Surveillance réactive de la mortalité fondée sur les causes médicales de décès en texte libre : application de méthodes de traitement automatique des langues

Based on electronic death certificates from 2012 to 2016 in France, this thesis aims to implement and evaluate the performance of natural language processing methods, to classify medical causes of death in free text format into mortality syndromic groups (MSG) relevant for reactive mortality surveillance and health impact assessment.Close to 100 MSGs meeting the objectives of the surveillance were defined. Two classification methods were developed: a rule-based method and a supervised machine learning method (SVM). Two SVM models were developed using different combinations of features. The development and evaluation of the performances of the methods were based on 4,500 annotated death certificates. The evaluation was initially based on 7 MSGs and was then extended to 60 other MSGs. The variations of the monthly number of MSGs assigned by the two methods were compared using the whole death certificates from 2012 to 2016 (204,000 deaths).The rule-based method and the SVM model including all the features obtained high performances (F-mesure≥0.95) for the classification of causes into 31 MSGs. The monthly variations of those MSGs were comparable. In average, the causes of death within a certificate are classified into 3.7 MSG. We proposed a balanced weighting method of the MSG to take these multiple causes into account in the routine analysis of mortality for alert and impact assessment.These results complete and enrich the reactive surveillance currently based on administrative data.A partir des décès certifiés électroniquement de 2012 à 2016 en France, la thèse vise à mettre en œuvre et évaluer les performances de méthodes de traitement automatique des langues, pour classer les causes médicales de décès disponibles en texte libre dans des regroupements syndromiques (RS) pertinents pour la surveillance réactive de la mortalité à visée d’alerte et d’évaluation d’impact sanitaire.Près de 100 RS répondant aux objectifs ont été définis. Deux méthodes de classification ont été développées : une méthode à base de règles linguistiques et une méthode par apprentissage supervisé (SVM). Deux modèles SVM ont été développés utilisant différentes combinaisons de caractéristiques. Le développement et l’évaluation des performances des méthodes se sont appuyés sur 4 500 certificats de décès annotés. L’évaluation a porté dans un premier temps sur 7 RS, puis a été étendue à 60 autres RS. Les évolutions mensuelles des RS attribués par les méthodes ont été comparées sur l’ensemble des décès de 2012 à 2016 (204 000 décès).La méthode par règles et le modèle SVM incluant l’ensemble des caractéristiques ont obtenu des performances élevées (F-mesure≥0,95) pour la classification des causes dans 31 RS. L’évolution temporelle de ces RS obtenus par les deux méthodes était comparable. En moyenne, les causes de décès au sein d’un certificat sont classées dans 3,7 RS. Une méthode de pondération équilibrée des RS a été proposée pour prendre en compte ces causes multiples lors de l’analyse en routine de la mortalité pour la surveillance à visée d’alerte et d’évaluation d’impact.Ces résultats permettent d’améliorer la surveillance réactive actuellement fondée sur des données d’état-civil