Finissante au doctorat en informatique, Batoul Msheik a effectué sa soutenance de thèse le 11 juin 2026. Sous la direction de recherche d’Hamid Mcheik (UQAC) et la codirection de Mehdi Adda (UQAR) et de Mohamed Dbouk (Université Libanaise), sa thèse a pour titre «Context-Aware Ontology-Guided Healthcare Learning Model for Performance and Interpretability; Asthma disease as a case study».
Sous la présidence de Fehmi Jaafar (UQAC), le jury d’évaluation était composé de Stéphane Gagnon (UQO), Alia Ghaddar (Université Libanaise), Hassan Hajjdiab (Université Concordia) et de Hafedh Mili (UQAM).
Résumé de la thèse
L’informatique ubiquitaire sensible au contexte constitue l’une des avancées majeures des dernières décennies, ayant profondément transformé les interactions des utilisateurs finaux grâce au concept de sensibilité au contexte. Elle offre de nouvelles possibilités pour repenser les solutions conventionnelles en proposant des services personnalisés fondés sur le contexte propre à chaque environnement. Toutefois, les systèmes de recommandation médicale sensibles au contexte sont confrontés à trois défis principaux : premièrement, la complexité du contexte médical, tant dans sa définition que dans sa représentation ; deuxièmement, la fiabilité des décisions, souvent limitée par un manque de confiance dans leurs résultats.
Le premier défi concerne les définitions proposées du « contexte », qui ne répondent pas pleinement aux besoins du domaine médical, car elles sont soit trop vagues ou trop générales, soit excessivement spécifiques. Le deuxième défi porte sur la représentation du contexte, laquelle doit intégrer l’ensemble des informations au sein d’une base de connaissances complète dans le domaine médical. Le troisième défi concerne l’interprétabilité des règles en santé. Ce travail se concentre sur l’extraction de règles et sur l’évaluation systématique de leur interprétabilité dans les systèmes d’aide à la décision médicale.
Voir plus
Cette recherche aborde ces défis de manière générale, ainsi que dans le cas des patients atteints de maladies chroniques nécessitant un suivi continu sans hospitalisation. L’asthme est retenu comme étude de cas pour trois raisons : (i) scientifique, en raison de la complexité des systèmes biologiques, dont le contrôle requiert une combinaison de modélisation et d’observations empiriques et dynamiques ; (ii) sociale, puisque 3,8 millions de Canadiens souffrent d’asthme ; et (iii) médicale, car les causes des allergies et des exacerbations demeurent complexes et encore insuffisamment comprises par la science médicale.
Les maladies chroniques sont des affections de longue durée qui évoluent progressivement, ne disparaissent pas spontanément et ne peuvent généralement pas être complètement guéries. Des maladies telles que l’asthme devraient représenter près des trois quarts des décès dans le monde. L’asthme exige un suivi continu, des interventions rapides et des soins individualisés. Bien que divers systèmes aient été proposés pour soutenir la gestion de l’asthme, la plupart ne sont pas en mesure de fournir des réponses fiables et sensibles au contexte, adaptées aux environnements réels des patients.
Pour répondre à ces enjeux, les systèmes de santé modernes nécessitent des processus d’apprentissage flexibles, fiables et transparents, capables d’assister le personnel médical dans des tâches telles que le raisonnement diagnostique et le suivi des patients. Ces processus prennent en compte la compréhension du contexte, sa représentation et l’interprétabilité des méthodes d’extraction de règles.
Cette thèse conçoit un modèle d’apprentissage enrichi sémantiquement pour les systèmes d’aide à la décision en santé. Ce modèle intègre trois composantes principales : (i) l’identification du contexte, (ii) la représentation des connaissances à travers une ontologie contextuelle spécifique au domaine, et (iii) un modèle d’évaluation indépendant à double voie qui évalue séparément la précision prédictive et l’interprétabilité. Le modèle s’appuie sur un cadre de catégorisation du contexte composé de quinze catégories et l’enrichit par l’ajout de dimensions supplémentaires telles que les facteurs sociaux et les accords de niveau de service (SLA), renforçant ainsi sa pertinence en milieu clinique. Grâce à des techniques avancées de représentation des connaissances, l’ontologie permet une organisation structurée et une compréhension sémantique des données de santé, favorisant l’interopérabilité entre systèmes hétérogènes.
Le modèle ontologique constitue une base formelle pour le partage des connaissances contextuelles et intègre des sources de données médicales hétérogènes. Le pipeline soutient également des stratégies analytiques visant à identifier les paramètres pertinents et à étendre l’ontologie spécifiquement au cas de l’asthme à partir de jeux de données réels. Le système traite les informations des patients en temps réel et utilise des méthodes de raisonnement fondées sur des règles ainsi que des approches d’apprentissage automatique afin de produire des prédictions et des recommandations personnalisées.
Dans la continuité de ce travail, la méthode d’extraction de règles étend le cadre fondé sur l’ontologie en mettant l’accent sur l’interprétabilité dans l’aide à la décision médicale. Cette recherche examine comment différentes méthodes d’extraction de règles, telles qu’Apriori, les arbres de décision, la distillation (XG-Boost avec TE2Rules) et les grands modèles de langage (LLM), se comportent selon deux conditions : avec et sans intégration de l’ontologie. Ces méthodes sont classées en quatre catégories, puis comparées à l’aide de plusieurs métriques. En combinant une représentation des connaissances guidée par l’ontologie avec des techniques d’intelligence artificielle fondées sur les données, notre approche d’extraction de règles génère des règles cliniquement pertinentes, transparentes et fiables, renforçant ainsi la confiance dans les systèmes décisionnels automatisés.
Félicitations à Batoul Msheik pour la soutenance de sa thèse de doctorat!
