L’épilepsie est une maladie neurologique qui touche 600 000 personnes en France. Près d’un tiers de ces patients sont dits “pharmaco-résistants”, c'est-à-dire qu'ils continuent à avoir des crises malgré les traitements médicamenteux. Ils disposent alors de très peu d'alternatives. Ces crises imprévisibles sont une source de stress et un risque d’accident au quotidien pour les malades. Par ailleurs c’est une maladie complexe, on dénombre plus de 80 épilepsies distinctes.
Aura est une association à but non lucratif ayant pour objectif l’amélioration de la qualité de vie des personnes atteintes d’épilepsie. Au travers d'une approche Open Science, le projet fédère une communauté multidisciplinaire ayant pour but de développer un patch thoracique connecté permettant de détecter les crises d'épilepsie et d'alerter le patient. Pour la personne épileptique, une meilleure connaissance de sa maladie est un premier pas pour retrouver de l’autonomie et de la tranquillité dans son quotidien.
Un élément clé du dispositif passe par la conception d’un algorithme personnalisé de détection des crises d’épilepsie. Cet algorithme s’appuie sur des méthodes statistiques par apprentissage automatique. Afin de relever ce défi technique, nous avons mis en place une chaîne de traitement automatisé reposant entièrement sur une stack Open Source (Airflow, MLFlow, InfluxDB, Grafana) et un ensemble de librairies open source dédiées au traitement du signal cardiaque. Nous vous présenterons comment cette approche encore trop marginale dans le milieu de la santé est le garant de la transparence, de la reproductibilité et de la robustesse de nos résultats ainsi que de la diffusion de nos travaux auprès de la communauté scientifique.
L’Open Science au service des personnes atteintes d’épilepsie
1. 1
AURA, une démarche Open Science
au service de l’épilepsie
Alexis Comte
Robin Champseix
10 Novembre 2021
2. 2
Risque d’accidents au quotidien
Inquiétude permanente des patients et de leurs proches
Isolement social
en Europe
en France
Pharmaco-résistants
50 millions de patients dans le monde
#1 maladie neurologique handicapante en Europe
Une maladie méconnue du grand public
Une peur au quotidien
Qu’est ce que l’épilepsie ?
3. 3
● Concevoir et industrialiser un dispositif
connecté abordable qui détecte les signes
avant-coureurs des crises d’épilepsie et
alerte le patient
● Créer une communauté pluridisciplinaire
intégrant la philosophie Open source - Open
Hardware en santé
● Réduire les risques d’accidents liés à
l’imprévisibilité des crises
● Offrir plus de tranquillité et d’autonomie aux
patients
● Améliorer le suivi des patients dans leur
quotidien
NOS OBJECTIFS
NOTRE MISSION
Ouvert
Associatif Scientifique
250+ contributeurs
15+partenaires
20+ répertoires Github
37 000+téléchargements
1 projet de recherche médicale
1 comité scientifique
AURA, un projet ouvert et associatif
Améliorer la qualité de vie des patients
4. 4
● Confortable et discret
● Abordable
● Autonome
● Réalisé à l’aide des patients
● Permet au patient de mieux connaître sa
maladie
● Renforce le lien entre le patient et les
professionnels de santé
Une application mobile
compagnon
Un patch connecté
Notre projet
6. 6
La multidisciplinarité du projet
Différentes compétences et regards nécessaires
Relecture par le neurologue de ces
examens et ajustement des marqueurs
temporels de début et fin de crises
Neurologue
Extraction automatique des annotations
Développeur
Identification automatique des examens
incluant des crises d’épilepsie et
anonymisation
Développeur
Administration
serveur
Infrastructure
réseau
Data Scientist
Développeur Data Scientist
8. 8
La collecte de la donnée en milieu réel
Un système entièrement ouvert à base de technologies Open Source
Patient
Application
Mobile
Cloud
Aura
Ingestion
Collecte &
Monitoring
WebSocket
Server
Airflow Stockage
10. 10
De nombreuses étapes de traitement de la donnée
Les prérequis à la détection de crises...
Input pour les
algorithmes de
Machine Learning
Quality
Signal
ECG QC
11. 11
Pourquoi traiter automatiquement le bruit du signal?
ECG_QC : traiter le bruit du signal (1/2)
● Pourquoi:
○ Un signal de bonne qualité est nécessaire pour la suite du processus
(garbage in -> garbage out)
○ Il y a des centaines d’heures de données : impossible de retraiter manuellement
● Comment : utiliser la base de donnée déjà annotée Open Data Physionet
(pour généraliser sur la base « interne » de La Teppe)
https://github.com/Aura-healthcare/ecg_qc
12. 12
Une exigence Open Science
● Reproductibilité: Open Data, Open Source, démarche DevOps
● Lisibilité: Github, Documentation (SQIs, pré-processing), algorithme de Machine Learning
“traditionnel” (explicabilité)
ECG_QC : traiter le bruit du signal (2/2)
13. 13
De nombreuses étapes de traitement de la donnée
Les prérequis à la détection de crises...
Input pour les
algorithmes de
Machine Learning
Quality
Signal
ECG QC
Détection
des pics R
rri0
rri1
…
rriN
Intervalles R-R
14. 14
Un benchmark des différentes méthodes
La détection des Pics RR
R
RRI
Benchmark et sélections
R
Performances globales :
● Hamilton Biosppy
● Engelse-Zeelenberg Biosppy
15. 15
De nombreuses étapes de traitement de la donnée
Les prérequis à la détection de crises...
Input pour les
algorithmes de
Machine Learning
Quality
Signal
ECG QC
Détection
des pics R
rri0
rri1
…
rriN
Intervalles R-R
Analyse du
signal HRV