Evaluation des facteurs de risque de chute chez les personnes âgées à l'aide de réseaux bayésiens basés sur un ensemble de données réelles

Falls are a significant problem for the elderly, with identification and evaluation of risk factors being essential to reduce fall rates. However, fall prevention requires a pedagogical and repeated approach, time, and expertise to target actionable risk factors accurately. This thesis aims to evaluate the risk factors for falls using a real data set and Bayesian networks.Using real data poses challenges, particularly in data preprocessing, which is time-consuming and requires expertise. Additionally, an application based on AI raises new challenges such as trustability, which depends on the interpretability and explainability of the results.To address these challenges, this thesis proposes a knowledge model (Bayesian networks) that automatically evaluates the main actionable risk factors. The model is trained on a real data set combined with expert knowledge. Two iterations of the data preprocessing steps are presented and explained, including missing value imputation, variable selection, and the use of balancing techniques for imbalanced data. The first iteration included only the main variables to validate the process's feasibility, and the second iteration included as many variables as possible to improve the prediction and the process.The model is compared with other well-known classifiers through different measures, including all or partial observation, and using or not balancing methods to manage the delicate question of imbalanced data. A Bayesian network is presented as a good solution, combining the quality of the results to evaluate the risk factors and the interpretability/explainability of the model from the expert's point of view.The results show that predicting the presence or absence of risk factors for falls is a challenging task. While Bayesian Networks and other classifiers perform equivalently in terms of measures such as balanced accuracy and f1-score, the interest of Bayesian networks lies in their interpretability and the ability to use partial observations.In summary, this thesis presents a contribution toward an application for fall prevention that facilitates automatic risk factor evaluation from partial observations of the patient, using a real data set and Bayesian networks. The proposed knowledge model (Bayesian networks) addresses the challenges of using real data and AI-based applications, respectively.Les chutes constituent un problème important pour les personnes âgées, et l'identification et l'évaluation des facteurs de risque sont essentielles pour réduire les taux de chute. Cependant, la prévention des chutes nécessite une approche pédagogique et répétée, du temps et de l'expertise pour cibler avec précision les facteurs de risque exploitables. Cette thèse vise à évaluer les facteurs de risque de chute en utilisant un ensemble de données réelles et des réseaux bayésiens.L'utilisation de données réelles pose des défis, en particulier en ce qui concerne le prétraitement des données, qui prend du temps et nécessite de l'expertise. De plus, une application basée sur l'IA soulève de nouveaux défis tels que la confiance, qui dépend de l'interprétabilité et de l'explicabilité des résultats.Pour relever ces défis, cette thèse propose un modèle de connaissance (réseaux bayésiens) qui évalue automatiquement les principaux facteurs de risque pouvant faire l'objet d'une action. Le modèle est entraîné sur un ensemble de données réelles combinées à des connaissances d'experts. Deux itérations des étapes de prétraitement des données sont présentées et expliquées, y compris l'imputation des valeurs manquantes, la sélection des variables et l'utilisation de techniques d'équilibrage pour les données déséquilibrées. La première itération n'incluait que les principales variables pour valider la faisabilité du processus, et la seconde itération incluait autant de variables que possible pour améliorer la prédiction et le processus.Le modèle est comparé à d'autres classificateurs bien connus par le biais de différentes mesures, y compris l'observation totale ou partielle, et l'utilisation ou non de méthodes d'équilibrage pour gérer la question délicate des données déséquilibrées. Un réseau bayésien est présenté comme une bonne solution, combinant la qualité des résultats pour évaluer les facteurs de risque et l'interprétabilité/explicabilité du modèle du point de vue de l'expert.Les résultats montrent que prédire la présence ou l'absence de facteurs de risque de chute est une tâche difficile. Alors que les réseaux bayésiens et d'autres classificateurs ont des performances équivalentes en termes de mesures telles que la précision équilibrée et le score f1, l'intérêt des réseaux bayésiens réside dans leur interprétabilité et la possibilité d'utiliser des observations partielles.En résumé, cette thèse présente une contribution à une application pour la prévention des chutes qui facilite l'évaluation automatique des facteurs de risque à partir d'observations partielles du patient, en utilisant un ensemble de données réelles et des réseaux bayésiens. Le modèle de connaissance proposé (réseaux bayésiens) répond aux défis de l'utilisation de données réelles et des applications basées sur l'IA, respectivement