WO2024068953A1 - Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien - Google Patents

Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien Download PDF

Info

Publication number
WO2024068953A1
WO2024068953A1 PCT/EP2023/077105 EP2023077105W WO2024068953A1 WO 2024068953 A1 WO2024068953 A1 WO 2024068953A1 EP 2023077105 W EP2023077105 W EP 2023077105W WO 2024068953 A1 WO2024068953 A1 WO 2024068953A1
Authority
WO
WIPO (PCT)
Prior art keywords
individual
indicators
remote monitoring
monitoring system
state
Prior art date
Application number
PCT/EP2023/077105
Other languages
English (en)
Inventor
Jacques-Henri VEYRON
Original Assignee
Presage
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
Application filed by Presage filed Critical Presage
Publication of WO2024068953A1 publication Critical patent/WO2024068953A1/fr

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Definitions

  • the field of the invention is that of computing.
  • the invention relates to a remote monitoring system for a potentially elderly individual in a daily environment.
  • the invention finds applications in particular in the field of monitoring people, more specifically elderly people, living at home, generally not under medical care, independently or presenting functional limitations.
  • STATE OF THE ART Techniques for remotely monitoring the state of an individual are known from the prior art. [5] Such techniques are generally based on the use of sensors measuring at least one physiological data of the individual, including heart rate, blood pressure, temperature, oxygen or glucose level in the blood, etc.
  • the objective of the present invention is to be able to predict the occurrence of a symptom such as a risk of falling, swollen legs, malnutrition or a risk of depression in an individual without these symptoms having been observed for this particular individual.
  • the individual being monitored who is for example an elderly person living at home without medical care, may in particular be taken care of by a medical team which is alerted. A visit to the individual's home can thus be scheduled quickly before symptoms deteriorate. It is right to ⁇ emphasize that certain symptoms, such as sadness which can lead to depression or swollen legs, cannot today be easily detected by connected objects.
  • a symptom can be defined as a phenomenon linked to a functional disorder or an injury, which may relate to an illness.
  • a predictive performance greater than 50%, preferably at least 65%, more preferably greater than 70% is thus expected.
  • classic symptom prediction techniques are generally based on a symptom already observed previously. It is therefore common for a risk of falling to be predicted after a fall has already been observed. Surprisingly, the inventor found another approach making it possible to obtain very good prediction results from an analysis of other simple appearance criteria.
  • the remote monitoring system also comprises: ⁇ a database storing a plurality of status records for each person in a set of people, each status record being dated and comprising several status indicators monitored, each indicator being representative of a state of the corresponding person and having a value chosen between two binary values, ⁇ means for generating the parameters of an automatic learning computer algorithm from the state sheets, ⁇ means for filling out a state sheet of the individual, the state sheet comprising the list of monitoring indicators, each indicator being representative of a state of the individual and having a value chosen between two binary values , ⁇ means for predicting a symptom by analyzing a plurality of state sheets of the individual using the automatic learning algorithm whose parameters have been previously generated, the state sheets of the individual being established at distinct times, ⁇ means of generating an alert when a symptom is predicted for the individual within a predetermined period of time.
  • a symptom from large-scale learning of status sheets containing binary monitoring indicators, generally a positive value (e.g.: “Yes”) and a negative value ( eg : ⁇ “No”).
  • the values of the status sheet can be determined by the individual, by a caregiver or by an accompanying person, without requiring prior medical knowledge. In other words, these monitoring indicators are determined based on a basic observation of the individual.
  • the determination of a symptom is carried out without any analysis of the individual's physiological data, such as body temperature, heart rate, blood pressure or oxygenation rate, those -this is not included in the condition sheet.
  • a symptom is generally predicted when a value associated with the symptom, calculated during the analysis of the plurality of state records of the individual, is greater than a predetermined threshold.
  • the parameters generated from a very large number of status sheets make it possible to determine the probability of occurrence of a symptom for the individual by analyzing the evolution of the status sheets recorded regularly, for example every week or two to three times a week. This analysis is only carried out on the evolution of binary indicators.
  • the alert may be in textual form such as a message, in luminous form and/or in sound form.
  • the alert is generally sent to a remote person, such as a practitioner, who can thus monitor the condition of the individual without having to travel regularly.
  • a remote person such as a practitioner
  • the invention is implemented by a computer making it possible to process a very large number of data, generally greater than a few tens of thousands of data items, in a very short period of time. This automatic processing makes it possible to determine the parameters of the machine learning computer algorithm which will be used to predict a symptom in the near future.
  • ⁇ indicators linked to the state of health of the individual such as: A1. the individual has swollen legs; A2. the individual has difficulty breathing; A3. the individual is feverish; A4. the individual has pain; ⁇ relational type indicators such as: B1. the individual is indifferent; B2. the individual is poorly communicative; B3. the individual has lived alone for at least seven days; B4. the individual has contact or visits with those around him; ⁇ behavioral type indicators such as: C1. the individual refuses help with toileting; C2. the individual does not recognize the companion; C3.
  • the individual forgets when the companion has passed; C4. the individual communicates inconsistently; C5. the individual is aggressive; C6. the individual is sad; C7. the individual stores objects in inappropriate places; C8. the individual seems tired; C9. the individual refuses the intervention of the accompanying person; C10. the individual dresses; ⁇ indicators representative of the physical and sensory capacities of the individual such as: D1. the individual gets up; D2. the individual travels to his home; D3. the individual washes himself; D4. the individual prepares his meals; D5. the individual leaves his home; D6. the individual eats; D7. the individual falls.
