Soutenance de thèse de A. HUAULMÉ le 25/01/2017

Arnaud Huaulmé, de l’équipe GMCAO, soutiendra sa thèse le mercredi 25 janvier 2017 à 14h00.

Titre : « Détection automatique de déviations chirurgicales et identification de comportements chirurgicaux par modélisation et analyse des processus chirurgicaux »

Title : « Automatic detection of surgical deviations and identification of surgical behavior by modeling and analyse of surgical process models. »

Lieu : Amphithéâtre Boucherle de la Faculté de Médecine.

Jury :

- Mme Marie-Christine JAULENT, DR INSERM,LIMICS, Sorbonne Universités, Paris, Rapporteur
- M. Eric STINDEL, PU-PH, LATIM, Université de Bretagne Occidentale, Brest, Rapporteur
- M. Jean-Luc FAUCHERON, PU-PH, Hôpital Michallon, UGA, Grenoble, Examinateur
- M. Germain FORESTIER, MC, ENSISA, Université de Haute-Alsace, Mulhouse, Examinateur
- M. Gwenolé QUELLEC, CR INSERM, LATIM, Université de Bretagne Occidentale, Brest, Examinateur
- M. Alexandre MOREAU-GAUDRY, PU-PH, TIMC-IMAG, UGA, Grenoble, Directeur de thèse
- M. Pierre JANNIN, DR INSERM, LTSI, Université de Rennes 1, Rennes, Encadrant
- Mme Sandrine VOROS, CR INSERM, TIMC-IMAG, UGA, Grenoble, Encadrante

Mots clés :
modélisation des connaissances, détection automatique, découverte de pattern, événement indésirable, rectopexie

Résumé :

Les événements indésirables (EIs) sont devenus une vraie préoccupation du monde médical, leur réduction étant recherchée pour assurer la meilleure sécurité possible pour les patients. Les événements indésirables sont, selon la HAS, ‘‘des situations qui s’écartent de procédures ou de résultats escomptés dans une situation habituelle et qui sont ou qui seraient potentiellement sources de dommages’’. Alors que les événements indésirables postopératoires sont étudiés depuis de nombreuses années, ceux ayant lieu au cours des opérations ne le sont que depuis récemment, comme le montre la récente classification des événements indésirables intraopératoires par Kaafarani et al. publiée en 2014. Cependant, la classification d’événements indésirables intraopératoires n’est que la première étape pour comprendre les comportements chirurgicaux qui les entraînent.

Dans cette thèse, nous présenterons des méthodes pour détecter l’apparition de déviations dues à l’apparition d’événements indésirables intraopératoires et pour identifier des comportements chirurgicaux à partir de modèle de processus chirurgicaux.

Ce travail a nécessité de concevoir et développer une modélisation formelle de la rectopexie et des événements indésirables qui sont associés à cette procédure chirurgicale grâce à la mise en place d’ontologies. Cette modélisation formelle nous a permis de bien appréhender le principe de cette opération et de fournir un vocabulaire permettant une annotation détaillée de vidéos endoscopiques de rectopexies, afin de créer des modèles de processus chirurgicaux en jeu.

Grâce à l’annotation des vidéos chirurgicales basée sur cette modélisation, nous avons développé une méthode de détection automatique des déviations dues à l’apparition d’événements indésirables. Cette méthode est basée sur un alignement temporel non linéaire multidimensionnel, que nous avons développé, suivi d’un modèle semi-Markovien caché que nous avons entraîné pour déterminer s’il existe des déviations par rapport à une chirurgie de référence et si celles-ci sont dues à des événements indésirables.

Cette détection de déviations dues aux événements indésirables est la première étape afin de comprendre les raisons de leurs apparitions. Nous émettons l’hypothèse que leurs apparitions peuvent être expliquées par une succession d’activités, c’est-à-dire un pattern. Pour répondre à cette hypothèse, nous avons mis en place une méthode de découverte de patterns permettant d’identifier les comportements chirurgicaux spécifiques à différents critères. Cette identification de comportements chirurgicaux est réalisée par une classification ascendante hiérarchique avec la mise en place d’une nouvelle métrique basée sur les patterns partagés entre les chirurgies. Afin de valider notre méthode, nous l’avons comparé à deux études mettant en évidence des différences de comportements chirurgicaux, par exemple entre différents sites chirurgicaux ou entre deux types de procédures de la même opération. Une fois la méthode validée, nous avons utilisé notre méthode afin de montrer s’il existait des comportements chirurgicaux spécifiques à des données préopératoires et à l’apparition d’événements indésirables.

Title
Automatic detection of surgical deviations and identification of surgical behavior by modeling and analyse of surgical process models


Abstract
Adverse events are an important concern for medical domain, their reduction is searched to allow the best safety for patients. The adverse events are, according to the HAS\footnoteHaute Autorité de santé, ‘‘situations which divert from procedures or from expected results in a usual situation and which are or which would be potentially sources of damage’’. Even though postoperative adverse events have been studied for many years, the ones which occur during the operation are recently studied, for example the first classification of intraoperative adverse events is the classification of Kaafarani et al. published in 2014. Nevertheless, the classification of intraoperative adverse events is only the first step to understand the surgical behaviors to their sources.

In this thesis, we will present methods to detect the apparition of deviations due to intraoperative adverse events and to identify surgical behaviors thanks to surgical process model.

To allow the development of these methods, the first step was to model the rectopexy and the adverse events related to this surgery thanks to the creation of ontologies. This work has enabled us to understand the principle of this operation and to create a vocabulary. This vocabulary was used to annotate laparoscopic videos of rectopexies, in order to create surgical process models

Thanks to the surgical video annotation based on this modelisation of the rectopexy, we have developed a method to automatically detect deviations due to adverse events. This method is based on a multidimensional non-linear temporal scaling, a homemade alignment of sequences, follows by a hidden semi-Markovian model. This Markovian model was trained to detect deviations from a standard surgical process, a reference, and to determine if these deviations are due to adverse events.

This deviation detection is the first step in order to understand the reason of their apparitions. We hypothesize that their apparitions could be explained by an activities succession, i.e. a pattern. To verify this hypothesis, we develop a pattern discovery method to allow the identification of specific surgical behaviors. This identification of surgical behaviors was done by a hierarchical clustering thanks to a new metric based on shared pattern between surgeries. To validate our method, we make a comparison with two state of the art article highlighting surgical behaviors, for example, surgical behaviors specific to surgical site or to type of procedures. Once our method has been validated, we have used it to identify surgical behavior specific to preoperative data and to adverse events apparitions.

Keywords
knowledge modeling, automatic detection, pattern discovery, adverse events, rectopexy


Laboratoire TIMC-IMAG, Domaine de la Merci, 38706 La Tronche Cedex

CNRS
UGA
ENVL
Grenoble INP
Mentions Légales