WO2024256465A1 - Procede de determination d'un score de risque de crise d'epilepsie d'un individu, procede d'assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants - Google Patents

Procede de determination d'un score de risque de crise d'epilepsie d'un individu, procede d'assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants Download PDF

Info

Publication number
WO2024256465A1
WO2024256465A1 PCT/EP2024/066238 EP2024066238W WO2024256465A1 WO 2024256465 A1 WO2024256465 A1 WO 2024256465A1 EP 2024066238 W EP2024066238 W EP 2024066238W WO 2024256465 A1 WO2024256465 A1 WO 2024256465A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
indicators
cluster
individuals
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/066238
Other languages
English (en)
Inventor
Laurent RIBIERE
Benoit FUENTES
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Reliev Technologies
Original Assignee
Reliev Technologies
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from FR2305989A external-priority patent/FR3149764A1/fr
Application filed by Reliev Technologies filed Critical Reliev Technologies
Publication of WO2024256465A1 publication Critical patent/WO2024256465A1/fr
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the invention relates to a system and a method for assisting in the detection and/or prediction of epileptic seizures in a patient.
  • Epilepsy is a disabling neurological disease that affects tens of millions of people worldwide. Despite therapeutic progress, approximately one third of these patients suffer from treatment-resistant forms of epilepsy and still regularly experience seizures. According to a definition proposed by the International League against Epilepsy, these drug-resistant forms occur after the failure of two tolerated and correctly chosen antiepileptic treatments (alone or in combination) to achieve lasting seizure control. Unbalanced patients are the most worrying population, for whom a mortality rate significantly higher than the rest of the population is observed. In France, several hundred thousand people are affected by epilepsy and the number of drug-resistant patients is estimated at more than 150,000, which represents a significant medical and social cost for the health system.
  • Epilepsy is a complex and plural disease characterized by variable etiologies, ages of onset and clinical manifestations.
  • the International League against Epilepsy proposes a classification of seizures according to the location of the initial manifestations (focal or generalized), the level of consciousness, the motor signs or even the possible spread of the seizure. All seizures can be prolonged and lead to status epilepticus, which is a major medical emergency. Epilepsy may also be accompanied by cognitive or psychiatric comorbidities.
  • focal epilepsy In the specific case of focal epilepsy, surgical management may be considered, although in practice it is only possible in a limited proportion of patients. In unbalanced and inoperable patients, the unpredictable nature of the seizures constitutes a significant source of anxiety. The quality of life of these people and their loved ones is consequently significantly degraded.
  • Seizure frequency measurement is considered an essential indicator for estimating the quality of care.
  • Phenomena such as memory loss or alterations in perception at the time of the seizure are thought to be the cause. Whatever the reasons, it has been observed that at least 50% of seizures are missed on average by patients.
  • a study of patients implanted for several months with an intracranial device (allowing very fine seizure detection) also confirmed that most underestimated the frequency of their seizures.
  • T electroencephalogram better known by the acronym EEG
  • EEG electroencephalogram
  • video audio
  • movements heart rate
  • skin conductance skin temperature
  • oxygenation rate respiration or even muscle activity via an electromyogram (or EMG).
  • EMG electromyogram
  • Multimodal approaches i.e. combining several sensors at once, are considered the most promising (better sensitivity and specificity).
  • the inventors therefore sought to develop a new system and method which makes it possible to detect and/or anticipate epileptic seizures in order to improve the monitoring and comfort of patients and their loved ones.
  • the invention thus aims to provide a system and a method for determining a patient's epileptic seizure risk score.
  • the invention also aims to provide a system and a method for assisting in the detection and/or prediction of epileptic seizures in a patient implementing the system and method for determining a seizure risk score according to the invention.
  • the invention also aims to provide, in at least one embodiment, such a system and such a method which allow the detection and/or prediction of epileptic seizures, whatever the symptoms announcing the seizures.
  • the invention also aims to provide, in at least one embodiment, such a system and such a method which make it possible to limit the risks of accidents linked to seizures, to reassure patients and their loved ones on a daily basis and finally to improve the quality of care by a neurologist.
  • the invention also aims to provide, in at least one embodiment, such a system and such a method which can be used by a variety of individuals, without particular constraints.
  • the invention also aims to provide, in at least one embodiment, such a system and such a method which can evolve over time based on user feedback.
  • the invention relates to a method for determining an epileptic seizure risk score of an individual, called a patient, said method comprising: a step of constituting a learning base of epileptic individuals, said base comprising, for at least a plurality of individuals, electrocardiogram signals, called ECG signals, and accelerometric signals, respectively representative of the electrical activity of the heart and the movements of these individuals, associated with data on the start and end of seizures of these individuals, a step of partitioning said learning base into a plurality of groups of individuals, called clusters, each cluster being made up of individuals presenting the same type of epileptic symptom(s) in the vicinity of the epileptic seizures that they suffer.
  • the method comprises, for each cluster formed in the previous step, a step of training a machine learning model specific to this cluster, from meta-indicators derived from the data of said learning base restricted to the individuals belonging to this cluster, said meta-indicators being calculated by the following steps: localization of all the R peaks in the ECG signal of each individual of the cluster, an R peak being the most prominent peak of a QRS complex generated by a heartbeat of the individual (contraction of the ventricles), identification of the RR intervals of the ECG signal of each individual of the group, calculation of indicators, called cardiac indicators, from the RR intervals including a mean, a standard deviation, a low and high frequency power, the cardiac indicators being calculated at a predetermined time interval on the ECG signals of each individual, calculation of indicators, called activity indicators, from the accelerometric signals of each individual of the cluster, the activity indicators being calculated at a predetermined time interval of predetermined time on the accelerometric signals of each individual, operations on said indicators calculated in the previous steps to provide said meta-indic
  • the method also comprises the following steps: a step of classifying said patient into one of the clusters so as to select the corresponding trained learning model, a step of acquiring ECG and accelerometric signals on said patient equipped with an ECG sensor and an accelerometer, a step of calculating said meta-indicators following the same principle as that implemented for training the learning models, a step of calculating a crisis risk score for said patient, by feeding said trained learning model corresponding to the group of said patient with said meta-indicators calculated for this patient.
  • the method according to the invention therefore comprises a first series of steps (hereinafter referred to as the pre-learning phase) which makes it possible to constitute a learning base, to partition this learning base into a plurality of groups (referred to as clusters throughout the following), and to train a learning model for each cluster.
  • This pre-learning phase therefore makes it possible to obtain a plurality of trained learning models, each model corresponding to a typology of individuals grouped by type of epileptic symptom(s).
  • the method further comprises a second series of steps (hereinafter referred to as the assessment phase) which makes it possible to equip a patient with a plurality of sensors, to calculate different meta-indicators from the data of the sensors and to feed the trained learning model corresponding to the group to which the patient belongs with the calculated meta-indicators to obtain a seizure risk score.
  • This assessment phase occurs after the pre-learning phase and makes it possible to determine a risk score of a patient equipped with an ECG sensor and an accelerometer. Once the pre-learning phase has been carried out, the patient assessment phase can, of course, be executed several times, without need to renew the pre-learning phase.
  • seizures are accompanied by gestures (or the absence of gestures) that can be captured by acceleration sensors.
  • the method according to the invention trains a machine learning model specific to each type of manifestation to improve the quality of detection.
  • the invention provides for assigning the patient to a group of individuals from a plurality of groups and training and using a machine learning model per group thus formed.
  • the method according to the invention comprises a step of partitioning the learning base into a plurality of groups of individuals, called clusters, each cluster being made up of individuals presenting the same type of epileptic symptom(s) in the vicinity of the epileptic seizures that they suffer.
  • this partitioning step comprises: a step of randomly distributing said individuals from said learning base into K clusters, K being a predetermined integer, for each of the K clusters thus formed, a step of training a machine learning model specific to this cluster according to the same principle as that implemented in the context of training learning models from said derived meta-indicators data from individuals in this cluster, a reassignment of individuals from said learning base to the cluster whose learning model minimizes a prediction error, a reiteration of the previous steps until said total prediction error stabilizes around a value.
  • a number K of clusters is arbitrarily fixed and these K clusters are randomly formed.
  • a classification model is trained following the same principle as the training of learning models described later. Once all the models are trained, the individuals are reassigned to the cluster whose model minimizes the prediction error. This process is repeated several times until the total prediction error stabilizes around a value.
  • This procedure advantageously makes it possible to constitute clusters of individuals without a priori knowledge of the individuals' symptoms.
  • clusters are formed by an operator who analyzes the learning base and groups individuals according to the individuals' seizure symptoms.
  • the method according to the invention also comprises, for each cluster formed in the previous step, a step of training a machine learning model specific to this cluster, from meta-indicators derived from the data of the learning base restricted to the individuals belonging to this cluster.
