Suchergebnisse

This dissertation was framed in the Digi-NewB project, which was founded by the European Union, and had as main goal to improve health care for neonates through the development of new monitoring systems. The project involved partners from four countries, and collected health records, physiological signals, and video and sound data from infants in six hospitals in France. The objective of our research was to propose decision support systems (DSSs) based on machine learning models for the early diagnosis of LOS and for the evaluation of maturation in preterm infants. From the data types acquired in the project, we limited our scope to physiological signals. We focused on heart rate variability (HRV), respiration rate variability (RRV), and bradycardia data. The main contributions of this work are: (i) an assessment of the positive impact in the performance of machine learning models for the detection of LOS of including visibility graph indexes for the characterization of HRV; (ii) a high performing recursive neural network model for early diagnosis of LOS in preterm infants based on HRV features; (iii) an ensemble machine learning model for the evaluation of maturation of the infants in terms of their functional maturational age, derived from HRV, RRV, or bradycardia features; (iv) the validation of this model on a population that included preterm infants with normal and abnormal maturation. The models presented in this work serve as proof of concept for non-invasive DSSs that can have a high performance in real-time. ; Cette thèse s'inscrit dans le cadre du projet européen Digi-NewB dont l'objectif principal était de développer un nouveau système de surveillance des grands prématurés. Le projet a impliqué des partenaires de quatre pays et a permis de collecter des données cliniques, des signaux physiologiques, des données vidéo et des pleurs de bébés dans six hôpitaux en France. L'objectif plus spécifique de ce travail était de proposer des systèmes d'aide à la décision (DSS) basés sur des modèles ...

This dissertation was framed in the Digi-NewB project, which was founded by the European Union, and had as main goal to improve health care for neonates through the development of new monitoring systems. The project involved partners from four countries, and collected health records, physiological signals, and video and sound data from infants in six hospitals in France. The objective of our research was to propose decision support systems (DSSs) based on machine learning models for the early diagnosis of LOS and for the evaluation of maturation in preterm infants. From the data types acquired in the project, we limited our scope to physiological signals. We focused on heart rate variability (HRV), respiration rate variability (RRV), and bradycardia data. The main contributions of this work are: (i) an assessment of the positive impact in the performance of machine learning models for the detection of LOS of including visibility graph indexes for the characterization of HRV; (ii) a high performing recursive neural network model for early diagnosis of LOS in preterm infants based on HRV features; (iii) an ensemble machine learning model for the evaluation of maturation of the infants in terms of their functional maturational age, derived from HRV, RRV, or bradycardia features; (iv) the validation of this model on a population that included preterm infants with normal and abnormal maturation. The models presented in this work serve as proof of concept for non-invasive DSSs that can have a high performance in real-time. ; Cette thèse s'inscrit dans le cadre du projet européen Digi-NewB dont l'objectif principal était de développer un nouveau système de surveillance des grands prématurés. Le projet a impliqué des partenaires de quatre pays et a permis de collecter des données cliniques, des signaux physiologiques, des données vidéo et des pleurs de bébés dans six hôpitaux en France. L'objectif plus spécifique de ce travail était de proposer des systèmes d'aide à la décision (DSS) basés sur des modèles ...

This dissertation was framed in the Digi-NewB project, which was founded by the European Union, and had as main goal to improve health care for neonates through the development of new monitoring systems. The project involved partners from four countries, and collected health records, physiological signals, and video and sound data from infants in six hospitals in France. The objective of our research was to propose decision support systems (DSSs) based on machine learning models for the early diagnosis of LOS and for the evaluation of maturation in preterm infants. From the data types acquired in the project, we limited our scope to physiological signals. We focused on heart rate variability (HRV), respiration rate variability (RRV), and bradycardia data. The main contributions of this work are: (i) an assessment of the positive impact in the performance of machine learning models for the detection of LOS of including visibility graph indexes for the characterization of HRV; (ii) a high performing recursive neural network model for early diagnosis of LOS in preterm infants based on HRV features; (iii) an ensemble machine learning model for the evaluation of maturation of the infants in terms of their functional maturational age, derived from HRV, RRV, or bradycardia features; (iv) the validation of this model on a population that included preterm infants with normal and abnormal maturation. The models presented in this work serve as proof of concept for non-invasive DSSs that can have a high performance in real-time. ; Cette thèse s'inscrit dans le cadre du projet européen Digi-NewB dont l'objectif principal était de développer un nouveau système de surveillance des grands prématurés. Le projet a impliqué des partenaires de quatre pays et a permis de collecter des données cliniques, des signaux physiologiques, des données vidéo et des pleurs de bébés dans six hôpitaux en France. L'objectif plus spécifique de ce travail était de proposer des systèmes d'aide à la décision (DSS) basés sur des modèles d'apprentissage automatique pour le diagnostic précoce de l'infection tardive (LOS) et pour l'évaluation de la maturation des prématurés. Parmi les différentes données acquises dans le cadre du projet, nous nous sommes concentrés sur la variabilité de la fréquence cardiaque (HRV), la variabilité de la fréquence respiratoire (RRV) et les données de bradycardie. Les principales contributions de ce travail ont été : (i) l'intérêt des indices mesurés sur les graphes de visibilité caractérisant la HRV pour la détection du LOS; (ii) la proposition d'un réseau neuronal récurent performant pour le diagnostic précoce du LOS fondé sur les paramètres de la HRV ; (iii) l'introduction d'un modèle d'apprentissage ensembliste pour le suivi de la maturation des enfants prématurés à partir de la HRV, de la RRV ou des bradycardies ; (iv) la preuve de concept de ce modèle sur une population comprenant des enfants prématurés avec une maturation normale et anormale. Il importe aussi de souligner que tous ces développements ont été effectués dans un souci d'exploitation en temps réel et que la preuve de faisabilité que cela soit pour le LOS ou la maturation a été effectuée en unité de soins intensifs néonatale.