La sophistication croissante de l'appareillage médical est, en règle générale, un facteur positif dans l'environnement des soins. Accroître de façon conjointe la sécurité et l'efficacité d'un traitement est chose essentielle. C'est spécialement le cas pour des situations difficiles, inattendues et critiques en terme de temps de réponse. De fait, le monitoring et le diagnostic automatique au niveau des unités de soin intensives deviennent un objectif important. De nombreuses approches ont été développées dans le domaine du diagnostic. Les approches prédominantes sont de type systèmes experts ou systèmes à base de règles (incluant les systèmes à base de logique floue) ou systèmes par apprentissage. Une pratique courante consiste à utiliser des modèles plutôt que des règles. Les approches à base d'apprentissage comme les réseaux de neurones artificiels et les modèles de Markov cachés (HMM) sont très prometteurs en terme de diagnostic et de prédiction. Ces approches utilisent les bases de données médicales pour construire un modèle pour chacun des patients.

Une boîte à outils pour le diagnostic a été développée dans l'environnement SciLab. Cette boîte à outils interprète les séquences de données comme des mesures cliniques. Notre méthode d'inférence peut être classée comme ''prédiction de tendances''. Au cours des dernières années de nouvelles méthodes d'inférence ont été introduites pour travailler sur des séquences de données qui traditionnellement échappaient à cette approche pour cause d'information manquante, incomplète ou incertaine. Ces techniques complètent des techniques bien établies comme le filtrage de Kalman. Cette boîte à outils développe une méthodologie pour la construction d'architectures dédiées au diagnostic à partir d'une méthodologie d'apprentissage stochastique. L'idée principale de notre approche est l'utilisation de HMM. Un HMM est un double processus stochastique, dont l'un est un processus sous-jacent non observable mais qui peut être estimé à partir d'un ensemble de processus qui produisent une séquence d'observations.

Dans cette boîte à outils on trouve des méthodes classiques d'apprentissage et aussi une nouvelle méthode basée sur le recuit simulé. Ces méthodes permettent d'effectuer aussi bien l'apprentissage que la phase de reconnaissance. Leur application hors ligne sur des données médicales permettent la construction de différents modèles. A partir de ces modèles on peut réaliser de la détection et du diagnostic hors-ligne et en-ligne.

Les méthodes d'inférence de cette boîte à outils synthétisent l'interprétation des valeurs des paramètres tels que des états physiologiques et pathologiques. Si cette interprétation est étendue à des séquences temporelles, on peut obtenir une trajectoire d'états, comme cela est montré dans la figure ci-dessous. L'identification des trajectoires dans l'espace d'états est un concept très utile au niveau du diagnostic dans la mesure où certains désordres ne sont séparables les uns des autres que par les séquences d'états physio-pathologiques qui se succèdent. Le concept probabiliste des HMM capte l'incertitude inhérente à l'interprétation des états.

(a)	(b)