  • the meta-indicators are calculated by the following steps: localization of all the R peaks in the ECG signal of each individual in the cluster, an R peak being the most prominent peak of a QRS complex generated by a heartbeat of the individual, identification of the RR intervals of the ECG signal of each individual in the group, calculation of indicators, called cardiac indicators, from the RR intervals including a mean, a standard deviation, a low power and high frequency, the cardiac indicators being calculated at a predetermined time interval on the ECG signals of each individual, calculation of indicators, called activity indicators, from the accelerometric signals of each individual of the cluster, the activity indicators being calculated at a predetermined time interval on the accelerometric signals of each individual, operations on said indicators calculated in the preceding steps to provide said meta-indicators representative of a distribution of the indicators within a predetermined time window, of each cardiac and activity indicator calculated.
  • the meta-indicators thus calculated are the input data provided to the learning models implemented by the invention.
  • a machine learning model is trained by groups of individuals formed in the partitioning step.
  • This step closes the pre-learning phase of the method according to the invention and the patient evaluation phase can then be implemented.
  • the assessment phase aims to provide a risk score for a patient equipped with an ECG sensor and an accelerometric sensor from which the same meta-indicators as those calculated during the pre-learning phase will be determined and will feed the trained learning model corresponding to the cluster to which the patient belongs.
  • the patient is, for example, equipped with a box that houses several sensors, including an ECG sensor and an accelerometer. These sensors communicate, for example via Bluetooth, with an application embedded on a device such as a smartphone.
  • This embedded application is configured to calculate the meta-indicators from the data provided by the sensors.
  • the software application is configured to retrieve the trained learning model corresponding to the patient.
  • the meta-indicators can feed the trained learning model corresponding to the patient to provide a crisis risk score.
  • this evaluation phase begins with a step of classifying the patient into one of the clusters in order to select the corresponding trained learning model.
  • said step of classifying said patient in a cluster comprises: a step of acquiring ECG and accelerometric signals on said patient from an ECG sensor and an accelerometer worn by said patient, a step of calculating said meta-indicators following the same principle as that implemented for training the learning models, a step of reporting by said patient the first N seizures suffered, N being a predetermined integer, a step of calculating the risk score from each of the trained learning models, and of selecting said trained model which provides the best risk score for all of the first N seizures reported, said patient being classified in the cluster corresponding to this model.
  • the patient classification step within a cluster is done automatically by testing the different learning models. This makes it possible to select a pre-learned model that best corresponds to the first N seizures reported by the patient.
  • the method according to the invention can calculate the patient's crisis risk score, by feeding the trained learning model corresponding to the patient's group with the meta-indicators calculated for this patient.
  • the method further comprises a step of indicating a crisis prediction error by said patient and a step of updating the learning model of said patient from said learning base restricted to individuals belonging to the cluster of said patient, to which said patient is added.
  • the trained learning model corresponding to the patient's cluster is updated if the patient (or a relative of the patient, a practitioner, etc.) reports prediction errors.
  • the prediction of a crisis is defined for example as a risk score higher than a predetermined threshold.
  • a prediction error corresponds to a calculated score higher than the predetermined threshold while the patient (or a relative, a practitioner, etc.) considers that no crisis has occurred.
  • the pre-learning phase limited to the patient's learning model is carried out again with the patient's data corresponding to the prediction errors reported by the patient (or by a relative, a practitioner, etc.). These data are formed from the meta-indicators corresponding to the prediction errors reported by the patient (or by a relative, a practitioner, etc.).
  • all the data from the different patients can usefully enrich the learning base of the invention, provided of course that these patients belong to the same cluster.
  • the invention also relates to a method for assisting in the detection and/or prediction of epileptic seizures of an individual, called a patient, said method comprising: a method for determining a risk score of epileptic seizure of said patient according to the invention, a step of detecting and/or predicting a possible epileptic seizure by comparing said seizure risk score determined by said determination method to at least one predetermined threshold.
  • the method according to the invention makes it possible to detect a possible crisis or a prediction of a crisis by comparing the risk score determined by the invention with one or more predetermined thresholds. For example, it is possible to monitor the evolution of the risk score and to deduce a risk of crises by detecting an evolution of the risk score over a predetermined period of time.
  • the invention can also be usefully associated with a patient seizure diary system allowing the patient and his neurologist to better calibrate treatments and to objectively and reliably observe the evolution of the disease.
  • the invention may also be usefully associated with a system for monitoring the duration and severity of the patient's seizures.
  • the invention can also usefully be associated with a patient alert system in the event of detection of an imminent crisis so that the patient can get to safety.
  • the invention can also be usefully associated with a system for alerting relatives of the patient or caregivers, in association with means of geolocating the patient to enable the patient to be found and secured.
  • the invention can also be usefully associated with means of automatic recording of raw signals (ECG and accelerometer) in the event of crises in order to allow the neurologist to review the tracings during a consultation for example.
  • the invention can also usefully be associated with a system for anticipating the risk of seizures based on the recurrence of past seizures observed in a patient.
  • the invention also relates to a system for determining a seizure risk score for an individual, called a patient, said system comprising: a learning base for epileptic individuals, said base comprising, for at least a plurality of individuals, electrocardiogram signals, called ECG signals, and accelerometric signals, respectively representative of the heartbeats and movements of these individuals, associated with data on the start and end of seizures of these individuals, a module for partitioning said learning base into a plurality of groups of individuals, called clusters, each cluster consisting of individuals exhibiting the same type of epileptic symptom in the vicinity of the epileptic seizures that they experience, for each cluster formed in the previous step, a machine learning model specific to this cluster, trained from meta-indicators derived from the data of said learning base restricted to the individuals belonging to this cluster, said meta-indicators being provided by a processing unit comprising: o a module for locating all of the peaks R in the ECG signal of each individual in the cluster, an R peak being the most prominent peak of a QRS complex
  • a system according to the invention advantageously implements a method according to the invention and a method according to the invention is advantageously implemented by a system according to the invention.
  • a module means a software element, a subset of a software program, which can be compiled separately, either for independent use or for assembly with other modules of a program, or a hardware element, or a combination of a hardware element and of a software subroutine.
  • a hardware element may include an application-specific integrated circuit (better known by the acronym ASIC for the English term Application-Specific Integrated Circuit) or a programmable logic circuit (better known by the acronym FPGA for the English term Field-Programmable Gate Array) or a specialized microprocessor circuit (better known by the acronym DSP for the English term Digital Signal Processor) or any equivalent hardware or any combination of the aforementioned hardware.
  • ASIC application-specific integrated circuit
  • FPGA field-Programmable Gate Array
  • DSP Digital Signal Processor
  • the system according to the invention has the particularity of combining data derived from an electrocardiogram and an accelerometer worn by an individual to determine a risk of seizure from a machine learning model trained for this purpose.
  • the machine learning model implemented is furthermore dependent on a group of individuals to which the monitored patient is attached.
  • the system according to the invention thus implements a machine learning model per group of individuals.
  • a rapid pre-learning phase can be implemented to assign him a specific cluster.
  • This step aims, from a reduced data set, to determine the group to which the patient belongs.
  • This data is for example data from previous seizures reported by the patient himself, which makes it possible to select the typology of symptom(s) that he presents and thus the most appropriate model to use.
  • the model thus selected makes it possible to initialize a model specific to the patient.
  • the system can operate in continuous mode.
  • the patient's model is not fixed: as soon as the latter gives feedback on a detection error or a missed seizure, the system can change the group to which the patient belongs and/or update the trained model.
  • the data provided by the sensors are collected in real time, and the same indicators as those used in the pre- learning are calculated by the different modules of the system.
  • the patient may also be asked to report the first N attacks suffered via an application or a personal space on a website, where N is a predetermined integer. This allows a pre-learned model that best suits the patient to be selected.
  • the patient can report a prediction error. If so, his model is updated.
  • the update of a patient model is carried out by including it in the patient cluster of the pre-learning database which had made it possible to pre-learn the model.
  • the patient's trained learning model can be saved to an application embedded on the patient's smartphone.
  • the latter contains the most up-to-date patient's trained learning model (its parameters are therefore fixed in the application).
  • the server updates, based on the patient's feedback, the parameters of its learning model and sends them to the application. It is also possible to repeat the pre-learning phase offline with the new data that the patient sends back (or that the different patients equipped with a system according to the invention send back).
  • the invention also relates to a system for assisting in the detection and/or prediction of epileptic seizures in an individual, known as a patient, comprising: o a system for determining a seizure risk score according to the invention, o a module for detecting and/or predicting an epileptic seizure by comparing the risk score determined by said system for determining a seizure risk score to at least one predetermined threshold.
  • the technical advantages and effects of the device for determining a patient's seizure risk score apply mutatis mutandis to a system according to the invention.
  • the invention also relates to a method for predicting and/or detecting seizures and a system for predicting and/or detecting seizures characterized in combination by all or part of the features mentioned above or below.