  • the prediction of a symptom can be carried out solely from indicators included among: ⁇ ⁇ indicators linked to the state of health of the individual; ⁇ relational type indicators; ⁇ behavioral type indicators; ⁇ indicators representative of the physical and sensory capacities of the individual. [29] Among these indicators, only binary indicators of the “Yes”/“No” type are generally taken into account in the prediction. [30] The status sheets thus preferably do not include any non-integer numerical value, for example resulting from physiological measurements on the individual. [31] In particular embodiments of the invention, at least part of the parameters of the learning algorithm is configured to predict a risk of falling by the joint analysis of all or part of the following indicators, included in each state sheet: ⁇ C8. the individual seems tired; ⁇ D4.
  • At least part of the parameters of the learning algorithm is configured to predict a risk of malnutrition by analysis joint of all or part of the following indicators, included in each state sheet: ⁇ D3. the individual washes himself; ⁇ C8. the individual seems tired; ⁇ D5. the individual leaves his home; ⁇ A4. the individual has pain ⁇ C10. the individual gets dressed.
  • At least part of the parameters of the learning algorithm is configured to predict a risk of depression by the joint analysis of all or part of the following indicators, included in each state sheet allows you to predict: ⁇ ⁇ A4. the individual has pain; ⁇ C3. the individual forgets when the companion has passed; ⁇ C8. the individual seems tired; ⁇ D5. the individual leaves his home.
  • at least part of the parameters of the learning algorithm is configured to predict a risk of swollen legs by the joint analysis of all or part of the following indicators, including in each state sheet: ⁇ A4. the individual has pain; ⁇ D5. the individual leaves his home; ⁇ D4. the individual prepares his meals; ⁇ B4.
  • the remote monitoring system also comprises a collection terminal comprising wireless communication means for receiving data from the filling means.
  • the collection terminal comprises the means for predicting a symptom.
  • the terminal comprises an energy storage device.
  • the remote monitoring system also comprises at least one sensor transmitting data to a collection terminal configured to process the data and to communicate with the computer server, said at least sensor being a motion detection sensor.
  • the remote monitoring system also comprises at least one sensor transmitting data to a collection terminal configured to process the data and to communicate with the computer server, said at least sensor being a weight sensor.
  • the remote monitoring system also comprises at least one sensor transmitting data to a collection terminal configured to process the data and to communicate with the computer server, said at least sensor being an RFID type sensor or an NFC type sensor cooperating with an RFID or NFC chip secured to an object.
  • the data is then translated to populate at least one binary indicator of a status sheet.
  • at least one sensor is of the energy autonomous type.
  • the filling means comprise: ⁇ a device for providing a question to the individual visually or auditorily; ⁇ a device for recording a response from the individual to said question such as a microphone or a plurality of buttons; ⁇ a device for transcribing the response into an indicator on the status sheet.
  • ⁇ [Fig 1] is a simplified diagram of a remote monitoring system according to one embodiment of the invention
  • ⁇ [Fig 2] is a block diagram of a data processing method implemented by the system of Figure 1
  • ⁇ [Fig 3a] is a ROC curve characterizing the performance of the prediction of a fall risk by the learning algorithm implemented during the process of Figure 2
  • ⁇ [Fig 3b] is a ROC curve characterizing the performance of predicting a risk of malnutrition by the learning algorithm implemented during the process of Figure 2
  • ⁇ ⁇ [Fig 3c] is a ROC curve characterizing the performance of predicting a risk of depression by the learning algorithm implemented during the process of Figure 2
  • ⁇ [Fig 3d] is a ROC curve characterizing the performance of predicting a
  • FIG. 1 is a simplified diagram of a system 100 for remote monitoring of a potentially elderly individual 110, in a daily environment, for example the home 111 of the individual 110.
  • the remote monitoring system comprises a computer server 120 equipped with a microprocessor and a computer memory in which is stored an automatic learning computer algorithm configured by parameters to predict the occurrence of at least one symptom in the patient. 'individual 110.
  • the machine learning computer algorithm is generally chosen from the learning techniques ⁇ automatic, more commonly known by the English term “machine learning”, such as a “random forest” type algorithm.
  • the prediction of a symptom is carried out in a surprising manner by analyzing the evolution of the individual's condition records. 110, each status sheet being established at distinct times and comprising a plurality of indicators for monitoring the individual, each indicator having a value chosen between two binary values, generally a positive value ("Yes") and a value negative (“No”).
  • the status sheets being notably devoid of physiological data of the individual 110, can be completed by anyone.
  • Each status sheet can thus be completed for example by a caregiver 115 coming to visit the individual 110. It should be noted that a companion of the individual 110 can complete the status sheet in place of the caregiver 115.
  • Each status sheet includes a list of monitoring indicators generally chosen from the following global list of monitoring indicators: ⁇ indicators linked to the state of health of the individual such as: A1. the individual has swollen legs; A2. the individual has difficulty breathing; A3. the individual is feverish; A4. the individual has pain; ⁇ relational type indicators such as: B1. the individual is indifferent; B2. the individual is poorly communicative; B3. the individual has lived alone for at least seven days; B4. the individual has contact or visits with those around him; ⁇ behavioral type indicators such as: C1.
