li><li><strong>2 Couches&nbsp;:<\/strong> 1 couche de convolution + pooling et 1 couche enti\u00e8rement connect\u00e9e<\/li><\/ul>\n\n\n\n<p>La r\u00e9gularisation permet l\u2019apprentissage de mod\u00e8les plus simples, \u00e9vitant ainsi que ceux-ci ne soient trop d\u00e9pendants des jeux de donn\u00e9es.<\/p>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"664\" height=\"571\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-results.png\" alt=\"\" class=\"wp-image-1883\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-results.png 664w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/CNN-results-300x258.png 300w\" sizes=\"(max-width: 664px) 100vw, 664px\" \/><\/figure><\/div>\n\n\n\n<p>L\u2019axe des ordonn\u00e9es ici repr\u00e9sente le nombre d\u2019entra\u00eenements que chaque architecture a effectu\u00e9. Chacune d\u2019entre elle s\u2019est donc entra\u00een\u00e9e 100 fois sur le jeu de donn\u00e9es. Avec plus de 70% de pr\u00e9cision, le mod\u00e8le \u00e0 3 couches s\u2019av\u00e8re \u00eatre le mod\u00e8le le plus performant pour les CNN.<\/p>\n\n\n\n<h1 class=\"wp-block-heading\">Recurrent Neural Network \u2013 RNN<\/h1>\n\n\n\n<p>Ce type de mod\u00e8le, sp\u00e9cialis\u00e9 dans le traitement des informations temporelles, semble \u00eatre le choix id\u00e9al pour attaquer le probl\u00e8me auquel nous sommes confront\u00e9s. La d\u00e9marche d\u2019un patient pouvant \u00eatre consid\u00e9r\u00e9e comme une suite d\u2019actions se d\u00e9roulant dans le temps, ce mod\u00e8le est donc con\u00e7u pr\u00e9cis\u00e9ment pour ce genre de probl\u00e8me et doit en \u00eatre la cl\u00e9.<\/p>\n\n\n\n<p>La force des RNN r\u00e9side dans leur capacit\u00e9 \u00e0 prendre en compte les informations des entr\u00e9es des occurrences pr\u00e9c\u00e9dentes, traitant ainsi l\u2019information plusieurs fois en la renvoyant chaque fois au sein du r\u00e9seau.<\/p>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"761\" height=\"260\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN.png\" alt=\"\" class=\"wp-image-1884\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN.png 761w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN-300x102.png 300w\" sizes=\"(max-width: 761px) 100vw, 761px\" \/><\/figure><\/div>\n\n\n\n<p>Il est important de noter que cette repr\u00e9sentation semble montrer des unit\u00e9s qui se succ\u00e8dent mais en r\u00e9alit\u00e9 il s&#8217;agit de la m\u00eame unit\u00e9 \u00e0 diff\u00e9rentes temporalit\u00e9s.<\/p>\n\n\n\n<p>Voici les diff\u00e9rentes variantes du RNN compar\u00e9es dans le cadre du travail de recherche&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>RNN&nbsp;standard<\/strong> expliqu\u00e9 ci-dessus<\/li><li><strong>LSTM&nbsp;:<\/strong> RNN standard + Cellule de \u00ab&nbsp;M\u00e9moire&nbsp;\u00bb permettant de maintenir l\u2019information plus longtemps<\/li><li><strong>GRU&nbsp;:<\/strong> Structure similaire au LSTM mais simplifi\u00e9<\/li><\/ul>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"677\" height=\"571\" src=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN-Results.png\" alt=\"\" class=\"wp-image-1885\" srcset=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN-Results.png 677w, https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/RNN-Results-300x253.png 300w\" sizes=\"(max-width: 677px) 100vw, 677px\" \/><\/figure><\/div>\n\n\n\n<p>Les r\u00e9sultats tant attendus s\u2019av\u00e8rent \u00eatre un peu d\u00e9cevants et \u00e9tonnement plus bas que les r\u00e9seaux de convolutions avec une baisse de pr\u00e8s de 30% de pr\u00e9cision.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Am\u00e9liorations possibles<\/h2>\n\n\n\n<p>Les r\u00e9sultats finaux n\u2019\u00e9tant pas aussi performants qu\u2019attendus et en particulier pour les RNN, nous avons d\u00e9j\u00e0 pens\u00e9 \u00e0 quelques pistes d\u2019am\u00e9lioration&nbsp;:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>R\u00e9duction du nombre d\u2019attributs utilis\u00e9s<\/li><li>G\u00e9n\u00e9rer des donn\u00e9es suppl\u00e9mentaires<\/li><li>Aligner les marqueurs<\/li><\/ul>\n\n\n\n<p>Les donn\u00e9es que nous avions \u00e0 notre disposition \u00e9taient en tr\u00e8s faible quantit\u00e9 (environ 1&#8217;000 d\u00e9marches de patients) pour utiliser des techniques de \u00ab&nbsp;Machine Learning&nbsp;\u00bb et se trouvaient \u00eatre assez complexes. En effet, chaque d\u00e9marche de patient \u00e9tait g\u00e9n\u00e9r\u00e9e par 20 capteurs sur 3 axes (3 dimensions) durant le temps que le patient mettait \u00e0 parcours 10 m. Ce qui peut atteindre plus de 30&#8217;000 donn\u00e9es pour une seule d\u00e9marche de 5 secondes (20x3x500) et qui rend donc d\u2019autant plus difficile \u00e0 comprendre pour un mod\u00e8le \u00e9tant donn\u00e9 qu\u2019il a tr\u00e8s peu d\u2019exemples. Ainsi, une am\u00e9lioration possible serait de ne prendre en compte seulement un seul axe parmi les trois pour ne fournir au mod\u00e8le qu\u2019une repr\u00e9sentation moins complexe des donn\u00e9es.