  • FIG 1 is a schematic view of the operating principle of a system for determining an epileptic seizure risk score according to one embodiment of the invention
  • FIG 2 is a synoptic view of the method for determining an epileptic seizure risk score according to one embodiment of the invention.
  • Figure 1 schematically illustrates the principle of determining a patient's epileptic seizure risk score using the method schematically represented in Figure 2.
  • the method according to the invention comprises two distinct phases: a pre-learning phase and a phase of evaluating a patient using the results of the pre-learning phase.
  • the pre-learning phase comprises a first step 110 of constituting a learning base 20.
  • the method comprises a subsequent step 120 of partitioning the learning base 20 into a plurality of clusters 20a, 20b, 20c, 20d.
  • the method then comprises a step 130 of training a learning model by cluster.
  • the evaluation phase comprises a step 140 of classifying the patient 10 in a cluster so as to select the relevant trained learning model for the evaluation of the patient 10.
  • cardiac and activity signals are recovered from the patient and compared to the first N attacks reported by the patient (these reports being for example made via a software application embedded on the patient's smartphone 12).
  • the data of the selected model can then be transmitted in a step 142 to a mobile application embedded on the patient's smartphone 12.
  • a mobile application embedded on the patient's smartphone 12.
  • all of the models are transmitted to the patient's smartphone and the classification phase is directly implemented on the patient's smartphone.
  • the evaluation phase then comprises a step of acquiring 150 ECG and accelerometric signals on the patient from the box 14 worn by the patient, which then makes it possible to carry out a step of calculating 160 a risk score by submitting this data, from which meta-indicators will be extracted, to the trained learning model selected for the patient.
  • the model provides the corresponding risk score, a comparison 170 of which with one or more predetermined thresholds makes it possible to signal a potential epileptic seizure.
  • the pre-learning phase begins with the creation of a learning base 20.
  • the learning base it is for example possible to equip a plurality of epileptic individuals 18 with a box according to the invention and to continuously monitor the individuals 18 thus equipped.
  • This box houses at least one ECG sensor and one accelerometer configured to acquire corresponding signals from individuals.
  • This box can be of any type and can be worn by each individual, either as a patch, a necklace, a watch, etc.
  • This box is for example formed by a belt-type device known under the name BioHamess 3.0 from the Zephyr® brand (Medtronic®). This device makes it possible to collect in continuous electrocardiogram (ECG) data (sampled at 1 kHz) and 3D accelerometry data (sampled at 100 Hz).
  • ECG electrocardiogram
  • this equipment also makes it possible to collect data on the deformation of the rib cage to account for breathing (sampled at 25 Hz). As described later, these data can, according to one embodiment, enrich the learning base of the invention.
  • This box can be used both to constitute the learning base, but also to equip the patient for whom we then seek to determine a risk score.
  • the depositor then carried out data measurements for an average of 17 days (maximum 21 days, minimum 12).
  • the Epilepsiae database includes several days of data per individual (8 on average, 24 maximum, 3 minimum).
  • ECG data ECG data, age, date of admission, neurological assessment, treatment, assessments, frequency of seizures, type of seizures,
  • Metadata for each seizure seizure onset and end on EEG, seizure onset and end from a clinical point of view (video), seizure type.
  • this Epilepsiae database does not include accelerometric data of individuals. This portion of the database therefore does not allow obtaining the corresponding meta-indicators. That being said, the learning models of the method according to the invention can be supplied with missing data. At least some of the individuals in the database include ECG signals and accelerometric signals, as indicated above.
  • the learning base 20 can further be enriched with other data, such as for example the body temperature of the individuals and/or the electrodermal activity of the individuals.
  • this learning base 20 is partitioned into a plurality of clusters 20a, 20b, 20c, 20d by a partitioning module.
  • This step of partitioning 120 of the base into a plurality of clusters 20a, 20b, 20c, 20d is preferably carried out automatically.
  • the individuals from base 20 are initially randomly distributed within clusters 20a, 20b, 20c, 20d.
  • a machine learning model specific to this cluster is trained from the meta-indicators derived from the data of the individuals in this cluster (described later).
  • the clusters are formed by an operator which analyzes the learning base and groups the individuals according to symptoms of individuals' seizures.
  • a learning model is trained for each cluster from meta-indicators derived from the data of this cluster.
  • the meta-indicators are determined by the following sub-steps.
  • the first substep concerns the localization 131 of the R peaks in the ECG signal. This is the most prominent peak in the characteristic wave called QRS complex that a heartbeat generates. It is then possible to determine the R-R intervals of the signal in a second substep 132 of identifying the R-R intervals.
  • the scientific literature describes routines for determining the R-R intervals from ECG signals and the person skilled in the art can refer to them to implement this step of the method.
  • the following indicators can be used: mean, standard deviation, 12-norm of the derivative (these indicators can for example be obtained by following the principles outlined in the document “Malik, M., J. T. Bigger, A. J. Camm, R. E. Kleiger, A. Malliani, A. J. Moss, and P. J. Schwartz. 1996. “Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use.” European Heart Journal 17 (3): 354-81. https:
  • the method according to the invention also calculates a certain number of indicators representative of the activity of individuals during a sub-step 134 of calculating the activity indicators.
  • norms of the accelerometric signal on each of the 3 axes (x, y, z) of the accelerometer obtained by the following equations:
  • Heart rate and activity indicators are calculated, for example, on sliding windows whose size can vary, which allows multiply their number. For example, the method can calculate an indicator value every 10 seconds.
  • the method according to the invention then combines these different indicators to form meta-indicators during a sub-step 135 of calculating the meta-indicators. For example, every 10 seconds, the method retrieves all the indicator values of the last 10 minutes and calculates meta-indicators for each indicator (mean, variance, minimum, maximum, etc.)
  • An a priori crisis probability indicator can also be added to these meta-indicators. This probability indicator can be calculated from the individuals' crisis history, and from possible cycles observed in individuals.
  • the automatic learning models 40a, 40b, 40c, 40d can be trained during the training step 130.
  • a machine learning model is trained per group of individuals formed in the partitioning step.
  • support vector machines better known by the English acronym SVM for Support Vector Machine
  • SVM Support Vector Machine
  • ensembles of decision trees better known by their English name Random Forest or XGBoost or CatBoost or LightGBM
  • XGBoost Random Forest
  • CatBoost CatBoost
  • LightGBM LightGBM
  • deep neural network models are used as learning models.
  • This step we have trained models 40a, 40b, 40c, 40d for the different clusters 20a, 20b, 20c, 20d.
  • All the steps relating to the pre-learning phase are implemented on a computer system, which must be understood in the broad sense (computer, plurality of computers, virtual server on the Internet, virtual server on the Cloud, virtual server on a platform, virtual server on a local infrastructure, server networks, etc.).
  • This computer system typically comprises one or more processors, one or more memories and possibly a human-machine interface.
  • the computer system also comprises a database for saving the learning base and the clusters obtained by partitioning the base.
  • the computer system may also comprise means for storing the trained learning models.
  • This assessment phase aims to calculate a seizure risk score and possibly detect and/or predict seizures in a patient equipped with an ECG sensor and an accelerometer.
  • a patient is equipped with a box 14 in which an accelerometer and an ECG sensor are housed.
  • This box can, for example, be the same box as that used to constitute the learning base.
  • the accelerometer is preferably a 3-axis accelerometer. Alternatively, it is possible to use 3 single-axis accelerometers, or even a single-axis accelerometer.
  • These sensors are intended to provide ECG and accelerometric signals to a processing unit to calculate the same meta-indicators as those calculated during the pre-learning phase, these calculated meta-indicators then being passed into the trained learning model corresponding to the cluster to which the patient belongs.
  • This processing unit therefore comprises a module for calculating meta-indicators and a module for calculating a patient crisis risk score.
  • these modules may be software elements, subsets of a software program, hardware elements, or a combination of hardware elements and software subprograms.
  • these modules are embedded in the patient's smartphone and use the smartphone's microprocessor and memory to perform the corresponding operations.
  • the sensors of the housing 14 communicate, for example via Bluetooth, with the application embedded on the patient's smartphone 12.
  • This embedded application is configured to calculate the meta-indicators and to submit the trained learning model corresponding to the patient to the calculated meta-indicators.
  • the application can thus communicate with a remote server to retrieve the corresponding learning model.
  • the patient is first classified within a cluster during a classification step 140.
  • the classification of the patient within a cluster comprises a first step of acquiring 141 ECG and accelerometric signals on the patient from the box worn by the latter. Then, the meta-indicators are calculated according to the same principle as that implemented for training the learning models in a step of calculating 142 the meta-indicators.
  • This classification step then preferably provides for a reporting 143 by the patient of the first N seizures suffered, N being a predetermined integer. This can for example be done by a dedicated interface on the mobile application embedded on the patient's smartphone.
  • the risk score associated with each report is then calculated from each of the learning models trained during the learning phase. Finally, the trained model which provides the best risk score for all of the first N seizures reported is selected during a sub-step 144 of selecting the relevant model. The patient is classified in the cluster corresponding to this selected model.
  • the model data is downloaded to the patient's smartphone software application.
  • the system can then continuously acquire signals from the sensors, calculate the meta-indicators and submit them to the learning model to obtain the risk score.
  • This step of calculating a risk score 170 thus implements and preferably the same steps as those described in connection with the learning of the model dedicated to the patient. Updating the model
  • the patient can indicate, during a step 180, a crisis prediction error, for example via an interface of the software application.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Neurology (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

