Online Multiagent Monitoring in Intensive Care Units - HAL-SHS - Sciences de l'Homme et de la Société Accéder directement au contenu
Thèse Année : 2010

Online Multiagent Monitoring in Intensive Care Units

Surveillance multi-agents en ligne dans les unités de soins intensifs

Résumé

The thesis work focuses on automatic and intelligent identification of patient status in intensive care units (ICUs). The objective was to propose an intelligent system capable of monitoring in real time, patients in critical condition by limiting the number of false alarms. Patients in ICUs, suffering from various pathologies, require assistance and intense follow-up with special care, which justifies continuous and real-time monitoring. Improving patient monitoring in ICUs is at the heart of much research and all the studies on this subject combine to demonstrate the need to improve medical monitoring tools. The current monitoring system is based on threshold algorithms. Currently, the alarms triggered reflect a simple crossing of a threshold by one or more measured variables. This system introduces noise pollution instead of informing the medical staff in a relevant way of real clinical events. Studies have shown that the rate of non-significant alarms triggered varies between 40% and 90% of all alarms. This can lead to a decrease in the vigilance of the nursing staff. This leads the medical staff, in most cases, to deactivate these alarms or to increase the thresholds. This behavior leads to an increase in the mortality rate in ICUs. The major drawback of these current systems is that they do not take into consideration the correlation between physiological variables. If a variable exceeds the threshold, the system triggers an alarm without checking whether the other variables with which it is correlated have changed their behavior or not. We have therefore proposed a multi-agent system where each agent monitors a variable. In the event of an anomaly, the agent sends a message to the supervisor agent who will decide whether to trigger the alarm based on messages from other agents. A second drawback of these systems is that they only consider exceeding the variable threshold and not the change in behavior in general (i.e. change in variance, change in level, slope, seasonality, etc.). This was remedied by the use of time series technology. To this end, we have proposed a new intelligent monitoring system based on time series techniques and multi-agent systems. The idea was to replace the cognitive part of the agent with an anomaly detection algorithm. The model used was the ARIMA model. Being an autoregressive prediction model, we used it to predict the new value before its appearance. Once captured by the system, the actual value will be compared against the predicted value. There are two cases: (1) if the actual value belongs to the confidence interval of the predicted value, then it is normal, (2) if the actual value does not belong to the confidence interval of the predicted value , then it is abnormal. To remedy the problem of outliers, which are essentially due to artifacts, the agent only sends an alert message to the supervisor if at least five successive values ​​have exceeded the predicted values. The major advantage of this architecture is that it does not require any learning time. From the first 60 values ​​captured (one value every 3 ms), the model can be initialized. As values ​​arrive, the model will be updated.
Le travail de thèse porte sur l’identification automatique et intelligente de l’état des patients dans les unités de soins intensifs (USIs). L’objectif était de proposer un système intelligent capable de surveiller en temps réel, des patients en état critique en limitant le nombre de fausses alertes. Les patients en USIs, souffrant de pathologies diverses, nécessitent une assistance et un suivi intense avec des soins particuliers, ce qui justifie une surveillance continue et en temps réel. L’amélioration de la surveillance des patients en USIs est au cœur de nombreuses recherches et toutes les études sur ce sujet concourent à démontrer le besoin d’améliorer les outils de surveillance médicale. Le système actuel de surveillance est basé sur des algorithmes à seuils. À l’heure actuelle, les alarmes déclenchées reflètent un simple dépassement d’un seuil par une ou plusieurs variables mesurées. Ce système introduit une pollution sonore au lieu d’informer le staff médical d’une manière pertinente des vrais évènements cliniques. Des études ont montré que les taux d’alarmes, non significatives, déclenchées varient entre 40% et 90% de la totalité des alarmes. Cela peut générer une baisse de la vigilance du personnel soignant. Ce qui amène le staff médical, dans la plupart des cas, à désactiver ces alarmes ou à augmenter les seuils. Ce comportement engendre l’augmentation du taux de mortalité dans les USIs. L’inconvénient majeur de ces systèmes actuels c’est qu’ils ne prennent pas en considération la corrélation entre les variables physiologiques. Si une variable dépasse le seuil, le système déclenche une alarme sans vérifier si les autres variables avec lesquelles elle est en corrélation ont changé de comportement ou non. Nous avons donc proposé un système multi-agents où chaque agent surveille une variable. En cas d’anomalie, l’agent envoie un message à l’agent superviseur qui décidera du déclenchement de l’alarme en fonction des messages provenant des autres agents. Un deuxième inconvénient de ces systèmes c’est qu’ils ne considèrent que le dépassement du seuil des variables et non pas le changement de comportement d’une façon générale (i.e. changement de la variance, changement de niveau, pente, saisonnalité…). Ceci a été remédié par l’utilisation de la technologie des séries temporelles. A cet effet, nous avons proposé un nouveau système intelligent de surveillance basé sur les techniques des séries temporelles et les systèmes multi-agents. L’idée était de remplacer la partie cognitive de l’agent par un algorithme de détection d’anomalies. Le modèle utilisé était le modèle ARIMA. Etant un modèle autorégressif de prédiction, nous l’avons utilisé pour prédire la nouvelle valeur avant son apparition. Une fois capturée par le système, la valeur réelle va être comparée par rapport à la valeur prédite. Deux cas se présentent : (1) si la valeur réelle appartient à l’intervalle de confiance de la valeur prédite, alors elle est normale, (2) si la valeur réelle n’appartient pas à l’intervalle de confiance de la valeur prédite, alors elle est anormale. Pour remédier au problème des points aberrants (outliers) qui sont dus essentiellement à des artéfacts, l'agent n’envoie de message d’alerte au superviseur que si au moins cinq valeurs successives ont dépassé les valeurs prédites. L’avantage majeur de cette architecture, c’est qu’elle ne nécessite pas de temps d’apprentissage. A partir des 60 premières valeurs capturées (à raison d’une valeur chaque 3 ms), le modèle peut être initialisé. Au fur et à mesure que les valeurs arrivent, le modèle sera mis à jour.
Fichier principal
Vignette du fichier
Thèse de doctorat version finale.pdf (24.04 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03543241 , version 1 (25-01-2022)

Identifiants

  • HAL Id : tel-03543241 , version 1

Citer

Kaouther Nouira. Online Multiagent Monitoring in Intensive Care Units. Multiagent Systems [cs.MA]. Université de Tunis (Tunisie), 2010. English. ⟨NNT : ⟩. ⟨tel-03543241⟩
26 Consultations
3 Téléchargements

Partager

Gmail Facebook X LinkedIn More