  • the individual refuses help with toileting; C2. the individual does not recognize the companion; C3. the individual forgets when the companion has passed; C4. the individual communicates inconsistently; C5. the individual is aggressive; C6. the individual is sad; C7. the individual stores objects in inappropriate places; ⁇ C8. the individual seems tired; C9. the individual refuses the intervention of the accompanying person; C10. the individual dresses; ⁇ indicators representative of the physical and sensory capacities of the individual such as: D1. the individual gets up; D2. the individual travels to his home; D3. the individual washes himself; D4. the individual prepares his meals; D5. the individual leaves his home; D6. the individual eats; D7.
  • each indicator is representative of a state and that a close or equivalent formulation of one or more indicators could be used without significant alteration of the results obtained.
  • indicator B3 linked to the loneliness of the individual can be formulated “the individual feels alone”.
  • the joint analysis of all or part of the indicators of each condition sheet by the machine learning algorithm makes it possible to predict an upcoming symptom such as a fall, depression, malnutrition or swollen legs.
  • the parameters of the automatic learning algorithm are thus configured during a learning phase on the database by statistical analysis of the evolution of the indicators over time for the plurality of people.
  • a future fall can be predicted by the joint analysis of all or part of the following indicators: ⁇ C8. the individual seems tired; ⁇ C2. the individual does not recognize the companion; ⁇ D4. the individual prepares his meals; ⁇ D5. the individual leaves his home; ⁇ C3. the individual forgets when the companion has passed.
  • undernutrition can be predicted by the joint analysis of all or part of the following indicators: ⁇ C10. the individual dresses; ⁇ C8. the individual seems tired; ⁇ D5. the individual leaves his home; ⁇ A4. the individual has pain; ⁇ D4. the individual prepares his or her meals.
  • Depression can be predicted by the joint analysis of all or some of the following indicators: ⁇ A4.
  • leg swelling can be predicted by the joint analysis of all or part of the following indicators: ⁇ A4. the individual has pain; ⁇ D5. the individual leaves his home; ⁇ C8. the individual seems tired; ⁇ D4. the individual prepares his meals; ⁇ B4. the individual has contact or visits with those around him. [60] In order to improve the prediction of each of these symptoms, other indicators can be analyzed. [61] For example, to improve the prediction of a future fall, all or part of the following indicators can be analyzed jointly: ⁇ C8. the individual seems tired; ⁇ C2.
  • the indicators have been classified, in the present non-limiting example of the invention, in order of importance for each symptom, as illustrated by the radars in Figures 4A to 4D.
  • the relative weight of the corresponding indicator in the prediction is indicated.
  • the other indicators in the status sheet are grouped under the term OT (for the English term “others”, or in French “autre”).
  • All or part of the monitoring indicators of the status sheet can be associated with a sub-indicator indicating a precision linked to said monitoring indicator, namely an evolution of the object state of said indicator in relation to the last filling of the state sheet.
  • the sub-indicator is chosen between three values generally corresponding to an improvement in the state (e.g.
  • the computer server 120 is connected to a database 122 storing the status files previously established for a set of people.
  • parameters of the machine learning computer algorithm are generated by means 126 for generating said parameters by analyzing the combined evolution of the indicators over time .
  • the computer server 120 can be configured to generate said parameters.
  • the remote monitoring system 100 comprises means 128 for predicting a symptom by analyzing a plurality of state files of the individual 110 ⁇ thanks to the machine learning algorithm whose parameters have been previously generated.
  • the machine learning algorithm outputs at least one risk value associated with a given symptom.
  • an alert is generated by means 130 of generating an alert of the remote monitoring system 100. This alert may in particular be a text message sent to an intervention platform 140 in order to be able to quickly take care of the individual 110 and prevent him from ending up in the emergency room.
  • the system 100 includes a device 150 for filling out a status form which is generally a smart mobile phone or a tablet used by the caregiver 115.
  • the system 100 also comprises in the present non-limiting example of the invention, at least one sensor 155 for detecting a movement installed at the home of the individual 110 making it possible to detect, depending on the position of the sensor(s). ) 155 if the individual gets up, if the individual falls, if the individual moves around his home or if the individual leaves his home. From the data from the sensor(s), it may also be possible to determine in which room of the home the individual 110 is located, for example if he is in a bedroom, a living room, a bathroom or a kitchen.
  • the system comprises a camera whose data processing makes it possible to determine a movement of the individual 110.
  • a facial recognition algorithm can also be used to differentiate two people.
  • the system 100 may also include a device 160 for detecting whether an object is stored in an unusual location.
  • the device 160 may include an RFID sensor making it possible to detect the presence and/or position of an object on which an RFID chip is attached.
  • the tracking indicator C7 can then be determined automatically.
  • the device 160 is based on the combination of sensors and NFC chips instead of RFID.
  • the system 100 In order to collect data from the filling device 150, the sensors 155 and/or the detection device 160 and transmit them to the computer server 120, the system 100 also includes a collection terminal 170 comprising wireless communication means to receive this data. [78] The collection terminal 170 then transmits the status form filled out by the caregiver 115 or even partly automatically from the data coming from the sensors 155 and/or the detection device 160, to the computer server 120 which records the form status associated with the individual 110 by timestamping it. [79]
  • the collection terminal 170 can include a clock making it possible to configure the filling and sending of the status sheet at regular intervals.
  • the collection terminal 170 can also include an electrical energy storage device 171 in order to make it autonomous.
  • the status form can only be completed partially, with at least the indicators corresponding to the detection of a particular symptom.
  • the analysis of the evolution of the monitoring indicators can be carried out by the automatic learning computer algorithm including the parameters have been previously generated.