L'invention concerne un procédé de détermination d'un score de risque de crise et un procédé de prédiction et/ou de détection des crises d'épilepsie d'un patient, lesdits procédés comprenant : une étape de constitution (110) d'une base d'apprentissage d'individus épileptiques; une étape de partitionnement (120) de ladite base d'apprentissage en une pluralité de clusters; pour chaque cluster, une étape d'entraînement (130) d'un modèle d'apprentissage automatique propre à ce cluster, à partir de méta-indicateurs dérivés des données de ladite base d'apprentissage restreinte aux individus appartenant à ce cluster; une étape de classification (140) dudit patient dans un cluster choisi parmi ladite pluralité de clusters de manière à assigner audit patient le modèle d'apprentissage entraîné correspondant; une étape d'acquisition (150) de signaux ECG et accélérométriques sur ledit patient équipé d'un capteur ECG et d'un accéléromètre; une étape de calcul des mêmes méta-indicateurs que ceux de la phase d'apprentissage; une étape de calcul d'un score de risque (160) de crise dudit patient, en alimentant ledit modèle d'apprentissage entraîné correspondant au cluster dudit patient avec lesdits méta-indicateurs calculés.

Description

DESCRIPTION
TITRE DE L’INVENTION : PROCEDE DE DETERMINATION D’UN SCORE DE RISQUE DE CRISE D’EPILEPSIE D’UN INDIVIDU, PROCEDE D’ASSISTANCE A LA DETECTION ET/OU A LA PREDICTION DE CRISE METTANT EN ŒUVRE UN TEL PROCEDE, ET SYSTEMES CORRESPONDANTS
Domaine technique de l’invention
L’invention concerne un système et un procédé d’assistance à la détection et/ou à la prédiction des crises d’épilepsie d’un patient.
Arrière-plan technologique
L’épilepsie est une maladie neurologique handicapante qui concerne plusieurs dizaines de millions de personnes dans le monde. Malgré les progrès thérapeutiques, environ un tiers de ces patients souffrent de formes d’épilepsie résistantes aux traitements et subissent toujours régulièrement des crises. Selon une définition proposée par la Ligue Internationale contre l'Épilepsie, ces formes pharmacorésistantes se déclarent à partir de l’échec de deux traitements antiépileptiques (seuls ou en association) tolérés et correctement choisis n’ayant permis d’obtenir durablement une disparition des crises. Les patients non équilibrés constituent la population la plus préoccupante pour laquelle on observe un taux de mortalité nettement supérieur au reste de la population. En France, plusieurs centaines de milliers de personnes sont touchées par l’épilepsie et on estime à plus de 150000 le nombre de patients pharmacorésistants, ce qui représente notamment un coût médico-social important pour le système de santé.
L’épilepsie est une maladie complexe et plurielle qui se caractérise par des étiologies, des âges d’apparition et des manifestations cliniques variables. La Ligue Internationale contre l'Épilepsie propose une classification des crises selon notamment la localisation des manifestations initiales (focales ou généralisées), le niveau de conscience, les signes moteurs ou encore la possible propagation de la crise. Toutes les crises peuvent se prolonger et entraîner un état de mal épileptique, ce qui représente une urgence médicale majeure. L'épilepsie peut s’accompagner également de comorbidités d’ordres cognitives ou psychiatriques.
Dans le cas particulier des épilepsies focales une prise en charge chirurgicale peut être envisagée, bien qu’elle ne soit en pratique possible que chez une part limitée de patients. Chez les patients non équilibrés et inopérables, le caractère imprévisible des crises constitue une importante source d’anxiété. La qualité de vie de ces personnes et de leurs proches est par conséquent fortement dégradée.
La mesure de la fréquence des crises est un indicateur considéré comme essentiel pour l’estimation de la qualité de la prise en charge. Plusieurs études ont souligné la difficulté que représente pour les patients la tenue d’un agenda fiable des crises. Des phénomènes tels que des pertes de mémoire ou des altérations de la perception au moment de la crise seraient en cause. Quelles que soient les raisons, il a été observé qu’au moins 50% des crises seraient en moyenne manquées par les patients. Une étude portant sur des patients implantés pendant plusieurs mois avec un dispositif intracrânien (permettant une détection très fine des crises) a par ailleurs confirmé que la plupart sous-estimaient la fréquence de leurs crises. Ces constats motivent le développement de systèmes de détection des crises en ambulatoire robustes.
Il existe des systèmes déjà commercialisés permettant de détecter certains types de crises qui présentent notamment des manifestations motrices importantes telles que les crises généralisées tonico-cloniques. Ces événements représentent cependant une minorité des crises.
Plus largement, diverses approches de détection ont été expérimentées. Elles reposent en général sur l’identification de biomarqueurs calculés sur un ou plusieurs paramètre(s) physiologique(s). Les signaux biologiques surveillés sont aussi divers que T électroencéphalogramme (plus connu sous l’acronyme EEG), la vidéo, l’audio, les mouvements, la fréquence cardiaque, la conductance cutanée, la température de la peau, le taux d’oxygénation, la respiration ou encore l’activité musculaire via un électromyogramme (ou EMG). Les approches multimodales, c’est-à-dire associant plusieurs capteurs à la fois, sont considérées comme les plus prometteuses (meilleure sensibilité et spécificité).
Il n’existe pourtant aujourd’hui aucun système non invasif permettant de détecter de manière fiable toutes les crises d’épilepsie et notamment les crises focales.
Les inventeurs ont donc cherché à développer un nouveau système et procédé qui permet de détecter et/ou d’anticiper les crises d’épilepsie afin d’améliorer le suivi et le confort des malades et de leurs proches.
Objectifs de l’invention
L’invention vise ainsi à fournir un système et un procédé de détermination d’un score de risque de crise d’épilepsie d’un patient.
L’invention vise aussi à fournir un système et un procédé d’assistance à la détection et/ou à la prédiction des crises d’épilepsie d’un patient mettant en œuvre le système et procédé de détermination d’un score de risque de crise selon l’invention.
L’invention vise également à fournir, dans au moins un mode de réalisation, un tel système et un tel procédé qui permettent la détection et/ou la prédiction des crises d’épilepsie, quels que soient les symptômes annonciateurs des crises.
L’invention vise aussi à fournir, dans au moins un mode de réalisation, un tel système et un tel procédé qui permettent de limiter les risques d’accidents liés aux crises, de rassurer les patients et leurs proches au quotidien et enfin d’améliorer la qualité de la prise en charge par un neurologue.
L’invention vise aussi à fournir, dans au moins un mode de réalisation, un tel système et un tel procédé qui puissent être utilisés par une variété d’individus, sans contraintes particulières.
L’invention vise aussi à fournir, dans au moins un mode de réalisation, un tel système et un tel procédé qui puissent évoluer au cours du temps en fonction des retours des utilisateurs.
Exposé de l’invention
Pour ce faire, l’invention concerne un procédé de détermination d’un score de risque de crise d’épilepsie d’un individu, dit patient, ledit procédé comprenant : une étape de constitution d’une base d’apprentissage d’individus épileptiques, ladite base comprenant, pour au moins une pluralité d’ individus, des signaux électrocardiogrammes, dit signaux ECG, et des signaux accélérométriques, représentatifs respectivement de l’activité électrique du cœur et des mouvements de ces individus, associés à des données de début et de fin de crise de ces individus, une étape de partitionnement de ladite base d’apprentissage en une pluralité de groupes d’individus, dits clusters, chaque cluster étant constitué d’individus présentant un même type de symptôme(s) épileptique(s) au voisinage des crises d’épilepsie qu’ils subissent.
En outre, le procédé comprend, pour chaque cluster constitué à l’étape précédente, une étape d’entraînement d’un modèle d’apprentissage automatique propre à ce cluster, à partir de méta-indicateurs dérivés des données de ladite base d’apprentissage restreinte aux individus appartenant à ce cluster, lesdits méta- indicateurs étant calculés par les étapes suivantes : localisation de l’ensemble des pics R dans le signal ECG de chaque individu du cluster, un pic R étant le pic le plus proéminent d’un complexe QRS généré par un battement de cœur de l’individu (contraction des ventricules), identification des intervalles R-R du signal ECG de chaque individu du groupe, calcul d’indicateurs, dits indicateurs cardiaques, à partir des intervalles R-R parmi lesquels une moyenne, un écart type, une puissance basse et haute fréquence, les indicateurs cardiaques étant calculés à intervalle de temps prédéterminé sur les signaux ECG de chaque individu, calcul d’indicateurs, dits indicateurs d’activité, à partir des signaux accélérométriques de chaque individu du cluster, les indicateurs d’activité étant calculés à intervalle de temps prédéterminé sur les signaux accélérométriques de chaque individu, opérations sur lesdits indicateurs calculés aux étapes précédentes pour fournir lesdits méta-indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée, de chaque indicateur cardiaque et d’activité calculé.
Le procédé comprend également les étapes suivantes : une étape de classification dudit patient dans un des clusters de manière à sélectionner le modèle d’apprentissage entraîné correspondant, une étape d’acquisition de signaux ECG et accélérométriques sur ledit patient équipé d’un capteur ECG et d’un accéléromètre, une étape de calcul desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, une étape de calcul d’un score de risque de crise dudit patient, en alimentant ledit modèle d’apprentissage entraîné correspondant au groupe dudit patient avec lesdits méta-indicateurs calculés pour ce patient.
Le procédé selon l’invention comprend donc une première série d’étapes (désignée ci-après comme la phase de pré-apprentissage) qui permet de constituer une base d’apprentissage, de partitionner cette base d’apprentissage en une pluralité de groupes (désignés clusters dans toute la suite), et d’entraîner un modèle d’apprentissage pour chaque cluster. Cette phase de pré-apprentissage permet donc d’obtenir une pluralité de modèles d’apprentissage entraînés, chaque modèle correspondant à une typologie des individus regroupés par type de symptôme(s) épileptique(s).
Le procédé comprend en outre une deuxième série d’étapes (désignée ci- après comme la phase d’évaluation) qui permet d’équiper un patient d’une pluralité de capteurs, de calculer différents méta-indicateurs à partir des données des capteurs et d’alimenter le modèle d’apprentissage entraîné correspondant au groupe d’appartenance du patient avec les méta-indicateurs calculés pour obtenir un score de risque de crise. Cette phase d’évaluation intervient après la phase de préapprentissage et permet de déterminer un score de risque d’un patient équipé d’un capteur ECG et d’un accéléromètre. Une fois la phase de pré-apprentissage réalisée, la phase d’évaluation du patient peut, bien sûr, être exécutée plusieurs fois, sans nécessité de reconduire la phase de pré-apprentissage.
Il a été observé chez certains patients, que l’apparition d’une crise est concomitante avec une modification du système nerveux autonome, ce qui peut s’observer dans la variabilité du rythme cardiaque.
Ces modifications ne sont pas identiques chez tous les patients (par exemple certains font une tachycardie, d’autres une bradycardie).
De même, chez certains patients, les crises s’accompagnent de gestes (ou de l’absence de gestes) qui peuvent être captés par des capteurs d’accélération.
Compte tenu de cette diversité de manifestations, le procédé selon l’invention entraîne un modèle d’apprentissage automatique propre à chaque type de manifestation pour améliorer la qualité de la détection. Ainsi, plutôt que de disposer d’un modèle propre à l’ensemble des individus de la base d’apprentissage constituée, l’invention prévoit d’attribuer le patient à un groupe d’individus parmi une pluralité de groupes et d’entraîner et d’utiliser un modèle d’apprentissage automatique par groupe ainsi constitué.
Il a donc été prévu d’apprendre un modèle par groupe de patients manifestant les mêmes types de symptômes aux alentours des crises. L’apprentissage automatique du modèle de chaque groupe (cluster) est fait dans la phase de pré-apprentissage.
