Université 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 Creation of a predictive model for sending mobile service of emergency and resuscitation by voice analysis of the caller to the SAMU : machine learning RégulationSMURanalyse vocaleapprentissage automatiqueprise de décision RegulationSMURvocal analysismachine learningdecision-making Voix Systèmes d'aide à la décision Régulation médicale Services d'urgence médicale Triage (médecine)‎ 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. 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. Electronic Thesis or DissertationText fr application/pdf1 : 1266 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/29471bde-1005-4da2-a6a5-0044f7e76714 Ducoin Amélie 1994-05-03 FR 254169422 ducoin.amelie@numericable.fr 2020REN1M142 http://www.theses.fr/2020REN1M142 2020-10-05 Médecine Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat (thèse d'exercice) non ouiGangloffCédric intervenant_1124331645 ddc:610 GangloffCédric Universite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophie ASCII PDF 1296561