  • the state figure can also be filled through an interaction of the individual 110 with an interface 190 of the remote monitoring system 100, whether or not distinct from the filling device 150.
  • the interface 190 comprises a device for providing at least one question to the individual 110 visually, via for example a screen 191, or auditorily, via the intermediary for example of a loudspeaker 192.
  • the individual 110 can answer each question via the interface 190 which has a device 195 for recording the answer(s).
  • the recording device 195 can be for example a microphone 196 or a plurality of buttons 197 (for example two buttons: “yes” and “no”).
  • a device 198 for transcribing each response can then be used to determine the value of at least one indicator of the status sheet being completed.
  • Figure 2 illustrates in the form of a block diagram the data processing method 200 implemented by the remote monitoring system 100.
  • the data processing method 200 comprises two main phases: a learning phase 210 and a processing phase 250.
  • the learning phase 210 comprises a first step 211 of acquiring a plurality of status sheets for each person in a set of people in the database 122.
  • the combined evolution of the indicators of the status sheets of all or part of the people in the set are then analyzed during a second step 212 of phase 210, in particular with respect to the occurrence of a symptom which can be identified through the indicators of the status sheets.
  • the evolution of indicators C8, C2, D4, D5 and C3 is analyzed in the status sheets of each individual preceding those where a fall (indicator D7) is noted for these individuals.
  • indicator D7 a fall
  • the parameters generated during step 213 are then used during the phase of processing 250 which includes a first step 251 of acquiring a plurality of state files of the individual 110.
  • the evolution of these files is then analyzed during a second step 252 by the algorithm machine learning computer whose parameters were generated during the learning phase 210 in order to determine at least one risk value associated with a particular symptom within a predetermined close period of time.
  • an alert is generated during a fourth step 254, indicating the symptom associated with the risk value.
  • the method 200 can advantageously update the parameters of the automatic learning computer algorithm regularly by completing the database 122 with the individual's records during a step 260.
  • Steps 213 and 214 of the learning phase are then carried out again to update the parameters of the computer algorithm.
  • Figure 3a, Figure 3b, Figure 3c and Figure 3d represent the ROC curves obtained respectively for a risk of falling, a risk of malnutrition, a risk of swollen legs and a risk of depression for an individual not not having had these symptoms before.
  • a ROC curve (English acronym for “Receiver Operating Characteristic”) makes it possible to characterize the performance of a binary classifier by representing the rate of true positives, that is to say the fraction of positives which are actually detected, based on the false positive rate, fraction of negatives that are incorrectly detected.
  • the rate of true positives indicated by the English term “True Positive Rate”
  • the rate of false positives indicated by the English term “False Positive Rate”
  • the “TRAIN” curve illustrates the learning phase 210 during which the parameters of the algorithm according to the analysis of the status sheets stored in the database 122.
  • the curve “TEST” illustrates the treatment phase 250 during which a value representative of a risk of occurrence of a symptom in the individual 110 is calculated.
  • this analysis is carried out on a plurality of individuals 110, chosen randomly, in order to calculate the predictive performance represented by the surface located under the “TEST” curve by comparing the value obtained from the risk value with the occurrence of the symptom noted in the condition sheet (for example: D7 for falls, D6 for malnutrition, C6 for depression, A1 for swollen legs).
  • the “TRAIN” and “TEST” curves were calculated in this example, by defining two cohorts.
  • the collection terminal 170 is equipped with a microprocessor, or microcontroller, and a computer memory in which the computer algorithm is stored. Automatic learning configured by the parameters making it possible to predict the occurrence of at least one symptom in the individual 110.
  • the collection terminal 170 comprises the means 128 for predicting a symptom by analyzing a plurality of state records of the individual 110 using the automatic learning algorithm whose parameters have been previously generated.
  • Data processing can thus be carried out before transmission to the computer server 120 which can be remote and outside the home 111 of the individual 110. In which case, the data of the individual 110 are processed locally, offering more discretion.

Abstract

L'invention concerne un système (100) de télésurveillance d'un individu (110), potentiellement âgé, dans son environnement quotidien, comprenant un serveur informatique (120) doté d'un microprocesseur et d'une mémoire informatique stockant un algorithme d'apprentissage automatique configuré pour prédire un symptôme tel qu'un risque de chute, un risque de dénutrition, un risque de dépression ou un risque de jambes gonflées dans un avenir proche. La prédiction est effectuée par une analyse de révolution d'indicateurs binaires entre plusieurs fiches d'état de l'individu, remplis à des moments distincts.