Le procédé selon l’invention comprend une étape de partitionnement de la base d’apprentissage en une pluralité de groupes d’individus, dits clusters, chaque cluster étant constitué d’individus présentant un même type de symptôme(s) épileptique(s) au voisinage des crises d’épilepsie qu’ils subissent.
Selon une variante avantageuse de l’invention, cette étape de partitionnement comprend : une étape de répartition aléatoire desdits individus de ladite base d’apprentissage dans K clusters, K étant un entier prédéterminé, pour chacun des K clusters ainsi constitué, une étape d’entraînement d’un modèle d’apprentissage automatique propre à ce cluster selon le même principe que celui mis en œuvre dans le cadre de l’entraînement des modèles d’apprentissage à partir desdits méta- indicateurs dérivés des données des individus de ce cluster, une réaffectation des individus de ladite base d’apprentissage au cluster dont le modèle d’apprentissage minimise une erreur de prédiction, une réitération des étapes précédentes jusqu’à ce que ladite erreur totale de prédiction se stabilise autour d’une valeur.
Selon cette variante, un nombre K de clusters est fixé arbitrairement et ces K clusters sont constitués au hasard. Pour chaque cluster ainsi constitué, un modèle de classification est entraîné suivant le même principe que l’entraînement des modèles d’apprentissage décrit ultérieurement. Une fois que tous les modèles sont entraînés, les individus sont réaffectés au cluster dont le modèle minimise l’erreur de prédiction. Ce processus est réitéré plusieurs fois jusqu’à ce que l’erreur totale de prédiction se stabilise autour d’une valeur.
Cette procédure permet avantageusement de constituer des clusters d’individus sans connaissance a priori des symptômes des individus.
Selon une autre variante, les clusters sont constitués par un opérateur qui analyse la base d’apprentissage et regroupe les individus en fonction des symptômes de crises des individus.
Le procédé selon l’invention comprend également, pour chaque chaque cluster constitué à l’étape précédente, une étape d’entraînement d’un modèle d’apprentissage automatique propre à ce cluster, à partir de méta- indicateurs dérivés des données de la base d’apprentissage restreinte aux individus appartenant à ce cluster.
Les méta-indicateurs sont calculés par les étapes suivantes : localisation de l’ensemble des pics R dans le signal ECG de chaque individu du cluster, un pic R étant le pic le plus proéminent d’un complexe QRS généré par un battement de cœur de l’individu, identification des intervalles R-R du signal ECG de chaque individu du groupe, calcul d’indicateurs, dits indicateurs cardiaques, à partir des intervalles R-R parmi lesquels une moyenne, un écart type, une puissance basse et haute fréquence, les indicateurs cardiaques étant calculés à intervalle de temps prédéterminé sur les signaux ECG de chaque individu, calcul d’indicateurs, dits indicateurs d’activité, à partir des signaux accélérométriques de chaque individu du cluster, les indicateurs d’activité étant calculés à intervalle de temps prédéterminé sur les signaux accélérométriques de chaque individu, opérations sur lesdits indicateurs calculés aux étapes précédentes pour fournir lesdits méta- indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée, de chaque indicateur cardiaque et d’activité calculé.
Les méta-indicateurs ainsi calculés sont les données d’entrée fournies aux modèles d’apprentissages mis en œuvre par l’invention.
Si d’autres capteurs sont utilisés pour enrichir la base d’apprentissage d’autres signaux, d’autres méta-indicateurs peuvent également être calculés pour alimenter les modèles d’apprentissage.
Une fois que tous les méta-indicateurs de tous les individus de la base d’apprentissage sont calculés, les modèles d’apprentissage automatique peuvent être entraînés. Selon l’invention, un modèle d’apprentissage automatique est entraîné par groupes d’individus constitués à l’étape de partitionnement.
Cette étape clôt la phase de préapprentissage du procédé selon l’invention et la phase d’évaluation d’un patient peut alors être mise en œuvre.
La phase d’évaluation vise à fournir un score de risque pour un patient équipé d’un capteur ECG et d’un capteur accélérométrique à partir desquels les mêmes méta-indicateurs que ceux calculés lors de la phase de pré-apprentissage vont être déterminés et vont alimenter le modèle d’apprentissage entraîné correspondant au cluster auquel appartient le patient.
Pour ce faire, le patient est par exemple équipé d’un boîtier qui loge plusieurs capteurs parmi lesquels un capteur ECG et un accéléromètre. Ces capteurs dialoguent, par exemple en Bluetooth, avec une application embarquée sur un dispositif tel qu’un smartphone. Cette application embarquée est configurée pour calculer les méta-indicateurs à partir des données fournies par les capteurs. En outre, l’application logicielle est configurée pour récupérer le modèle d’apprentissage entraîné correspondant au patient. Ainsi, les méta-indicateurs peuvent alimenter le modèle d’apprentissage entraîné correspondant au patient pour fournir un score de risque de crise. A noter qu’il est également possible d’intégrer directement au sein du boîtier une carte électronique configurée pour permettre le calcul des méta-indicateurs directement au sein du boîtier ou de programmer les capteurs pour que les méta-indicateurs soient directement calculés par ces derniers.
Ainsi, cette phase d’évaluation commence par une étape de classification du patient dans un des clusters de manière à sélectionner le modèle d’apprentissage entraîné correspondant.
Avantageusement et selon l’invention, ladite étape de classification dudit patient dans un cluster comprend : une étape d’acquisition de signaux ECG et accélérométriques sur ledit patient à partir d’un capteur ECG et d’un accéléromètre portés par ledit patient, une étape de calcul desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, une étape de signalement par ledit patient des N premières crises subies, N étant un entier prédéterminé, une étape de calcul du score de risque à partir de chacun des modèles d’apprentissage entraînés, et de sélection dudit modèle entraîné qui fournit le meilleur score de risque pour l’ensemble des N premières crises signalées, ledit patient étant classé dans le cluster correspondant à ce modèle.
Selon cette variante avantageuse, l’étape de classification du patient au sein d’un cluster se fait de manière automatique en testant les différents modèles d’apprentissage. Cela permet de sélectionner un modèle pré-appris qui correspond le mieux aux N premières crises signalées par le patient. Une fois un cluster attribué au patient, le procédé selon l’invention peut calculer le score de risque de crise du patient, en alimentant le modèle d’apprentissage entraîné correspondant au groupe du patient avec les méta- indicateurs calculés pour ce patient.
Avantageusement et selon l’invention, le procédé comprend en outre une étape de signification d’une erreur de prédiction de crise par ledit patient et une étape de mise à jour du modèle d’apprentissage dudit patient à partir de ladite base d’apprentissage restreinte aux individus appartenant au cluster dudit patient, auquel est ajouté ledit patient.
Selon cette variante avantageuse, le modèle d’apprentissage entraîné correspondant au cluster du patient est mis à jour si le patient (ou un proche du patient, un praticien, etc.) signale des erreurs de prédiction. Cela permet d’améliorer le modèle d’apprentissage utilisé par le patient. La prédiction d’une crise est définie par exemple comme un score de risque supérieur à un seuil prédéterminé. Aussi, une erreur de prédiction correspond à un score calculé supérieur au seuil prédéterminé alors que le patient (ou un proche, un praticien etc.) estime qu’aucune crise n’est survenue.
Pour ce faire, la phase de pré-apprentissage limitée au modèle d’apprentissage du patient est effectuée à nouveau avec les données du patient correspondant aux erreurs de prédiction signifiées par le patient (ou par un proche, un praticien, etc.). Ces données sont formées des méta- indicateurs correspondant aux erreurs de prédiction signifiées par le patient (ou par un proche, un praticien, etc.).
Si plusieurs patients sont équipés avec un système selon l’invention, l’ensemble des données des différents patients peuvent utilement enrichir la base d’apprentissage de l’invention, sous réserve bien sûr que ces patients appartiennent au même cluster.
L’invention concerne aussi un procédé d’assistance à la détection et/ou à la prédiction des crises d’épilepsie d’un individu, dit patient, ledit procédé comprenant : un procédé de détermination d’un score de risque de crise d’épilepsie dudit patient selon l’invention, une étape de détection et/ou de prédiction d’une possible crise d’épilepsie par comparaison dudit score de risque de crise déterminé par ledit procédé de détermination à au moins un seuil prédéterminé.
Les avantages et effets techniques du procédé de détermination d’un score de risque selon l’invention s’appliquent mutatis mutandis au procédé d’assistance à la détection et/ou la prédiction de crises selon l’invention.
En outre, le procédé selon l’invention permet de détecter une possible crise ou une prédiction de crise par comparaison du score de risque déterminé par l’invention avec un ou plusieurs seuils prédéterminés. Il est par exemple possible de suivre l’évolution du score de risque et d’en déduire un risque de crises par détection d’une évolution du score de risque au cours d’un laps de temps prédéterminé.
L’invention peut aussi utilement être associée à un système d’agenda des crises du patient permettant au patient et à son neurologue de mieux calibrer les traitements et d’observer de manière objective et fiable l’évolution de la maladie.
L’invention peut aussi être utilement associée à un système de surveillance de la durée et de la sévérité des crises du patient.
L’invention peut aussi utilement être associée à un système d’alerte du patient en cas de détection d’une crise imminente de manière à ce qu’il puisse se mettre en sécurité.
L’invention peut aussi utilement être associée à un système d’alerte des proches du patients ou des soignants, en association avec des moyens de géolocalisation du patient pour permettre de retrouver et sécuriser le patient.
L’invention peut aussi utilement être associée à des moyens d’enregistrement automatique des signaux bruts (ECG et accéléromètre) en cas de crises afin de permettre au neurologue de revoir les tracés lors d’une consultation par exemple. L’invention peut aussi utilement être associée à un système d’anticipation du risque de crise basé sur la récurrence des crises passées observées chez un patient.
L’invention concerne également un système de détermination d’un score de risque de crise d’un individu, dit patient, ledit système comprenant : une base d’apprentissage d’individus épileptiques, ladite base comprenant, pour au moins une pluralité d’individus, des signaux électrocardiogrammes, dit signaux ECG, et des signaux accélérométriques, représentatifs respectivement des battements de cœur et des mouvements de ces individus, associés à des données de début et de fin de crise de ces individus, un module de partitionnement de ladite base d’apprentissage en une pluralité de groupes d’individus, dits clusters, chaque cluster étant constitué d’individus présentant un même type de symptôme épileptique au voisinage des crises d’épilepsie qu’ils subissent, pour chaque cluster constitué à l’étape précédente, un modèle d’apprentissage automatique propre à ce cluster, entraîné à partir de méta-indicateurs dérivés des données de ladite base d’apprentissage restreinte aux individus appartenant à ce cluster, lesdits méta-indicateurs étant fournis par une unité de traitement comprenant : o un module de localisation de l’ensemble des pics R dans le signal ECG de chaque individu du cluster, un pic R étant le pic le plus proéminent d’un complexe QRS généré par un battement de cœur de l’individu, o un module d’identification des intervalles R-R du signal ECG de chaque individu du cluster, o un module de calcul d’indicateurs, dits indicateurs cardiaques, à partir des intervalles R-R parmi lesquels une moyenne, un écart type, une puissance basse et haute fréquence, les indicateurs cardiaques étant calculés à intervalle de temps prédéterminé sur les signaux ECG de chaque individu, o un module de calcul d’indicateurs, dits indicateurs d’activité, à partir des signaux accélérométriques de chaque individu du cluster, les indicateurs d’activité étant calculés à intervalle de temps prédéterminé sur les signaux accélérométriques de chaque individu, o un module de combinaison desdits indicateurs calculés pour fournir lesdits méta-indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée, pour chaque indicateur cardiaque et d’activité calculé, un module de classification dudit patient dans un cluster choisi parmi ladite pluralité de clusters définis par l’étape de partitionnement, de manière à sélectionner le modèle d’apprentissage entraîné correspondant, un boîtier porté par ledit patient comprenant au moins un capteur ECG et d’un accéléromètre, un module de calcul desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, un module de calcul d’un score de risque de crise dudit patient, en alimentant ledit modèle d’apprentissage correspondant au cluster dudit patient avec lesdits méta-indicateurs calculés pour ce patient.
