Présentation aux 18èmes ateliers du CISP Club, organisé par l'équipe CisMef à Rouen () – 16-18 octobre 2015

1. 18èmes ateliers du CISP Club
Rouen – 16-18 octobre 2015
Vers une véritable bibliothèque
de composants CISP Club ?
Philippe AMELINE
philippe@ameline.net
Twitter #CISP15

2. Classification ?
Classes arbitraires définies par
des règles d’inclusion et
d’exclusion
Action de distribuer par classes, par catégories
système de classement.
(Dictionnaire Larousse)
Classifier consiste à appliquer ces règles à un
élément donné

3. Classification médicale ?
Exemple, « Présence depuis 2
jours d’un petit éclat de verre
dans la cornée droite »
Projeter une description complexe, située dans un
espace à n dimensions vers un espace à 2
dimensions
CISP F76 CE dans l’œil
CIM10 T15.0 CE dans la cornée
MeSH D005129 Eye Foreign Body

4. Utilité
Démarche analytique individuelleDémarche analytique individuelle
Éclairer la complexité (SOAP – POMR - CISP)
Quels sujets ont été traités dans cette consultation ?
Comment évoluent dans le temps les problèmes traités ?
Mise en communMise en commun
Observatoire
Cartographie des besoins
Détection d’émergence
Prévision d’évolution individuelle
Rapprochement de casRapprochement de cas
EBM, Documentation, Transition project
Recherche de publication, de recommandations
Prévision d’évolution individuelle

5. Outils
Deux approches très différentes :
ExpliciteExplicite (le médecin sait qu’il classifie) :
proposer la diversité des codes possibles
Impossible de généraliser les
bénéfices de la classification
sans outils performants
de classification automatique
TransparentTransparent (médecin « ordinaire ») :
élire le code le plus probable
CISP
CISP

6. Nos approches… jusqu’ici
Par repérage de conceptsrepérage de concepts capables
d’éclairer la classificationéclairer la classification (Classer)
Mieux adapté aux verbatims réels du terrain…
mais en codage explicite
Nous n’avons rien à proposer
au « médecin ordinaire »
Ce qui nous permet de continuer
à comploter en cercle restreint
Par liste d’exemplesliste d’exemples (Locas, 3BT)
Le code de référence…
mais dans un nombre très restreints de cas

7. Changer d’échelle
« Every time I fire a linguist, the performance of our
speech recognition system goes up » Fred Jelinek
Tous les domaines qui traitent du langage naturel et de
classification ont récemment vu leur performance décuplée
par les méthodes statistiques du Deep Learning
A partir d’un (très large) corpus d’exemple annotés, un
réseau de neurones « découvre les règles dans les
donnés » et les applique…
éventuellement mieux qu’un expert

8. Pistes
Collaboration R&D industrielleCollaboration R&D industrielle
Exemple : IBM Watson. Efficace, mais faible contrôle.
Projet de rechercheProjet de recherche
Ouvert, éthique… mais nécessité de résultats initiaux rapides.
Bricolages avec bouts de ficellesBricolages avec bouts de ficelles
Comme d’habitude… mais au moins travaillons ensemble !

9. Conclusion
Enjeu fortEnjeu fort
On doit considérer que toutes nos initiatives ont
été des prototypes qui attendent un moteur
efficace de classification automatique pour
devenir utiles aux médecins et à leurs patients
Nouvelle donneNouvelle donne
Les technologies apparues ces 5 dernières années
nous permettent de créer ce composant…
si nous parvenons à fédérer nos énergies

10. Merci de votre attention
philippe@ameline.net
De nombreuses informations se trouvent :
Sur mon blog : http://philippe.ameline.free.fr