Un algorithme d’apprentissage automatique appliqué aux données des appareils domestiques intelligents pourrait détecter les différences de comportement entre les individus en bonne santé et les personnes atteintes de démence
Avec l’âge, le déclin cognitif peut se produire de manière subtile, ce qui n’est pas toujours immédiatement visible pour les membres de la famille ou les amis. Une solution pour mieux détecter ces changements subtils pourrait cependant déjà se trouver dans les foyers de nombreuses personnes, sous la forme d’un dispositif de maison intelligente.
Dans une étude récente, des chercheurs ont démontré qu’il est possible d’utiliser les données des appareils domestiques intelligents pour détecter les différences de comportement entre les personnes qui connaissent un déclin cognitif et les personnes en bonne santé. Les résultats, qui pourraient avoir des implications plus larges pour la surveillance de nombreux états de santé différents, ont été publiés le 3 juin dans le Journal of Biomedical and Health Informatics de l’IEEE.
Gina Sprint, professeur adjoint d’informatique à l’université de Gonzaga, est l’un des chercheurs impliqués dans l’étude. Mme Sprint et ses collaborateurs de l’université de l’État de Washington ont mis au point un nouvel algorithme pour l’analyse des données provenant des appareils domestiques intelligents ; il s’agit de la détection des changements de comportement des groupes (BCD-G). L’algorithme analyse notamment les modèles de comportement des résidents au fil du temps.
Dans le cadre de l’étude, 14 volontaires ont été suivis en continu à leur domicile pendant un mois. Sept de ces volontaires étaient atteints de démence, tandis que les sept autres constituaient un groupe témoin en bonne santé, d’âge et de niveau d’études similaires. La BCD-G a ensuite été utilisée pour évaluer les volontaires dans 16 types d’activités, telles que le bain, la cuisine, le sommeil, le travail et la prise de médicaments.
L’utilisation de la BCD-G pour comparer les deux groupes a révélé des différences de comportement intrigantes.
« Tout d’abord, la vitesse de marche à domicile du groupe de personnes souffrant de troubles cognitifs était environ deux fois moins rapide que celle du groupe de contrôle en bonne santé, correspondant à l’âge », explique Gina Sprint. « De plus, le groupe de personnes souffrant de troubles cognitifs présentait une plus grande variance dans la durée des activités qu’ils pratiquaient et l’heure à laquelle ils commençaient les activités. Ils dormaient davantage le jour et la nuit, et enfin, ils présentaient de grandes différences comportementales liées à la fréquence et à l’heure auxquelles ils quittaient leur domicile, prenaient leurs médicaments et s’habillaient ».
Si la BCD-G s’est révélée utile pour découvrir les schémas comportementaux des personnes atteintes de démence dans cette étude, Gina Sprint note que l’algorithme peut être appliqué à un certain nombre d’autres problèmes de santé. Par exemple, la BCD-G pourrait être utilisée pour suivre les patients qui se remettent d’un accident vasculaire cérébral ou d’un traumatisme crânien.
« Parce que BCD-G examine les changements dans le temps, il peut être utile dans presque tous les cas où un clinicien voudrait savoir si l’état de santé d’une personne s’améliore ou décline », explique Gina Sprint.
Pour l’avenir, son équipe prévoit de consulter les cliniciens afin de recueillir leurs commentaires sur la BCD-G et de développer davantage cet outil. « L’implication de cliniciens ayant une expérience de première ligne dans la création d’algorithmes comme BCD-G est essentielle pour rendre l’apprentissage automatique applicable dans le monde réel », dit-elle. « Les applications réussies peuvent aider les cliniciens à planifier le traitement et, en fin de compte, améliorer la santé des patients ».
https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=6221020