Les avantages et effets techniques du procédé selon l’invention s’appliquent mutatis mutandis à un système selon l’invention.
En outre, un système selon l’invention met avantageusement en œuvre un procédé selon l’invention et un procédé selon l’invention est avantageusement mis en œuvre par un système selon l’invention.
Dans tout le texte, on désigne par module, un élément logiciel, un sous- ensemble d’un programme logiciel, pouvant être compilé séparément, soit pour une utilisation indépendante, soit pour être assemblé avec d’autres modules d’un programme, ou un élément matériel, ou une combinaison d’un élément matériel et d’un sous-programme logiciel. Un tel élément matériel peut comprendre un circuit intégré propre à une application (plus connu sous l’acronyme ASIC pour la dénomination anglaise Application-Specific Integrated Circuit) ou un circuit logique programmable (plus connu sous l’acronyme FPGA pour la dénomination anglaise Field-Programmable Gate Array) ou un circuit de microprocesseurs spécialisés (plus connu sous l’acronyme DSP pour la dénomination anglaise Digital Signal Processor) ou tout matériel équivalent ou toute combinaison des matériels précités. D’une manière générale, un module est donc un élément (logiciel et/ou matériel) qui permet d’assurer une fonction.
Le système selon l’invention présente la particularité de combiner des données dérivées d’un électrocardiogramme et d’un accéléromètre portés par un individu pour déterminer un risque de crise à partir d’un modèle d’apprentissage automatique entraîné à cet effet. Le modèle d’apprentissage automatique mis en œuvre est en outre dépendant d’un groupe d’individus auquel est rattaché le patient surveillé. Le système selon l’invention met ainsi en œuvre un modèle d’apprentissage automatique par groupe d’individus.
Le principe d’utilisation du système selon l’invention est le suivant.
Lorsqu’un patient s’équipe du système selon l’invention, une phase de pré-apprentissage rapide peut être mise en œuvre pour lui attribuer un cluster spécifique. Cette étape vise, à partir d’un ensemble de données réduit, de déterminer le groupe d’appartenance du patient. Ces données sont par exemple des données de crises antérieures rapportées par le patient lui-même, ce qui permet de sélectionner la typologie de symptôme(s) qu’il présente et ainsi le modèle le plus approprié à utiliser. Le modèle ainsi sélectionné permet d’initialiser un modèle spécifique au patient. Le système peut fonctionner en mode continu. Le modèle du patient n’est pas figé : dès que ce dernier donne un retour sur une erreur de détection ou une crise manquée, le système peut changer le groupe d’appartenance et/ou mettre à jour le modèle entraîné.
Les données fournies par les capteurs sont collectées en temps réel, et les mêmes indicateurs que ceux utilisés que dans la phase de pré- apprentissage sont calculés par les différents modules du système.
Il peut en outre être demandé au patient de reporter via une application ou un espace personnel d’un site internet, les N premières crises subies, N étant un entier prédéterminé. Grâce à cela, un modèle pré-appris qui convient le mieux au patient est sélectionné.
À tout moment le patient peut reporter une erreur de prédiction. Si tel est le cas, son modèle est mis à jour.
Afin d’éviter tout sur-apprentissage, la mise à jour d’un modèle de patient s’effectue en incluant celui-ci au cluster de patients de la base de pré-apprentissage qui avait permis de pré-apprendre le modèle.
Le modèle d’apprentissage entraîné du patient peut être sauvegardé sur une application embarquée sur le smartphone du patient. Ce dernier contient le modèle d’apprentissage entraîné du patient le plus à jour (ses paramètres sont donc fixes dans l’application).
Régulièrement (par exemple une fois par mois), le serveur met à jour, en fonction des retours du patient, les paramètres de son modèle d’apprentissage et les envoie à l’application. Il est aussi possible de reconduire la phase de préapprentissage hors ligne avec les nouvelles données que le patient remonte (ou que les différents patients équipés d’un système selon l’invention remontent).
L’invention concerne aussi un système d’assistance à la détection et/ou à la prédiction de crises d’épilepsie d’un individu, dit patient comprenant : o un système de détermination d’un score de risque de crise selon l’invention, o un module de détection et/ou de prédiction d’une crise d’épilepsie par comparaison du score de risque déterminé par ledit système de détermination d’un score de risque de crise à au moins un seuil prédéterminé.
Les avantages et effets techniques du dispositif de détermination d’un score de risque de crise d’un patient s’appliquent mutatis mutandis à un système selon l’invention. L'invention concerne également un procédé de prédiction et/ou de détection de crises et un système de prédiction et/ou de détection de crises caractérisés en combinaison par tout ou partie des caractéristiques mentionnées ci-dessus ou ci- après.
Liste des figures
D'autres buts, caractéristiques et avantages de l'invention apparaîtront à la lecture de la description suivante donnée à titre uniquement non limitatif et qui se réfère aux figures annexées dans lesquelles :
[FIG 1] est une vue schématique du principe de fonctionnement d’un système de détermination d’un score de risque de crise d’épilepsie selon un mode de réalisation de l’invention,
[FIG 2] est une vue synoptique du procédé de détermination d’un score de risque de crise d’épilepsie selon un mode de réalisation de l’invention.
Description détaillée d’un mode de réalisation de l’invention
La figure 1 illustre schématiquement le principe de détermination d’un score de risque de crise d’épilepsie d’un patient mettant en œuvre le procédé représenté schématiquement par la figure 2.
Le procédé selon l’invention comprend deux phases distinctes : une phase de pré-apprentissage et une phase d’évaluation d’un patient utilisant les résultats de la phase de pré-apprentissage.
La phase de pré-apprentissage comprend une première étape 110 de constitution d’une base d’apprentissage 20. Le procédé comprend une étape subséquente de partitionnement 120 de la base d’apprentissage 20 en une pluralité de clusters 20a, 20b, 20c, 20d. Le procédé comprend ensuite une étape 130 d’entraînement d'un modèle d’apprentissage par cluster. A l’issue de cette étape, nous disposons de modèles 40a, 40b, 40c, 40d correspondant aux clusters 20a, 20b, 20c, 20d.
La phase d’évaluation comprend une étape 140 de classification du patient 10 dans un cluster de manière à sélectionner le modèle d’apprentissage entraîné pertinent pour l’évaluation du patient 10. Pour ce faire, et selon un mode de réalisation, des signaux cardiaque et d’activité sont récupérés sur le patient et comparés aux N premières crises signalées par le patient (ces signalements étant par exemple effectués par l’intermédiaire d’une application logicielle embarquée sur le smartphone 12 du patient).
Les données du modèle sélectionné peuvent ensuite être transmises dans une étape 142 à une application mobile embarquée sur le smartphone 12 du patient. Selon une autre variante, l’ensemble des modèles sont transmis sur le smartphone du patient et la phase de classification est directement mise en œuvre sur le smartphone du patient.
La phase d’évaluation comprend ensuite une étape d’acquisition 150 de signaux ECG et accélérométriques sur le patient à partir du boîtier 14 porté par le patient, ce qui permet ensuite de procéder à une étape de calcul 160 d’un score de risque en soumettant ces données, dont on va extraire des méta-indicateurs, au modèle d’apprentissage entraîné sélectionné pour le patient. Le modèle fournit le score de risque correspondant, dont une comparaison 170 avec un ou plusieurs seuils prédéterminés permet de signaler une potentielle crise d’épilepsie.
Les différentes étapes et les moyens pouvant être utilisés pour les mettre en œuvre vont maintenant être décrits de manière plus détaillée.
Phase de pré-apprentissage
La phase de pré-apprentissage commence par la constitution d’une base d’apprentissage 20.
Base d’apprentissage
Pour constituer la base d’apprentissage, il est par exemple possible d’équiper une pluralité d’individus épileptiques 18 avec un boitier selon l’invention et de surveiller en continu les individus 18 ainsi équipés.
Ce boitier loge au moins un capteur ECG et un accéléromètre configurés pour faire l’acquisition de signaux correspondants des individus. Ce boîtier peut être de tous types et peut être porté par chaque individu, soit comme un patch, soit comme un collier, soit comme une montre, etc. Ce boîtier est par exemple formé par un équipement du type ceinture connue sous la dénomination BioHamess 3.0 de la marque Zephyr® (Medtronic®). Cet équipement permet de collecter en continu un électrocardiogramme (ECG) (échantillonné à 1 kHz) et des données d'accélérométrie en 3D (échantillonnées à 100 Hz).
A noter d’ailleurs que cet équipement permet également de collecter des données de déformation de la cage thoracique permettant de rendre compte de la respiration (échantillonnées à 25 Hz). Comme décrit ultérieurement, ces données peuvent, selon un mode de réalisation, enrichir la base d’apprentissage de l’invention.
Ce boîtier peut être utilisé à la fois pour constituer la base d’apprentissage, mais également pour équiper le patient dont on cherche ensuite à déterminer un score de risque.
Le déposant a ensuite effectué des mesures de données pendant 17 jours en moyenne (21 jours au maximum, 12 au minimum).
Pendant ce laps de temps, il a été détecté, 23 crises en moyenne par individu, 107 au maximum, 2 au minimum. Les signaux des capteurs ECG et accélérométriques ont été enregistrés en continu et les débuts et fins de crises ont été notifiés par les soignants ayant surveillé les individus. L’ensemble de ces données constituent la base d’apprentissage de l’invention. Il est aussi possible, pour constituer la base d’apprentissage et associer les signaux acquis avec les informations de début et de fin de crise, de surveiller les individus avec d’autres types d’équipements, comme par exemple des dispositifs intracrâniens.
Il est également possible, pour enrichir la base d’apprentissage ainsi constituée d’utiliser une base de données 19 déjà constituée, telle que par exemple la base de données européenne Epilepsiae.
Le déposant a utilisé la base Epilepsiae qui est constituée d’enregistrements réalisés dans 3 centres européens (La Pitié Salpétrière en Lrance, Lreiburg en Allemagne, et Coimbra au Portugal). Les données de 168 individus (sur les 275 individus que constituent la base complète) ont été récupérées par le déposant pour enrichir sa base d’apprentissage. La base Epilepsiae comprend plusieurs jours de données par individu (8 en moyenne, 24 au maximum, 3 au minimum).
Les données suivantes ont été utilisées pour chaque individu sélectionné : données ECG, âge, date d’admission, bilan neurologique, traitement, bilans, fréquence des crises, type de crises,
Métadonnées pour chaque crise : début et fin de la crise sur l’EEG, début et fin de crise d’un point de vue clinique (vidéo), type de crise.
A noter que cette base Epilepsiae ne comprend pas de données accélérométriques des individus. Cette portion de la base ne permet ainsi pas d’obtenir les méta- indicateurs correspondants. Cela étant, les modèles d’apprentissage du procédé selon l’invention peuvent être alimentés avec des données manquantes. Une partie au moins des individus de la base comprennent des signaux ECG et des signaux accélérométriques, comme indiqué précédemment.
Selon un mode de réalisation de l’invention, la base d’apprentissage 20 peut en outre être enrichie d’autres données, comme par exemple la température corporelle des individus et/ou l’activité électrodermale des individus.
