La démo PARIS

Cette page montre comment vous pouvez exploiter les données de questionnaires médicaux dans MEDomics pour en tirer des enseignements.

Les données originales ne sont pas disponibles. Nous avons généré une version synthétique à l’aide du package synthpop, et elle sera mise à disposition sur Zenodo dès que nous recevrons l’autorisation de l’ équipe PARIS (prévue pour la mi-2026).

À propos du jeu de données

Les enquêtes sur les indicateurs rapportés par les patients (PARIS) constituent une combinaison de données PROM (Patient-Reported Outcome Measures), qui se concentrent sur l’état de santé du patient, et de données PREM (Patient-Reported Experience Measures), qui capturent l’expérience du patient avec les soins. Il s’agit d’un questionnaire rempli par les patients afin de fournir une vue complémentaire de la qualité des soins de santé, permettant aux organisations de suivre les progrès, d’identifier les points à améliorer et de personnaliser les soins. Les colonnes/questions des données sont illustrées dans le tableau ci-dessous.

Objectif

Cette POC vise à montrer comment les données PARIS peuvent être exploitées à l’aide de la plateforme MEDomics. Nous explorerons comment Superset peut être utilisé à la fois pour visualiser et curer les données. De plus, nous examinerons plusieurs modules MEDomics afin de démontrer le potentiel de chacun dans le traitement des données et la modélisation, avec pour objectif ultime de prédire une variable présélectionnée, dans ce cas, la détresse émotionnelle du patient.

Initialement, le jeu de données PARIS contenait environ 200 colonnes (questions) et, pour simplifier cette démonstration, nous avons sélectionné manuellement celles que nous pensons liées au problème clinique de la détresse mentale.

Nom de la colonne	Question	Réponses possibles
EnergeticVigorous2	Je me sentais énergique et plein de vitalité.	Tout le temps La plupart du temps Plus de la moitié du temps Moins de la moitié du temps Occasionnellement Jamais
DailyLifeInterests2	Ma vie quotidienne a été remplie de choses qui m’intéressent.	Tout le temps La plupart du temps Plus de la moitié du temps Moins de la moitié du temps Occasionnellement Jamais
SleepRested2	Je me suis réveillé(e) en me sentant reposé(e) et rafraîchi(e).	Tout le temps La plupart du temps Plus de la moitié du temps Moins de la moitié du temps Occasionnellement Jamais
Fatigue7	Au cours des 7 derniers jours, comment évalueriez-vous votre niveau moyen de fatigue ?	Aucun Léger Modéré Intense Très intense
ActivitiesPain7	Au cours des 7 derniers jours, dans quelle mesure la douleur a-t-elle interféré avec vos activités quotidiennes ?	Pas du tout Un peu Modérément Beaucoup Extrêmement
Pain7	Au cours des 7 derniers jours, comment évalueriez-vous votre niveau moyen de douleur ?	0. 0- Aucune douleur 1 2 3 4 5 6 7 8 9 10- La douleur la plus intense possible
SocialRoles	Globalement, dans quelle mesure avez-vous le sentiment d’accomplir vos activités habituelles avec les autres et votre rôle dans la société (que ce soit à la maison, au travail, dans votre environnement immédiat, ainsi que vos responsabilités en tant que parent, enfant, partenaire/conjoint, employé, ami, etc.) ?	Excellent Très bon Bon Médiocre Mauvais
PhysicalActivities	Dans quelle mesure êtes-vous capable d’effectuer des activités physiques quotidiennes telles que marcher, monter des escaliers, porter des sacs de courses ou déplacer une chaise ?	Complètement Presque complètement Modérément Un peu Pas du tout
Âge	Âge	44 ans ou moins Entre 45 et 49 ans Entre 50 et 54 ans Entre 55 et 59 ans Entre 60 et 64 ans Entre 65 et 69 ans Entre 70 et 74 ans Entre 75 et 79 ans Entre 80 et 84 ans 85 ans ou plus 97. Je préfère ne pas répondre
Sexe	Sexe	Femme Homme Non binaire Autre Je préfère ne pas répondre
NutritiousMeals12	Avoir assez d’argent pour acheter des repas nutritifs ?	Toujours Souvent Parfois Rarement Jamais
RentMortgage12	Avez-vous assez d’argent pour payer votre loyer ou votre hypothèque ?	Toujours Souvent Parfois Rarement Jamais
MonthlyBills12	Avez-vous assez d’argent pour payer d’autres dépenses mensuelles, comme vos factures d’électricité, de chauffage et de téléphone ?	Toujours Souvent Parfois Rarement Jamais
DiscussionHealthcareProfessionals	Discutez-vous avec les professionnels de santé de ce qui est le plus important pour vous dans la gestion de votre santé et de votre bien-être ?	Pas du tout Dans une certaine mesure La plupart du temps Toujours Sans objet
HealthcareInvolvement	Êtes-vous aussi impliqué(e) que vous le souhaiteriez dans les décisions concernant vos soins ?	Pas du tout Dans une certaine mesure La plupart du temps Toujours Sans objet
HealthcareConsideration	Dans le cadre de vos soins, êtes-vous traité(e) comme une personne dans sa globalité et non réduit(e) à une maladie ou à un problème de santé ?	Pas du tout Dans une certaine mesure La plupart du temps Toujours Sans objet
ComplexityHealthIssues	La plupart des problèmes de santé sont trop complexes pour que je puisse les comprendre.	Tout à fait en désaccord Pas d’accord Ni d’accord ni en désaccord D’accord Tout à fait d’accord
cible	Au cours des 7 derniers jours, à quelle fréquence avez-vous été gêné(e) par des problèmes émotionnels tels que le fait de vous sentir anxieux(se), déprimé(e) ou irritable ?	Jamais Rarement Parfois Souvent Toujours Binarisation : les valeurs [1, 2] sont converties en 0, c.-à-d. aucune détresse mentale, tandis que les valeurs [3, 4, 5] sont converties en 1, c.-à-d. détresse mentale.

Étapes

Voici les étapes suivies dans cette démonstration :

1

Superset

Créez des tableaux de bord personnalisables pour mieux comprendre votre jeu de données, et utilisez le SQL Lab intégré pour préparer vos données aux étapes suivantes.

2

Module exploratoire

Utilisez différents outils, tels que sweetViz, pour comprendre la relation sous-jacente entre les variables de vos données et éventuellement supprimer celles qui sont redondantes.

3

Module d’entrée

Plusieurs outils peuvent être exploités dans le module d’entrée, comme l’outil Create Holdout Set, pour partitionner les données en ensembles d’entraînement et de validation.

4

Module d’apprentissage

Le module d’apprentissage représente l’étape principale de la démonstration. Il sera utilisé pour tester plusieurs algorithmes d’apprentissage automatique afin de prédire la variable d’état émotionnel, sélectionner le meilleur, puis entraîner et enregistrer un modèle final.

5

Module d’évaluation

Dans ce module, nous utiliserons le modèle d’apprentissage automatique enregistré pour effectuer des prédictions sur l’ensemble de validation et tenter d’interpréter et d’expliquer les choix du modèle.

6

Module d’application

Cette dernière étape est similaire au déploiement d’un modèle, où nous utiliserons le modèle enregistré dans le module d’apprentissage pour générer des prédictions sur de nouvelles données d’entrée.