<\/p>\n\n\n\n<p>Enfin, il serait judicieux d\u2019aligner les marqueurs de chaque d\u00e9marche pour que chacune d\u2019entre elles commence au m\u00eame moment et avec le m\u00eame pied pour que celles-ci soient plus faciles \u00e0 comprendre par nos mod\u00e8les.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Lors de notre billet de blog pr\u00e9c\u00e9dent, nous vous avions pr\u00e9sent\u00e9 le contexte du projet et des donn\u00e9es utilis\u00e9es pour celui-ci. Il vous est donc fortement recommand\u00e9 de le lire pour bien comprendre les donn\u00e9es que nous traitons dans le &hellip; <a href=\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\">Lire la suite\u00ad\u00ad<\/a><\/p>\n","protected":false},"author":10,"featured_media":1888,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[18,16,23,15,19,12],"tags":[58,82,25,224,227,136,52,50,226,180],"class_list":["post-1877","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-advanced-neural-net","category-big-data","category-gouvernance-des-donnees","category-information-donnees","category-machine-learning","category-reflexion-is","tag-advanced-neural-network","tag-artificial-intelligence","tag-big-data","tag-data-processing","tag-doctor","tag-gait","tag-intelligence-artificielle","tag-machine-learning","tag-medecine","tag-research-data-management"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v23.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS\" \/>\n<meta property=\"og:description\" content=\"Lors de notre billet de blog pr\u00e9c\u00e9dent, nous vous avions pr\u00e9sent\u00e9 le contexte du projet et des donn\u00e9es utilis\u00e9es pour celui-ci. Il vous est donc fortement recommand\u00e9 de le lire pour bien comprendre les donn\u00e9es que nous traitons dans le &hellip; Lire la suite\u00ad\u00ad\" \/>\n<meta property=\"og:url\" content=\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\" \/>\n<meta property=\"og:site_name\" content=\"Recherche d&#039;Id\u00e9eS\" \/>\n<meta property=\"article:published_time\" content=\"2020-05-29T10:10:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2020-05-29T08:07:46+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"300\" \/>\n\t<meta property=\"og:image:height\" content=\"252\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Flavio Barreiro-Lindo\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Flavio Barreiro-Lindo\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\",\"name\":\"SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS\",\"isPartOf\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg\",\"datePublished\":\"2020-05-29T10:10:00+00:00\",\"dateModified\":\"2020-05-29T08:07:46+00:00\",\"author\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/1f3ce5886e59bbe0b8cae9f4d7879ea0\"},\"breadcrumb\":{\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg\",\"contentUrl\":\"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg\",\"width\":300,\"height\":252},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\/\/campus.hesge.ch\/blog-master-is\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"SimGait &#8211; Le futur coll\u00e8gue du m\u00e9decin\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#website\",\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/\",\"name\":\"Recherche d&#039;Id\u00e9eS\",\"description\":\"Carnet de recherche des \u00e9tudiants du Master en sciences de l&#039;information et des donn\u00e9es (Information Science - IS) de la Haute \u00e9cole de gestion de Gen\u00e8ve\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/campus.hesge.ch\/blog-master-is\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/1f3ce5886e59bbe0b8cae9f4d7879ea0\",\"name\":\"Flavio Barreiro-Lindo\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/e96dba92cae58ccc7c18d25aa68fa06b?