Partitionnement de la base d’apprentissage
Une fois cette base d’apprentissage 20 constituée, elle est partitionnée en une pluralité de clusters 20a, 20b, 20c, 20d par un module de partitionnement.
Cette étape de partitionnement 120 de la base en une pluralité de clusters 20a, 20b, 20c, 20d est de préférence réalisée de manière automatique.
Pour ce faire, les individus de la base 20 sont initialement répartis de manière aléatoire au sein des clusters 20a, 20b, 20c, 20d.
Pour chacun des clusters ainsi constitué, un modèle d’apprentissage automatique propre à ce cluster est entraîné à partir des méta-indicateurs dérivés des données des individus de ce cluster (décrits ultérieurement).
Ensuite, une réaffectation des individus de la base d’apprentissage au cluster dont le modèle d’apprentissage minimise une erreur de prédiction est effectuée.
Ces étapes sont réitérées jusqu’à ce que l’erreur de prédiction se stabilise autour d'une valeur.
Le principe du partitionnement selon ce mode de réalisation s’apparente à la mise en œuvre d’un algorithme du type k-moyennes.
Selon un autre mode de réalisation, les clusters sont constitués par un opérateur qui analyse la base d’apprentissage et regroupe les individus en fonction des symptômes de crises des individus.
Entraînement de modèles d’apprentissage
Une fois la base d’apprentissage partitionnée, un modèle d’apprentissage est entraîné pour chaque cluster à partir de méta-indicateurs dérivés des données de ce cluster. Les méta-indicateurs sont déterminés par les sous-étapes suivantes.
Localisation des pics et calcul des intervalles R-R
La première sous-étape concerne la localisation 131 des pics R dans le signal ECG. Il s’agit du pic le plus proéminent dans l’onde caractéristique appelée complexe QRS que génère un battement de cœur. Il est ensuite possible de déterminer les intervalles R-R du signal dans une deuxième sous-étape 132 d’identification des intervalles R-R. La littérature scientifique décrit des routines de détermination des intervalles R-R à partir de signaux ECG et l’homme du métier peut s’y référer pour mettre en œuvre cette étape du procédé.
Calcul des indicateurs cardiaques
Une fois les différents intervalles R-R décelés dans le signal, il est possible de calculer un certain nombre d’indicateurs cardiaques au cours d’une sous-étape de calcul 133 des indicateurs cardiaques.
Les indicateurs suivants peuvent être utilisés : moyenne, écart type, norme 12 de la dérivée (ces indicateurs peuvent par exemple être obtenus en suivant les principes exposés dans le document « Malik, M., J. T. Bigger, A. J. Camm, R. E. Kleiger, A. Malliani, A. J. Moss, et P. J. Schwartz. 1996. « Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use ». European Heart Journal 17 (3): 354-81. https:
//doi.org/10.1093/oxfordjournals.eurheartj.a014868 ». puissance basse et haute fréquence (ces indicateurs peuvent par exemple être obtenus en suivant les principes exposés dans le document Malik et.al. susmentionné) index CSI - acronyme anglais de Cardiac Sympathetic Index- (cet indicateur peut par exemple être obtenu en suivant les principes exposés dans le document « Jeppesen, Jesper, Anders Euglsang-Erederiksen, Peter Johansen, Jakob Christensen, Stephan Wüstenhagen, Hatice Tankisi, Erisela Qerama, Alexander Hess, et Sândor Beniczky. 2019. « Seizure Detection Based on Heart Rate Variability Using a Wearable Electrocardiography Device ». Epilepsia 60 (10): 2105-13. https: //doi.org/10.1111/epi.16343.) indicateurs d’entropie (ces indicateurs peuvent par exemple être obtenus en suivant les principes exposés dans le document « Thu, Trang Nguyen Phuc, Alfredo I. Hernandez, Nathalie Costet, Hugues Patural, Vincent Pichot, Guy Carrault, et Alain Beuchée. 2019. « Improving Methodology in Heart Rate Variability Analysis for the Premature Infants: Impact of the Time Length ». PLOS ONE 14 (8): e0220692. https: //doi.org/10.1371 /journal. pone.0220692).
Calcul des indicateurs d’activités
Le procédé selon l’invention calcule également un certain nombre d’indicateurs représentatifs de l’activité des individus au cours d’une sous-étape de calcul 134 des indicateurs d’activité.
Les indicateurs suivants peuvent être utilisés : normes du signal accélérométrique sur chacun des 3 axes (x, y, z) de l’accéléromètre obtenues par les équations suivantes :
Figure imgf000023_0001
||d||y af af af représentent les valeurs
Figure imgf000023_0002
d’accélération mesurées sur chacun des trois axes d’un trièdre direct (x,y,z) associé à l’accéléromètre, norme du signal complet définie par l’équation suivante :
Figure imgf000023_0003
D’autres indicateurs peuvent également être calculés à partir des mesures d’accélération.
Opérations sur les indicateurs
Les indicateurs cardiaques et les indicateurs d’activités sont calculés, par exemple, sur des fenêtres glissantes dont la taille peut varier, ce qui permet de multiplier leur nombre. Par exemple, le procédé peut calculer une valeur d’indicateur toutes les 10 secondes.
Le procédé selon l’invention combine ensuite ces différents indicateurs pour former des méta-indicateurs au cours d’une sous-étape de calcul 135 des méta- indicateurs. Par exemple, toutes les 10 secondes, le procédé récupère l’ensemble de toutes les valeurs d’indicateurs des 10 dernières minutes et calcule des méta- indicateurs pour chaque indicateur (moyenne, variance, minimum, maximum, etc.)
Ce sont ces méta-indicateurs, représentatifs de la distribution des indicateurs sur la fenêtre temporelle considérée (par exemple les 10 dernières minutes) qui nourrissent le modèle d’apprentissage supervisé associé à chaque cluster.
Un indicateur de probabilité de crise a priori peut aussi être ajouté à ces méta-indicateurs. Cet indicateur de probabilité peut être calculé à partir de l’historique des crises des individus, et d'éventuels cycles observés chez les individus.
Selon une variante, il est possible d’ajouter des métadonnées correspondant au patient (syndrome épileptique, etc.).
Modèle d’apprentissage
Une fois que tous les méta-indicateurs de tous les individus de la base d’apprentissage sont calculés, les modèles d’apprentissage 40a, 40b, 40c, 40d automatique peuvent être entraînés au cours de l’étape 130 d’entraînement. Selon l’invention, un modèle d’apprentissage automatique est entraîné par groupe d’individus constitué à l’étape de partitionnement.
Selon une variante, des machines à vecteurs de support (plus connues sous l’acronyme anglais SVM pou Support Vector Machine) sont utilisées comme modèles d'apprentissage. Selon une autre variante, des ensembles d’arbres de décision (plus connus sous leur dénomination anglaise Random Forest ou XGBoost ou CatBoost ou LightGBM) sont utilisés comme modèles d'apprentissage. Selon une autre variante, des modèles de réseaux de neurones profonds sont utilisés comme modèles d’apprentissage.
A l’issue de cette étape, on dispose de modèles entraînés 40a, 40b, 40c, 40d pour les différents clusters 20a, 20b, 20c, 20d. L’ensemble des étapes relatives à la phase de pré-apprentissage sont mises en œuvre sur un système informatique, qui doit être entendu au sens large (ordinateur, pluralité d’ordinateurs, serveur virtuel sur internet, serveur virtuel sur Cloud, serveur virtuel sur une plate-forme, serveur virtuel sur une infrastructure locale, réseaux de serveurs, etc.). Ce système informatique comprend typiquement un ou plusieurs processeurs, une ou plusieurs mémoires et éventuellement une interface homme-machine. Le système informatique comprend également une base de données permettant de sauvegarder la base d’apprentissage et les clusters obtenus par le partitionnement de la base. Le système informatique peut également comprendre des moyens de stockage des modèles d’apprentissage entraînés.
Phase d’évaluation
Une fois les différents modèles d’apprentissage entraînés à partir de la base d’apprentissage, la phase d’évaluation d’un patient peut être réalisée. Cette phase d’évaluation vise à calculer un score de risque de crise et éventuellement à détecter et/ou prédire les crises d’un patient équipé d’un capteur ECG et d’un accéléromètre.
Pour ce faire, un patient est équipé d’un boîtier 14 dans lequel sont logés un accéléromètre et un capteur ECG. Ce boîtier peut par exemple être le même boîtier que celui utilisé pour constituer la base d’apprentissage.
L’ accéléromètre est de préférence un accéléromètre 3 axes. Selon une autre variante, il est possible d’utiliser 3 accéléromètres un axe, voire d’un accéléromètre un axe.
Ces capteurs sont destinés à fournir des signaux ECG et accélérométriques à une unité de traitement pour calculer les mêmes méta-indicateurs que ceux calculés lors de la phase de pré-apprentissage, ces méta-indicateurs calculés étant ensuite passés dans le modèle d’apprentissage entraîné correspondant au cluster auquel appartient le patient.
Cette unité de traitement comprend donc un module de calcul des méta- indicateurs et un module de calcul d’un score de risque de crise du patient. Comme indiqué précédemment, ces modules peuvent être des éléments logiciels, des sous- ensembles d’un programme logiciel, des éléments matériels, ou une combinaison d’éléments matériels et de sous-programme logiciel. Selon une variante, ces modules sont embarqués sur le smartphone du patient et utilisent le microprocesseur et les mémoires du smartphone pour assurer les opérations correspondantes.
Ainsi et selon ce mode de réalisation, les capteurs du boîtier 14 dialoguent, par exemple en Bluetooth, avec l’application embarquée sur le smartphone 12 du patient. Cette application embarquée est configurée pour calculer les méta- indicateurs et pour soumettre le modèle d’apprentissage entraîné correspondant au patient aux méta-indicateurs calculés. L’application peut ainsi dialoguer avec un serveur distant pour récupérer le modèle d’apprentissage correspondant.
Pour déterminer le modèle correspondant au patient, selon un mode de réalisation préférentiel, il est d’abord procédé à une classification du patient au sein d’un cluster au cours d’une étape de classification 140.
Classification du patient au sein d’un cluster
De préférence, la classification du patient au sein d’un cluster comprend une première étape d’acquisition 141 de signaux ECG et accélérométriques sur le patient à partir du boîtier porté par ce dernier. Ensuite, les méta-indicateurs sont calculés selon le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage dans une étape de calcul 142 des méta-indicateurs. Cette étape de classification prévoit ensuite de préférence un signalement 143 par le patient des N premières crises subies, N étant un entier prédéterminé. Cela peut par exemple être fait par une interface dédiée sur l’application mobile embarquée sur le smartphone du patient. Le score de risque associé à chaque signalement est ensuite calculé à partir de chacun des modèles d’apprentissage entraînés au cours de la phase d’apprentissage. Enfin, le modèle entraîné qui fournit le meilleur score de risque pour l’ensemble des N premières crises signalées est sélectionné au cours d’une sous-étape 144 de sélection du modèle pertinent. Le patient est classé dans le cluster correspondant à ce modèle sélectionné.
Calcul du score de risque
Une fois le modèle d’apprentissage sélectionné, les données du modèle sont téléchargées sur l’application logicielle du smartphone du patient.
Le système peut ensuite, en continu, faire l’acquisition des signaux des capteurs, calculer les méta-indicateurs et les soumettre au modèle d’apprentissage pour obtenir le score de risque. Cette étape de calcul d’un score de risque 170 met ainsi en œuvre et de préférence les mêmes étapes que celles décrites en lien avec l’apprentissage du modèle dédié au patient. Mise à jour du modèle
Selon un mode de réalisation avantageux, le patient peut signifier, au cours d’une étape 180, une erreur de prédiction de crise, par exemple par une interface de l’application logicielle.
Dans ce cas, il est possible de mettre à jour le modèle d’apprentissage utilisé par le patient en le ré-entraînant suivant le même principe que celui décrit précédemment, mais en intégrant les données correspondant à l’erreur de prédiction dans la base d’apprentissage. Pour éviter tout sur- apprentis sage, les données du patient sont alors ajoutées à la base d’apprentissage et un poids spécifique associé à ces données peut être prévu pour donner plus d’importance aux retours du patient par rapport aux données des autres individus. Cela permet d’obtenir un modèle d’apprentissage spécifique au patient qui sera de plus en plus pertinent au fil du temps.

