Laboratoire d'Informatique de Grenoble

 

L'utilisation des technologies de l'information dans les établissements de santé permet une meilleure organisation, renforce les procédures, permet un flux d'informations continu et sécurise le processus de soins. L'un des composants faisant partie des systèmes informatiques de santé (SIS) est un logiciel d'aide à la prescription (LAP) qui permet de limiter les événements indésirables médicamenteux (EIM). Lorsque les médecins utilisent un logiciel pour les soins de santé, la plupart des données sont saisies manuellement dans le LAP, ce qui réduit le temps consacré aux soins. Afin de surmonter cet obstacle, nous proposons de fournir une interface en langage naturel au LAP afin que les praticiens puissent enregistrer leurs prescriptions orales sur le lieu de soins en utilisant un terminal mobile. Un tel système permettrait aux praticiens d'utiliser un LAP en déplacement et leur permettrait de se rapprocher le plus possible de la manière la plus naturelle de prescrire des médicaments.

L'approche générale que nous avons adoptée consiste à proposer un système de dialogue orienté tâche couplé à un LAP destiné aux prescripteurs. L'un des principaux défis à relever a été de concevoir un système complet de dialogue spécialisé avec des traitements majoritairement basés sur des méthodes d'apprentissage automatique profond sans donnée d'entrainement disponible. Pour contourner ce problème, nous avons proposé une méthode itérative couplant de la collecte de corpus, de la génération automatique de texte et de la modélisation par expertise. Nous présentons une modélisation conversationnelle validée auprès d'experts médicaux et une étude détaillée des caractéristiques des prescriptions médicamenteuses d'un point de vue de TALN. L'un des principaux composants d'un système de dialogue est axé sur le processus de compréhension du langage naturel (NLU), qui est abordé par une approche de slot-filling. Notre méthode de collecte et de génération de données a permis de créer un corpus équilibré et couvrant l'ensemble de la sémantique de prescription que nous avons définie. Ce corpus a permis l'apprentissage initial de modèle de NLU ainsi que l'amorçage du système de dialogue.  

Pour valider notre approche et recueillir des données de prescriptions réalistes à l'oral, nous avons proposé une expérimentation avec le double objectif d'évaluer le système et de collecter des données. L'évaluation qui a inclus 55 personnes, dont 34 experts médicaux, a montré que les performances de NLU étaient satisfaisantes avec une F-mesure de 90% pour un taux de réussite de la tâche de plus de 75% pour les experts médicaux.  Ces résultats sont comparables à ceux obtenus sur le corpus initial ce qui confirme que la démarche adoptée durant la thèse était valide. Afin de favoriser la recherche reproductible, le corpus oral aligné (parole-transcription-sémantique) comprenant plus de 4 heures d'enregistrement sera diffusé à la communauté.

Cette thèse a été effectuée dans le cadre d'une collaboration CIFRE (convention industrielle de formation par la recherche) entre la société Calystene SA et Laboratoire Informatique de Grenoble (LIG).