Description

^^ Description Titre : Système de télésurveillance d’un individu potentiellement âgé dans un environnement quotidien DOMAINE TECHNIQUE DE L’INVENTION [1] Le domaine de l’invention est celui de l’informatique. [2] Plus précisément, l’invention concerne un système de télésurveillance d’un individu potentiellement âgé dans un environnement quotidien. [3] L’invention trouve notamment des applications dans le domaine du suivi de personnes, plus spécifiquement de personnes âgées, vivant à leur domicile, généralement non médicalisé, de manière autonome ou présentant des limitations fonctionnelles. ÉTAT DE LA TECHNIQUE [4] Il est connu de l’art antérieur des techniques de suivi à distance de l’état d’un individu. [5] De telles techniques sont généralement basées sur l’utilisation de capteurs mesurant au moins une donnée physiologique de l’individu, parmi la fréquence cardiaque, la pression artérielle, la température, le taux d’oxygène ou de glucose dans le sang, etc. [6] L’inconvénient majeur de ces techniques est qu’elles nécessitent un enregistrement régulier de ces données physiologiques afin que le traitement des données soient fiables pour déterminer l’état de l’individu. [7] Cet enregistrement régulier peut en outre s’avérer très contraignant pour l’individu, voire de nécessiter une intervention régulière d’un auxiliaire médical pour effectuer des actes plus techniques, telles qu’une prise de sang analysée par la suite. [8] Par ailleurs, le suivi d’une population à risque s’avère fastidieux pour les professionnels de santé qui doivent analyser les données physiologiques d’un grand nombre d’individus. [9] Pour faciliter le travail des professionnels de santé, des techniques automatiques de traitement des données ont été proposées, en se basant notamment sur des analyses statistiques de données physiologiques à grande échelle. ^^ [10] De telles techniques sont généralement dédiées à la prédiction d’une pathologie en particulier et s’avèrent par conséquent peu fiables pour déterminer un risque d’admission aux urgences d’un individu présentant une multitude de pathologie à la fois. [11] Dans ce cadre, l’inventeur a déposé en novembre 2018 une demande de brevet français publiée sous le numéro FR 3089331 proposant un système et procédé de traitement de données pour la détermination du risque d’un passage aux urgences d’un individu. L’objet de cette demande de brevet a fait l’objet d’une publication dans un journal scientifique avec comité de lecture, qui a validé l’approche très novatrice proposée permettant de réduire l’hospitalisation d’un facteur 10. [12] Toutefois, cette technique est orientée sur la prédiction d’un risque de passage aux urgences dans les prochains jours. [13] Il existe également des techniques d’objets connectés pour prédire certains symptômes, tel qu’un bracelet pour la chute ou un verre pour la dénutrition. Toutefois ces objets connectés présentent leur limite car l’individu surveillé oublie fréquemment de les utiliser, rendant leur utilité relativement faible. [14] Il existe ainsi des besoins d’amélioration de la technique de surveillance des individus à distance, notamment afin d’alerter un personnel soignant avec plus de précision, afin de prendre en charge un individu au plus tôt et éviter un risque de passage aux urgences. EXPOSÉ DE L’INVENTION [15] Ces objectifs, ainsi que d’autres qui apparaîtront par la suite sont atteints à l’aide d’un système de télésurveillance d’un individu, potentiellement âgé, dans un environnement quotidien, comprenant un serveur informatique doté d’un microprocesseur et d’une mémoire informatique. [16] L’objectif de la présente invention est de pouvoir prédire la survenue d’un symptôme tel qu’un risque de chute, des jambes gonflées, une dénutrition ou un risque de dépression chez un individu sans que ces symptômes n’aient été constaté pour cet individu en particulier. L’individu suivi, qui est par exemple une personne âgée vivant à son domicile non médicalisé, peut être notamment pris en charge par une équipe médicale qui est alertée. Une visite au domicile de l’individu peut ainsi être programmée rapidement avant que les symptômes ne se dégradent. Il convient de ^^ souligner que certains symptômes, comme la tristesse pouvant engendrer une dépression ou les jambes gonflées, ne peuvent aujourd’hui être détectés facilement par des objets connectés. [17] De manière générale, un symptôme peut être défini comme un phénomène lié à un trouble fonctionnel ou à une lésion, pouvant relever d’une maladie. Une performance prédictive supérieure à 50 %, préférentiellement d’au moins 65 %, plus préférentiellement supérieure à 70 % est ainsi attendue. [18] Il convient de souligner que les techniques de prédictions classiques d’un symptôme est généralement basée sur un symptôme déjà constaté auparavant. Il est ainsi courant qu’un risque de chuté soit prédit après qu’une chute ait déjà été constatée. De manière surprenante, l’inventeur a trouvé une autre approche permettant d’obtenir de très bons résultats de prédiction à partir d’une analyse d’autres critères d’apparence simples. [19] Selon l’invention, le système de télésurveillance comprend également : − une base de données stockant une pluralité de fiches d’état pour chaque personne d’un ensemble de personnes, chaque fiche d’état étant datée et comportant plusieurs indicateurs de suivi, chaque indicateur étant représentatif d’un état de la personne correspondante et ayant une valeur choisie entre deux valeurs binaires, − des moyens de génération des paramètres d’un algorithme informatique d’apprentissage automatique à partir des fiches d’état, − des moyens de remplissage d’une fiche d’état de l’individu, la fiche d’état comportant la liste d’indicateurs de suivi, chaque indicateur étant représentatif d’un état de l’individu et ayant une valeur choisie entre deux valeurs binaires, − des moyens de prédiction d’un symptôme par l’analyse d’une pluralité de fiches d’état