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/e96dba92cae58ccc7c18d25aa68fa06b?s=96&d=mm&r=g\",\"caption\":\"Flavio Barreiro-Lindo\"},\"url\":\"https:\/\/campus.hesge.ch\/blog-master-is\/author\/flavio-barreiro-lindo\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/","og_locale":"fr_FR","og_type":"article","og_title":"SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS","og_description":"Lors de notre billet de blog pr\u00e9c\u00e9dent, nous vous avions pr\u00e9sent\u00e9 le contexte du projet et des donn\u00e9es utilis\u00e9es pour celui-ci. Il vous est donc fortement recommand\u00e9 de le lire pour bien comprendre les donn\u00e9es que nous traitons dans le &hellip; Lire la suite\u00ad\u00ad","og_url":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/","og_site_name":"Recherche d&#039;Id\u00e9eS","article_published_time":"2020-05-29T10:10:00+00:00","article_modified_time":"2020-05-29T08:07:46+00:00","og_image":[{"width":300,"height":252,"url":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg","type":"image\/jpeg"}],"author":"Flavio Barreiro-Lindo","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Flavio Barreiro-Lindo","Dur\u00e9e de lecture estim\u00e9e":"7 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/","url":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/","name":"SimGait - Le futur coll\u00e8gue du m\u00e9decin - Recherche d&#039;Id\u00e9eS","isPartOf":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#website"},"primaryImageOfPage":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage"},"image":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage"},"thumbnailUrl":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg","datePublished":"2020-05-29T10:10:00+00:00","dateModified":"2020-05-29T08:07:46+00:00","author":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/1f3ce5886e59bbe0b8cae9f4d7879ea0"},"breadcrumb":{"@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#primaryimage","url":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg","contentUrl":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-content\/uploads\/2020\/05\/doctor-robot-modern-future-health-artificial-intelligence-shutterstock-1072509989-1068x601-1-e1590657734347.jpg","width":300,"height":252},{"@type":"BreadcrumbList","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/simgait-le-futur-collegue-du-medecin\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/campus.hesge.ch\/blog-master-is\/"},{"@type":"ListItem","position":2,"name":"SimGait &#8211; Le futur coll\u00e8gue du m\u00e9decin"}]},{"@type":"WebSite","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#website","url":"https:\/\/campus.hesge.ch\/blog-master-is\/","name":"Recherche d&#039;Id\u00e9eS","description":"Carnet de recherche des \u00e9tudiants du Master en sciences de l&#039;information et des donn\u00e9es (Information Science - IS) de la Haute \u00e9cole de gestion de Gen\u00e8ve","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/campus.hesge.ch\/blog-master-is\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/1f3ce5886e59bbe0b8cae9f4d7879ea0","name":"Flavio Barreiro-Lindo","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/campus.hesge.ch\/blog-master-is\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/e96dba92cae58ccc7c18d25aa68fa06b?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/e96dba92cae58ccc7c18d25aa68fa06b?s=96&d=mm&r=g","caption":"Flavio Barreiro-Lindo"},"url":"https:\/\/campus.hesge.ch\/blog-master-is\/author\/flavio-barreiro-lindo\/"}]}},"_links":{"self":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/1877","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/comments?post=1877"}],"version-history":[{"count":4,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/1877\/revisions"}],"predecessor-version":[{"id":1896,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/posts\/1877\/revisions\/1896"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/media\/1888"}],"wp:attachment":[{"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/media?parent=1877"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/categories?post=1877"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/campus.hesge.ch\/blog-master-is\/wp-json\/wp\/v2\/tags?post=1877"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}