Le domaine récent de la fusion de données est fortement lié à celui de l'intelligence artificielle et se propose de donner les méthodes et les moyens d'utiliser de la façon la plus efficace des données hétérogènes, bruitées et incertaines en provenance de sources multiples. Dans le cadre de la perception d'environnements dynamiques et incertains, nous nous trouvons de plus en plus confrontés à une sur-abondance de données, issues soit de capteurs, soit de base de connaissances, soit d'une interaction avec l'utilisateur. Il est alors primordial de pouvoir les utiliser avec un maximum d'efficacité, afin d'extraire l'information la plus utile, le plus rapidement et avec le moins d'incertitude possible. Ce travail de thèse présente une approche nouvelle de la fusion de données et applique ces notions à la modélisation et au diagnostic probabiliste dans le cadre d'applications de télémédecine. Notre contribution se situe au niveau de la définition d'une notion de gain dans un processus de fusion de données, ainsi que de l'application de nouveaux modèles tels que les réseaux bayésiens pour faire du diagnostic en télémédecine en environnement incertain, avec pour but, la régulation de l'état physiologique d'un patient. Une première étude du domaine de la fusion de données a permis d'exhiber des concepts de base tels qu'un processus de fusion de données et la notion de gain qualifié, mais aussi de donner une structuration et un typage des sources de données et des résultats fournis par un processus de fusion de données. Cette première approche a servi de cadre général à la seconde partie de la thèse qui a portée sur la modélisation et le diagnostic médical dans le cadre d'une application de télémédecine. Il s'agit typiquement d'un problème où interviennent plusieurs sources de données et où l'incertitude sur les données est non négligeable. Le projet Diatelic d'assistance à domicile de personnes souffrant d'insuffisance rénale, vise à monitorer l'état d'hydratation d'un patient subissant une dialyse péritonéale à domicile. Les données recueillies quotidiennement auprès du patient sont incertaines et bruitées, car la mesure n'est jamais parfaite, et le patient peut faire des erreurs, volontaires ou non. De plus les données sont hétérogènes, car il s'agit de diverses mesures physiologiques générales telles que le poids, la tension ou la température, mais aussi spécifiques à l'application Diatelic (modification du régime alimentaire, modification du traitement de l'insuffisance rénale, etc...). Pour résoudre ce problème de fusion de données, nous avons choisi d'utiliser les réseaux bayésiens dynamiques qui sont un modèle permettant de modéliser les dépendances causales typiques de la connaissance médicale, mais aussi de gérer efficacement le problème de l'incertitude et de l'hétérogénéité des données. Le modèle à base de réseaux bayésiens permet alors une fusion efficace, où notre but est en particulier de maximiser le gain en certitude, c'est-à-dire de détecter avec la plus grande confiance possible l'état d'hydratation du patient à partir des informations fournies par les capteurs. Ce travail théorique a aussi donné lieu à l'implémentation d'un moteur d'inférence bayésienne à partir de réseaux bayésiens, permettant d'expérimenter nos modèles. Ensuite, une première version du système Diatelic a été réalisée avec ce moteur Le processus de fusion que nous modélisons permet une prise de décision plus efficace du médecin car il indique avec précision l'état physiologique du patient et permet ainsi de réguler l'état et d'éviter la venue d'aggravations médicales. Ce travail s'est ouvert à d'autres aspects nouveaux des réseaux bayésiens tels que la gestion du temps, et la notion de qualité d'un processus de fusion basé sur les réseaux bayésiens.

EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/Main/Exploration

HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 008127 | SxmlIndent | more

HfdSelect -h $EXPLOR_AREA/Data/Main/Exploration/biblio.hfd -nk 008127 | SxmlIndent | more

{{Explor lien
   |wiki=    Wicri/Lorraine
   |area=    InforLorV4
   |flux=    Main
   |étape=   Exploration
   |type=    RBID
   |clé=     CRIN:bellot02d
   |texte=   Fusion de données avec des réseaux bayésiens pour la modélisation des systèmes dynamiques et son application en télémédecine
}}