de l’individu grâce à l’algorithme d’apprentissage automatique dont les paramètres ont été préalablement générés, les fiches d’état de l’individu étant établies à des instants distincts, − des moyens de génération d’une alerte lorsqu’un symptôme est prédit pour l’individu dans un laps de temps prédéterminé. [20] Ainsi, il est possible de prédire un symptôme à partir d’un apprentissage à grande échelle de fiches d’états comportant des indicateurs de suivis binaires, généralement une valeur positive (par ex : « Oui ») et une valeur négative (par ex : ^^ « Non »). Il convient également de souligner que les valeurs de la fiche d’état peuvent être déterminées par l’individu, par un aidant ou par un accompagnant, sans nécessiter de connaissances médicales préalables. En d’autres termes, ces indicateurs de suivi sont déterminés en fonction d’une observation basique de l’individu. [21] Il convient en effet de souligner que la détermination d’un symptôme est effectuée sans aucune analyse des données physiologiques de l’individu, telle qu’une température corporelle, un rythme cardiaque, une tension ou un taux d’oxygénation, celles-ci n’étant pas incluses dans la fiche d’état. En d’autres termes, aucune donnée numérique mesurée sur l’individu n’est nécessaire pour la mise en œuvre de l’invention. Par ailleurs, le symptôme prédit ne donne aucune indication quant à une pathologie particulière de l’individu. [22] Ainsi, le suivi de l’état de la personne est simple à mettre en œuvre et peu contraignante. [23] Un symptôme est généralement prédit lorsqu’une valeur associée au symptôme, calculée lors de l’analyse de la pluralité de fiches d’état de l’individu, est supérieure à un seuil prédéterminé. [24] En outre, les paramètres générés à partir d’un très grand nombre de fiches d’état permettent de déterminer la probabilité de survenue d’un symptôme pour l’individu en analysant l’évolution des fiches d’état enregistrés régulièrement, par exemple toutes les semaines ou deux à trois fois par semaine. Cette analyse est uniquement faite sur l’évolution d’indicateurs binaires. [25] L’alerte peut être sous la forme textuelle telle qu’un message, sous la forme lumineuse et/ou sous la forme sonore. L’alerte est généralement à destination d’une personne à distance, tel qu’un praticien, qui peut ainsi suivre l’état de l’individu sans devoir se déplacer régulièrement. [26] Il convient également de souligner que l’invention est mise en œuvre par un ordinateur permettant de traiter un très grand nombre de données, généralement supérieur à quelques dizaines de milliers de données, dans un très court laps de temps. Ce traitement automatique permet de déterminer les paramètres de l’algorithme informatique d’apprentissage automatique qui vont servir pour la prédiction d’un symptôme dans un proche avenir. [27] Dans des modes de réalisation particuliers de l’invention, dans lequel au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour ^^ prédire un symptôme par l’analyse conjointe de toute ou partie des indicateurs suivants, compris dans chaque fiche d’état : − des indicateurs liés à l’état de santé de l’individu tels que : A1. l’individu a des jambes gonflées ; A2. l’individu a des difficultés à respirer ; A3. l’individu est fiévreux ; A4. l’individu a des douleurs ; − des indicateurs de type relationnels tels que : B1. l’individu est indifférent ; B2. l’individu est peu communicant ; B3. l’individu vit seul depuis au moins sept jours ; B4. l’individu a des contacts ou visites avec son entourage ; − des indicateurs de type comportementaux tels que : C1. l’individu refuse l’aide à la toilette ; C2. l’individu ne reconnaît pas l’accompagnant ; C3. l’individu oublie quand l’accompagnant est passé ; C4. l’individu communique de façon incohérente ; C5. l’individu est agressif ; C6. l’individu est triste ; C7. l’individu range les objets dans des endroits inappropriés ; C8. l’individu semble fatigué ; C9. l’individu refuse l’intervention de l’accompagnant ; C10. l’individu s’habille ; − des indicateurs représentatifs des capacités physiques et sensorielles de l’individu tels que : D1. l’individu se lève ; D2. l’individu se déplace à son domicile ; D3. l’individu fait sa toilette ; D4. l’individu prépare ses repas ; D5. l’individu sort de son domicile ; D6. l’individu mange ; D7. l’individu chute. [28] Plus précisément, la prédiction d’un symptôme peut être effectuée uniquement à partir d’indicateurs compris parmi : ^^ − des indicateurs liés à l’état de santé de l’individu ; − des indicateurs de type relationnels ; − des indicateurs de type comportementaux ; − des indicateurs représentatifs des capacités physiques et sensorielles de l’individu. [29] Parmi ces indicateurs, uniquement des indicateurs binaires de type « Oui »/ « Non » sont généralement pris en compte dans la prédiction. [30] Les fiches d’état ne comprennent ainsi préférentiellement aucune valeur numérique non entière, issues par exemple de mesures physiologiques sur l’individu. [31] Dans des modes de réalisation particuliers de l’invention, au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de chute par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : − C8. l’individu semble fatigué ; − D4. l’individu prépare ses repas − A4. l’individu a des douleurs − D5. l’individu sort de son domicile ; − C2. l’individu ne reconnaît pas par l’accompagnant ; − C3. l’individu oublie quand l’accompagnant est passé. − B4. l’individu a des contacts ou visites avec son entourage [32] Dans des modes de réalisation particuliers de l’invention, au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de dénutrition par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : − D3. l’individu fait sa toilette ; − C8. l’individu semble fatigué ; − D5. l’individu sort de son domicile ; − A4. l’individu a des douleurs − C10. l’individu s’habille. [33] Dans des modes de réalisation particuliers de l’invention, au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de dépression par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état, permet de prédire : ^^ − A4. l’individu a des douleurs ; − C3. l’individu oublie quand l’accompagnant est passé ; − C8. l’individu semble fatigué ; − D5. l’individu sort de son domicile. [34] Dans des modes de réalisation particuliers de l’invention, au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de jambes gonflées par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : − A4. l’individu a des douleurs ; − D5. l’individu sort de son domicile ; − D4. l’individu prépare ses repas ; − B4. l’individu a des contacts ou visites avec son entourage ; − C8. l’individu semble fatigué. [35] Dans des modes de réalisation particuliers de l’invention, le système de télésurveillance comprend également une borne de collecte comprenant des moyens de communication sans fil pour recevoir des données provenant des moyens de remplissage. [36] Dans des modes de réalisation particuliers de l’invention, la borne de collecte comprend les moyens de prédiction d’un symptôme. [37] Ainsi, les fiches d’état peuvent avantageusement être traitées en local sans transmission en dehors du domicile de l’individu. [38] Dans des modes de réalisation particuliers de l’invention, la borne comprend un dispositif de stockage d’énergie. [39] Dans des modes de réalisation particuliers de l’invention, le système de télésurveillance comprend également au moins un capteur transmettant des données à une borne de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur de détection d’un mouvement. [40] Dans des modes de réalisation particuliers de l’invention, le système de télésurveillance comprend également au moins un capteur transmettant des données à une borne de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur de poids. ^^ [41] Dans des modes de réalisation particuliers de l’invention, le système de télésurveillance comprend également au moins un capteur transmettant des données à une borne de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur de type RFID ou un capteur de type NFC coopérant avec une puce RFID ou NFC solidarisée à un objet. [42] Les données sont ensuite traduites pour remplir au moins un indicateur binaire d’une fiche d’état. [43] Dans des modes de réalisation particuliers de l’invention, au moins un capteur est de type autonome en énergie. [44] Dans des modes de réalisation particuliers de l’invention, les moyens de remplissage comprennent : − un dispositif de fourniture d’une question à l’individu de manière visuelle ou auditive ; − un dispositif d’enregistrement d’une réponse de l’individu à ladite question tel qu’un microphone ou une pluralité de boutons ; − un dispositif de transcription de la réponse dans un indicateur de la fiche d’état. BRÈVE DESCRIPTION DES FIGURES [45] D’autres avantages, buts et caractéristiques particulières de la présente invention ressortiront de la description non limitative qui suit d’au moins un mode de réalisation particulier des dispositifs et procédés objets de la présente invention, en regard des dessins annexés, dans lesquels : − [Fig 1] est un schéma simplifié d’un système de télésurveillance selon un mode de réalisation de l’invention ; − [Fig 2] est un schéma synoptique d’un procédé de traitement de données mis en œuvre par le système de la figure 1 ; − [Fig 3a] est une courbe ROC caractérisant la performance de la prédiction d’un risque de chute par l’algorithme d’apprentissage mis en œuvre au cours du procédé de la figure 2 ; − [Fig 3b] est une courbe ROC caractérisant la performance de la prédiction d’un risque de dénutrition par l’algorithme d’apprentissage mis en œuvre au cours du procédé de la figure 2 ; ^^ − [Fig 3c] est une courbe ROC caractérisant la performance de la prédiction d’un risque de dépression par l’algorithme d’apprentissage mis en œuvre au cours du procédé de la figure 2 ; − [Fig 3d] est une courbe ROC caractérisant la performance de la prédiction d’un risque de jambes gonflées par l’algorithme d’apprentissage mis en œuvre au cours du procédé de la figure 2 ; − [Fig 4a] illustre sous la forme d’un radar le poids relatif de chaque indicateur dans la prédiction d’un risque de chute ; − [Fig 4b] illustre sous la forme d’un radar le poids relatif de chaque indicateur dans la prédiction d’un risque de dénutrition ; − [Fig 4c] illustre sous la forme d’un radar le poids relatif de chaque indicateur dans la prédiction d’un risque de dépression ; − [Fig 4d] illustre sous la forme d’un radar le poids relatif de chaque indicateur dans la prédiction d’un risque de jambes gonflées. DESCRIPTION DÉTAILLÉE DE L’INVENTION [46] La présente description est donnée à titre non limitatif, chaque caractéristique d’un mode de réalisation pouvant être combinée à toute autre caractéristique de tout autre mode de réalisation de manière avantageuse. [47] On note, dès à présent, que les figures ne sont pas à l’échelle. Exemple d’un mode de réalisation particulier [48] La figure 1 est un schéma simplifié d’un système 100 de télésurveillance d’un individu 110, potentiellement âgé, dans un environnement quotidien, par exemple le domicile 111 de l’individu 110. Le système de télésurveillance comprend à cet effet un serveur informatique 120 doté d’un microprocesseur et d’une mémoire informatique dans laquelle est stockée un algorithme informatique d’apprentissage automatique configuré par des paramètres pour prédire la survenue d’au moins un symptôme chez l’individu 110. [49] Il convient de souligner que l’algorithme informatique d’apprentissage automatique est généralement choisi parmi les techniques d’apprentissage ^^^ automatique plus couramment connu sous le terme anglais de « machine learning », comme par exemple un algorithme de type « random forest ». [50] La prédiction d’un symptôme, tel qu’un risque de chute, des jambes gonflées, une dénutrition ou un risque de dépression, est notamment effectuée de manière surprenante en analysant l’évolution de fiches