Catégorisation de séquences temporelles - Application à l'analyse de parcours de soins
Résumé
With the aim to improve care in the future, it is worth offering clinicians an objective view of their practices. The clustering of care pathways meets this objective of revealing homogeneous groups of patients. The difficulty in clustering care pathways, represented by sequences of timestamped events, lies in defining a semantically appropriate metric and clustering algorithms. In this article, we propose a method that combines the use of the Drop-DTW metric and the DBA approach for the construction of average time series. These approaches are adapted for sequences of timestamped events, and we derive the HIERASTISEQ algorithm for clustering time sequences. This approach is evaluated on synthetic and real data.
En vue de l'amélioration des prises en charge futures, il est intéressant de proposer aux cliniciens des vues objectives sur leurs pratiques. La catégorisation des parcours de soins répond à cet objectif de révéler des groupes homogènes de prise en charge. La difficulté de catégoriser des parcours de soins, représentés par des séquences d'évènements datés, réside dans la définition d'une métrique appropriée sémantiquement et pour les algorithmes de catégorisation. Dans cet article, nous proposons une méthode qui croise l'utilisation de la métrique Drop-DTW et l'approche DBA pour la construction de séries temporelles moyennes. Ces approches sont adaptées pour des séquences d'évènements datés et nous en dérivons l'algorithme HIERASTISEQ qui catégorise des séquences temporelles. Cette approche est évaluée sur des données synthétiques et réelles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