Claims

REVENDICATIONS
1. Procédé de détermination d’un score de risque de crise d’épilepsie d’un individu, dit patient, ledit procédé comprenant : une étape de constitution (110) d’une base d’apprentissage (20) d’individus épileptiques, ladite base (20) comprenant, pour une pluralité d’individus, des signaux électrocardiogrammes, dit signaux ECG, et des signaux accélérométriques, représentatifs respectivement du signal électrique du cœur et des mouvements de ces individus, associés à des données de début et de fin de crise de ces individus, une étape de partitionnement (120) de ladite base d’apprentissage en une pluralité de groupes d’individus, dits clusters (20a, 20b, 20c, 20d), chaque cluster étant constitué d’individus présentant un même type de symptôme(s) épileptique(s) au voisinage des crises d’épilepsie qu’ils subissent, pour chaque cluster (20a, 20b, 20c, 20d) constitué à l’étape précédente, une étape d’entraînement (130) d’un modèle d’apprentissage automatique propre à ce cluster, à partir de méta- indicateurs dérivés des données de ladite base d’apprentissage restreinte aux individus appartenant à ce cluster, lesdits méta- indicateurs étant calculés par les étapes suivantes : o localisation (131) de l’ensemble des pics R dans le signal ECG de chaque individu du cluster, un pic R étant le pic le plus proéminent d’un complexe QRS généré par un battement de cœur de l’individu, o identification (132) des intervalles R-R du signal ECG de chaque individu du cluster, o calcul d’indicateurs (133), dits indicateurs cardiaques, à partir des intervalles R-R parmi lesquels une moyenne, un écart type, une puissance basse et haute fréquence, les indicateurs cardiaques étant calculés à intervalle de temps prédéterminé sur les signaux ECG de chaque individu, o calcul d’indicateurs (134), dits indicateurs d’activité, à partir des signaux accélérométriques de chaque individu du cluster, les indicateurs d’activité étant calculés à intervalle de temps prédéterminé sur les signaux accélérométriques de chaque individu, o opérations (135) sur lesdits indicateurs calculés aux étapes précédentes pour fournir lesdits méta-indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée, de chaque indicateur cardiaque et d’activité calculé, une étape de classification (140) dudit patient dans un cluster choisi parmi ladite pluralité de clusters de manière à assigner audit patient le modèle d’apprentissage entraîné correspondant, une étape d’acquisition (150) de signaux ECG et accélérométriques sur ledit patient équipé d’un capteur ECG et d’un accéléromètre, une étape de calcul desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, une étape de calcul (160) d’un score de risque de crise dudit patient, en alimentant ledit modèle d’apprentissage entraîné correspondant au cluster dudit patient avec lesdits méta-indicateurs calculés pour ce patient.
2. Procédé selon la revendication 1, caractérisé en ce que ladite étape de classification (140) dudit patient dans un cluster comprend : une étape d’acquisition (141) de signaux ECG et accélérométriques sur ledit patient à partir d’un capteur ECG et d’un accéléromètre portés par ledit patient, une étape de calcul (142) desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, une étape de signalement (143) par ledit patient des N premières crises subies, N étant un entier prédéterminé, une étape de calcul du score de risque à partir de chacun des modèles d’apprentissage entraînés, et de sélection (144) dudit modèle entraîné qui fournit le meilleur score de risque pour l’ensemble des N premières crises signalées, ledit patient étant classé dans le cluster correspondant à ce modèle.
3. Procédé selon l’une des revendications 1 ou 2, caractérisé en ce qu’il comprend en outre une étape de signification (180) d’une erreur de prédiction de crise par ledit patient et une étape de mise à jour du modèle d’apprentissage dudit patient à partir de ladite base d’apprentissage restreinte aux individus appartenant au cluster dudit patient, auquel est ajouté ledit patient.
4. Procédé selon la revendication 3, caractérisé en ce que ladite étape de mise à jour du modèle d’apprentissage dudit patient comprend une attribution aux données issues dudit patient de poids supérieurs aux poids des données des autres individus de ladite base d’apprentissage.
5. Procédé selon l’une des revendications 1 à 4, caractérisé en ce que lesdits méta- indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée comprennent notamment une moyenne, une variance, un minimum, un maximum des indicateurs au sein de cette fenêtre.
6. Procédé selon l’une des revendications 1 à 5, caractérisé en ce que ladite étape de partitionnement (120) de ladite base d’apprentissage en une pluralité de clusters comprend : une étape de répartition aléatoire desdits individus de ladite base d’apprentissage dans K clusters, K étant un entier prédéterminé, pour chacun des K clusters ainsi constitués, une étape d’entraînement d’un modèle d’apprentissage automatique propre à ce cluster selon le même principe que celui mis en œuvre dans le cadre de l’entraînement des modèles d’apprentissage à partir desdits méta-indicateurs dérivés des données des individus de ce cluster, une réaffectation des individus de ladite base d’apprentissage au cluster dont le modèle d’apprentissage minimise une erreur de prédiction, une réitération des étapes précédentes jusqu’à ce que ladite erreur totale de prédiction se stabilise autour d’une valeur.
7. Procédé d’assistance à la détection et/ou à la prédiction des crises d’épilepsie d’un individu, dit patient, ledit procédé comprenant : un procédé de détermination d’un score de risque de crise d’ épilepsie dudit patient selon l’une des revendications 1 à 6, une étape de détection et/ou de prédiction (170) d’une crise d’épilepsie par comparaison dudit score de risque de crise déterminé par ledit procédé de détermination à au moins un seuil prédéterminé.
8. Système de détermination d’un score de risque de crise d’épilepsie d’un individu, dit patient, comprenant : une base d’apprentissage d’individus épileptiques (20), ladite base comprenant, pour une pluralité d’individus, des signaux électrocardiogrammes, dit signaux ECG, et des signaux accélérométriques, représentatifs respectivement des battements de cœur et des mouvements de ces individus, associés à des données de début et de fin de crise de ces individus, un module de partitionnement de ladite base d’apprentissage en une pluralité de groupes d’individus, dits clusters (20a, 20b, 20c, 20d), chaque cluster étant constitué d’individus présentant un même type de symptôme épileptique au voisinage des crises d’épilepsie qu’ils subissent, pour chaque cluster (20a, 20b, 20c, 20d) ainsi constitué, un modèle d’apprentissage automatique propre à ce cluster, entraîné à partir de de méta-indicateurs dérivés des données de ladite base d’apprentissage restreinte aux individus appartenant à ce cluster, lesdits méta-indicateurs étant fournis par une unité de traitement comprenant : o un module de localisation de l’ensemble des pics R dans le signal ECG de chaque individu du cluster, un pic R étant le pic le plus proéminent d’un complexe QRS généré par un battement de cœur de l’individu, o un module d’identification des intervalles R-R du signal ECG de chaque individu du cluster, o un module de calcul d’indicateurs, dits indicateurs cardiaques, à partir des intervalles R-R parmi lesquels une moyenne, un écart type, une puissance basse et haute fréquence, les indicateurs cardiaques étant calculés à intervalle de temps prédéterminé sur les signaux ECG de chaque individu, o un module de calcul d’indicateurs, dits indicateurs d’activité, à partir des signaux accélérométriques de chaque individu du cluster, les indicateurs d’activité étant calculés à intervalle de temps prédéterminé sur les signaux accélérométriques de chaque individu, o un module de combinaison desdits indicateurs calculés pour fournir lesdits méta-indicateurs représentatifs d’une distribution des indicateurs au sein d’une fenêtre temporelle prédéterminée, pour chaque indicateur cardiaque et d’activité calculé, un module de classification dudit patient dans un cluster choisi parmi ladite pluralité de clusters définis par l’étape de partitionnement, de manière à sélectionner le modèle d’apprentissage entraîné correspondant, un boitier (14) porté par ledit patient comprenant au moins un capteur ECG et d’un accéléromètre, un module de calcul desdits méta-indicateurs suivant le même principe que celui mis en œuvre pour l’entraînement des modèles d’apprentissage, un module de calcul d’un score de risque de crise dudit patient, en alimentant ledit modèle d’apprentissage correspondant au cluster dudit patient avec lesdits méta-indicateurs calculés pour ce patient.
9. Système d’assistance à la détection et/ou à la prédiction de crises d’épilepsie d’un individu, dit patient comprenant : un système de détermination d’un score de risque de crise selon la revendication 8, un module de détection et/ou de prédiction d’une crise d’épilepsie par comparaison du score de risque déterminé par ledit système de détermination d’un score de risque de crise à au moins un seuil prédéterminé.
PCT/EP2024/066238 2023-06-13 2024-06-12 Procede de determination d'un score de risque de crise d'epilepsie d'un individu, procede d'assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants Pending WO2024256465A1 (fr)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
FR2305989A FR3149764A1 (fr) 2023-06-13 2023-06-13 Systeme et procede de prediction et de detection de crises d’epilepsie
FRFR2305989 2023-06-13
FRFR2307443 2023-07-11
FR2307443A FR3149765A1 (fr) 2023-06-13 2023-07-11 Procede de determination d’un score de risque de crise d’epilepsie d’un individu, procede d’assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants

Publications (1)

Publication Number Publication Date
WO2024256465A1 true WO2024256465A1 (fr) 2024-12-19

Family

ID=91431412

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/066238 Pending WO2024256465A1 (fr) 2023-06-13 2024-06-12 Procede de determination d'un score de risque de crise d'epilepsie d'un individu, procede d'assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants

Country Status (1)

Country Link
WO (1) WO2024256465A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12478311B1 (en) * 2025-05-05 2025-11-25 Neurco AI System and method for early detection of movement instability

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170196497A1 (en) * 2016-01-07 2017-07-13 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170196497A1 (en) * 2016-01-07 2017-07-13 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
P. J. SCHWARTZ: "Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use", EUROPEAN HEART JOURNAL, vol. 17, no. 3, 1996, pages 354 - 81, XP055420117, DOI: 10.1093/oxfordjournals.eurheartj.a014868
PETER JOHANSENJAKOB CHRISTENSENSTEPHAN WÜSTENHAGENHATICE TANKISIERISELA QERAMAALEXANDER HESSSÂNDOR BENICZKY: "Seizure Detection Based on Heart Rate Variability Using a Wearable Electrocardiography Device", EPILEPSIA, vol. 60, no. 10, 2019, pages 2105 - 13, XP071214703, DOI: 10.1111/epi.16343
THU, TRANG NGUYEN PHUCALFREDO I. HERNÂNDEZNATHALIE COSTETHUGUES PATURALVINCENT PICHOTGUY CARRAULTALAIN BEUCHÉE: "Improving Methodology in Heart Rate Variability Analysis for the Premature Infants: Impact of the Time Length", PLOS ONE, vol. 14, no. 8, 2019, pages e0220692

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12478311B1 (en) * 2025-05-05 2025-11-25 Neurco AI System and method for early detection of movement instability

Similar Documents

Publication Publication Date Title
Nasseri et al. Ambulatory seizure forecasting with a wrist-worn device using long-short term memory deep learning
JP7553549B2 (ja) 発作予測および検出のためのシステムおよび方法
Zhang et al. Multimodal data for the detection of freezing of gait in Parkinson’s disease
Zhan et al. High frequency remote monitoring of Parkinson's disease via smartphone: Platform overview and medication response detection
EP3876191A1 (fr) Dispositif de génération d'estimateur, dispositif de surveillance, procédé de génération d'estimateur, programme de génération d'estimateur
AU2011333730B2 (en) Analysis of EEG signals to detect hypoglycaemia
EP3558113A1 (fr) Détermination du bien-être à l'aide de données d'activité
WO2019071201A1 (fr) Surveillance continue de la santé d'un utilisateur avec un dispositif mobile
EP3958738B1 (fr) Procede et systeme de determination d'une valeur de parametre biomecanique avance de demarche
US12268495B2 (en) Method and system utilizing pattern recognition for detecting atypical movements during physical activity
WO2020073012A1 (fr) Surveillance continue de la santé d'un utilisateur avec un dispositif mobile
EP3768154A1 (fr) Méthode de génération d'un indicateur d'état d'une personne dans le coma
CN114343585B (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
Faiem et al. Assessment of Parkinson’s disease severity using gait data: A deep learning-based multimodal approach
WO2024256465A1 (fr) Procede de determination d'un score de risque de crise d'epilepsie d'un individu, procede d'assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants
CN117224080B (zh) 大数据的人体数据监测方法装置
Vakilna et al. Reliable detection of generalized convulsive seizures using an off‐the‐shelf digital watch: A multisite phase 2 study
EP3433775A1 (fr) Procede et systeme pour l'estimation d'une demande ou d'un coût attentionnel associe a l'execution d'une tache ou des strategies de partage de l'attention developpees par un individu
US20230012989A1 (en) Systems and methods for rapid neurological assessment of clinical trial patients
Su et al. Real-time detection of Parkinson’s states based on wearable sensor with embedded machine learning
CN119517398B (zh) 医疗指标风险预警方法和装置、电子设备及存储介质
FR3149765A1 (fr) Procede de determination d’un score de risque de crise d’epilepsie d’un individu, procede d’assistance a la detection et/ou a la prediction de crise mettant en œuvre un tel procede, et systemes correspondants
CN119257557A (zh) 一种癫痫检测装置
Jilbab et al. Quantification system of Parkinson’s disease
Hamieh et al. Psychotic Disorders Relapse Prediction from Passive Signals using Anomaly Detection Methods

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24731388

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE