Extraction d’Informations à partir des Dossiers Patients Informatisés : Etudes en temporalité, confidentialité et impact environnemental

Jury

• Maxime AMBLARD (Professeur des Universités, Université de Lorraine) : Rapporteur & Examinateur
• Timothy MILLER (Assistant Professor, Harvard University, Boston Children’s Hospital) : Rapporteur & Examinateur
• Fleur MOUGIN (Professeure des Universités, Université de Bordeaux) : Examinatrice
• Fatiha SAIS (Professeure des Universités, Université Paris Saclay) : Examinatrice
• Bastien RANCE (Maître de conférences des Universités – Praticien Hospitalier, HEGP, Université Paris Cité) : Co-superviseur
• Xavier TANNIER (Professeur des Universités, LIMICS, Sorbonne Université) : Co-superviseur
• Aurélie NÉVÉOL (Directrice de Recherche, LISN, CNRS) : Directrice de thèse

Résumé

L’extraction automatique des informations contenues dans les Dossiers Patients Informatisés (DPIs) est cruciale pour améliorer la recherche clinique. Or, la plupart des informations sont sous forme de texte non structuré. La complexité et le caractère confidentiel du texte clinique présente des défis supplémentaires. Par conséquent, le partage de données est difficile dans la pratique et est strictement encadré par des réglementations. Les modèles neuronaux offrent de bons résultats pour l’extraction d’informations. Mais ils nécessitent de grandes quantités de données annotées, qui sont souvent limitées, en particulier pour les langues autres que l’anglais. Ainsi, la performance n’est pas encore adaptée à des applications pratiques. Outre les enjeux de confidentialité, les modèles d’apprentissage profond ont un important impact environnemental. Dans cette thèse, nous proposons des méthodes et des ressources pour la Reconnaissance d’entités nommées (REN) et l’extraction de relations temporelles dans des textes cliniques en français.

Plus précisément, nous proposons une architecture de modèles préservant la confidentialité des données par mimétisme permettant un transfert de connaissances d’un modèle enseignant entraîné sur un corpus privé à un modèle élève. Ce modèle élève pourrait être partagé sans révéler les données sensibles ou le modèle privé construit avec ces données. Notre stratégie offre un bon compromis entre la performance et la préservation de la confidentialité.
Ensuite, nous introduisons une nouvelle représentation des relations temporelles, indépendante des événements et de la tâche d’extraction, qui permet d’identifier des portions de textes homogènes du point de vue temporel et de caractériser la relation entre chaque portion du texte et la date de création du document. Cela rend l’annotation et l’extraction des relations temporelles plus facile et reproductible à travers différents types d’événements, vu qu’aucune définition et extraction préalable des événements n’est requise.
Enfin, nous effectuons une analyse comparative des outils existants de mesure d’empreinte carbone des modèles de TALTraitement Automatique des langues. Nous adoptons un des outils étudiés pour calculer l’empreinte carbone de nos modèles, en considérant que c’est une première étape vers une prise de conscience et un contrôle de leur impact environnemental.

En résumé, nous générons des modèles de REN partageables préservant la confidentialité que les cliniciens peuvent utiliser efficacement. Nous démontrons également que l’extraction de relations temporelles peut être abordée indépendamment du domaine d’application et que de bons résultats peuvent être obtenus en utilisant des données d’oncologie du monde réel.