Chargement...
[Précédent] [Suivant] [Retour aux résultats]
Simulation et apprentissage Monte-Carlo de stratégies d'intervention en santé publique


:
:

De courts extraits de mémoires ou thèses peuvent être copiés sans l’autorisation de l’auteur à condition que celui-ci soit dûment cité. Afin de respecter le droit d’auteur, celui-ci doit autoriser préalablement tout emprunt dépassant l’utilisation équitable .
Lien permanent:  
Résumé:

Les décideurs dans un système de santé publique comme celui du Québec ont un besoin grandissant d’outils d’évaluation pour soutenir la prise de décision quant aux interventions à mettre en place. Ce mémoire propose un simulateur générique, optimisé pour les problématiques de santé publique, mais également utilisable dans d’autres domaines. Son architecture logicielle est détaillée ainsi que toutes les caractéristiques qui en font un outil de choix pour les décideurs. On présente également l’optimisation des stratégies d’intervention existantes avec une méthode d’apprentissage par renforcement de type Monte-Carlo. Ceci comprend la proposition d’un nouvel algorithme de sélection d’actions dans un contexte d’apprentissage sur des populations d’individus évoluant en parallèle. On conclut le mémoire par l’application de cette infrastructure à deux problématiques de santé publique : la rétinopathie diabétique, ayant déjà fait l’objet de travaux par d’autres chercheurs, et l’ostéoporose, une application d’actualité dont la modélisation et les résultats ont été validés par des spécialistes en santé.

Abstract:

Decision makers in public health system, such as the one in the province of Quebec, have a growing need for assessment tools to support their decisions on the interventions to implement. This master’s thesis proposes a generic simulator optimized for public health issues, while being extensible to other areas. It details the software architecture and all the features that make it a tool of choice for decision makers. It also presents the optimization of existing intervention strategies using Monte Carlo reinforcement learning. This includes the proposal of a new algorithm for selecting actions when learning on populations of individuals evolving in parallel. We conclude with the application of this infrastructure to two public health issues : diabetic retinopathy, that has already been the subject of work by other researchers, and osteoporosis, a current application that has been validated by health care specialists.

Langue:  
Mots clés:  
Numéro unique:   
Version 2.3