| Création d’un modèle prédictif d’envoi de Service Mobile d’Urgence et de Réanimation par analyse vocale de l’appelant au SAMU : apprentissage automatique (Creation of a predictive model for sending mobile service of emergency and resuscitation by voice analysis of the caller to the SAMU : machine learning) Ducoin, Amélie - (2020-10-05) / Universite de Rennes 1 - Création d’un modèle prédictif d’envoi de Service Mobile d’Urgence et de Réanimation par analyse vocale de l’appelant au SAMU : apprentissage automatique
| |||
Langue : Français Directeur(s) de thèse: Gangloff, Cédric Discipline : Médecine Classification : Médecine et santé Mots-clés : Régulation, SMUR, analyse vocale, apprentissage automatique, prise de décision
| |||
Résumé : Au SAMU, la décision d’envoi de moyen revient au médecin régulateur, selon les informations obtenues lors des appels reçus. La mise au point de modèles d’apprentissage automatique basés sur les caractéristiques de la voix des requérants pourrait permettre d’identifier les patients nécessitant un SMUR. L’objectif de cette étude est de créer et évaluer un modèle d’apprentissage automatique à partir des paramètres phonatoires de la voix des appelants au Centre 15 pour prédire l’envoi d’un SMUR. Nous avons utilisé 1000 appels reçus au SAMU de Rennes répartis en groupes «SMUR» et «Non SMUR», et extrait les paramètres phonatoires d’intérêt de la voix des appelants. Nous avons pu créer un modèle prédictif de l’envoi d’un SMUR avec une aire sous la courbe ROC de 0.726 et une sensibilité de 0.782. Après réalisation d’études complémentaires et évaluation en conditions réelles, ces modèles pourraient permettre de créer des systèmes d’aide à la décision détectant les patients graves en régulation. Abstract : In regulation centers, the decision-making goes to the physician, based on informations he gets from received calls. Creating machine learning models built on vocal analysis of callers, seems interesting to identify patients who need out-of-hospital medical intervention. In this study, we aim to use machine learning to developp and evaluate a model that could predict the sending of a medical team (SMUR), based on the analysis of vocal parameters from people calling the 15. We used 1000 records from the SAMU center of Rennes, spread in two groups (« SMUR » and « No SMUR »), to extract vocal parameters of interest from callers’ voice. We’ve been able to create a predictive model for the sending of a medical team, with an area under the ROC curve of 0.726 and a sensibility of 0.782. After further studies and evaluation in real life conditions, this kind of models could allow to create tools to assist the decision-maker for detection of patients’ severity in regulation. | |||