EI-Xplore
Comparaison de trois approches de raisonnement terminologiques pour améliorer l’apprentissage statistique et la détection automatisée du signal en pharmacovigilance
Description du projet
La pharmacovigilance est l’étude des effets indésirables
liés aux médicaments. La mise en évidence d’un signal (une relation inattendue
entre un médicament et un effet indésirable) s’appuie sur des méthodes
d’apprentissage statistique. En France, 225 000 cas sont actuellement
enregistrés dans la base nationale et il en existe environ 3 millions à l’OMS.
En l’absence d’une représentation formelle des termes qui codent l’information,
le processus d’extraction des connaissances à partir des données n’est pas
efficace. Nous posons l’hypothèse qu’un prétraitement des données au moyen d’un
raisonnement terminologique permet d’améliorer les performances des algorithmes
de détection du signal. Notre objectif est de comparer trois modèles de
raisonnement terminologique : distance sémantique, subsomption au moyen de
logiques de description, analyse formelle des concepts. Dans chaque cas, nous
réaliserons un prétraitement des données au moyen d’une de ces méthodes et nous
comparerons les résultats obtenus par apprentissage statistique avant et après
le prétraitement terminologique. Ce travail devrait mettre en évidence
l’intérêt d’une représentation formelle des données terminologiques et des
modèles de raisonnement terminologique associés avant toute démarche
d’apprentissage statistique.
Coordinateur du projet
JAULENT Marie-Christine - Santé Publique et Informatique Médicale, ERM202 INSERM, Université Paris 5
Partenaires