d’état de l’individu 110, chaque fiche d’état étant établies à des instants distincts et comportant une pluralité d’indicateurs de suivi de l’individu, chaque indicateur ayant une valeur choisie entre deux valeurs binaires, généralement une valeur positive (« Oui ») et une valeur négative (« Non »). [51] Il convient de souligner que les fiches d’état étant notamment dépourvues de données physiologiques de l’individu 110, peuvent être remplies par tout un chacun. Chaque fiche d’état peut ainsi être remplie par exemple par un aidant 115 venant rendre visite à l’individu 110. Il convient de souligner qu’un accompagnant de l’individu 110 peut remplir la fiche d’état à la place de l’aidant 115. [52] Chaque fiche d’état comprend une liste d’indicateurs de suivi généralement choisis parmi la liste globale des indicateurs de suivi suivante : − des indicateurs liés à l’état de santé de l’individu tels que : A1. l’individu a des jambes gonflées ; A2. l’individu a des difficultés à respirer ; A3. l’individu est fiévreux ; A4. l’individu a des douleurs ; − des indicateurs de type relationnels tels que : B1. l’individu est indifférent ; B2. l’individu est peu communicant ; B3. l’individu vit seul depuis au moins sept jours ; B4. l’individu a des contacts ou visites avec son entourage ; − des indicateurs de type comportementaux tels que : C1. l’individu refuse l’aide à la toilette ; C2. l’individu ne reconnaît pas l’accompagnant ; C3. l’individu oublie quand l’accompagnant est passé ; C4. l’individu communique de façon incohérente ; C5. l’individu est agressif ; C6. l’individu est triste ; C7. l’individu range les objets dans des endroits inappropriés ; ^^^ C8. l’individu semble fatigué ; C9. l’individu refuse l’intervention de l’accompagnant ; C10. l’individu s’habille ; − des indicateurs représentatifs des capacités physiques et sensorielles de l’individu tels que : D1. l’individu se lève ; D2. l’individu se déplace à son domicile ; D3. l’individu fait sa toilette ; D4. l’individu prépare ses repas ; D5. l’individu sort de son domicile ; D6. l’individu mange ; D7. l’individu chute ; [53] Ces indicateurs peuvent être accompagnés d’indicateurs relatifs à l’aidant tels que : − E1. l’aidant est triste ; − E2. l’aidant est épuisé. [54] Il convient de souligner que chaque indicateur est représentatif d’un état et qu’une formulation proche ou équivalente d’un ou plusieurs indicateurs pourrait être utilisée sans altération notable des résultats obtenus. Par exemple, l’indicateur B3 lié à la solitude de l’individu peut être formulé « l’individu se sent seul ». [55] L’analyse conjointe de toute ou partie des indicateurs de chaque fiche d’état par l’algorithme d’apprentissage automatique permet de prédire un symptôme à venir tel qu’une chute, une dépression, une dénutrition ou des jambes gonflées. Les paramètres de l’algorithme d’apprentissage automatique sont ainsi configurés lors d’une phase d’apprentissage sur la base de données par l’analyse statistique de l’évolution des indicateurs au cours du temps pour la pluralité de personnes. [56] Par exemple, une chute à venir peut être prédite par l’analyse conjointe de tout ou partie des indicateurs suivants : − C8. l’individu semble fatigué ; − C2. l’individu ne reconnaît pas l’accompagnant ; − D4. l’individu prépare ses repas ; − D5. l’individu sort de son domicile ; − C3. l’individu oublie quand l’accompagnant est passé. ^^^ [57] De même, une dénutrition peut être prédite par l’analyse conjointe de tout ou partie des indicateurs suivants : − C10. l’individu s’habille ; − C8. l’individu semble fatigué ; − D5. l’individu sort de son domicile ; − A4. l’individu a des douleurs ; − D4. l’individu prépare ses repas. [58] Une dépression peut être prédite par l’analyse conjointe de tout ou partie des indicateurs suivants : − A4. l’individu a des douleurs ; − C8. l’individu semble fatigué ; − C3. l’individu oublie quand l’accompagnant est passé ; − D5. l’individu sort de son domicile. [59] Enfin, la survenue d’un gonflement des jambes peut être prédite par l’analyse conjointe de tout ou partie des indicateurs suivants : − A4. l’individu a des douleurs ; − D5. l’individu sort de son domicile ; − C8. l’individu semble fatigué ; − D4. l’individu prépare ses repas ; − B4. l’individu a des contacts ou visites avec son entourage. [60] Afin d’améliorer la prédiction de chacun de ces symptômes, d’autres indicateurs peuvent être analysés. [61] Par exemple, pour améliorer la prédiction d’une chute à venir, tout ou partie des indicateurs suivants peuvent être analysés conjointement : − C8. l’individu semble fatigué ; − C2. l’individu ne reconnaît pas l’accompagnant ; − D4. l’individu prépare ses repas ; − D5. l’individu sort de son domicile ; − C3. l’individu oublie quand l’accompagnant est passé ; − C7. l’individu range les objets dans des endroits inappropriés ; − B4. l’individu a des contacts ou visites avec son entourage. [62] De même, pour améliorer la prédiction d’une dénutrition, tout ou partie des indicateurs suivants peuvent être analysés conjointement : ^^^ − C10. l’individu s’habille ; − C8. l’individu semble fatigué ; − D5. l’individu sort de son domicile ; − A4. l’individu a des douleurs ; − D4. l’individu prépare ses repas ; − B4. l’individu a des contacts ou visites avec son entourage ; − C2. l’individu ne reconnaît pas l’accompagnant. [63] Il convient de souligner que les indicateurs ont été classés, dans le présent exemple non limitatif de l’invention, par ordre d’importance pour chaque symptôme, comme l’illustre les radars des figures 4A à 4D. Pour chaque radar, le poids relatif de l’indicateur correspondant dans la prédiction est indiqué. Les autres indicateurs de la fiche d’état sont regroupés sous le terme OT (pour le terme anglais « others », soit en français « autres »). [64] Tout ou partie des indicateurs de suivi de la fiche d’état peuvent être associés à un sous-indicateur indiquant une précision liée audit indicateur de suivi, à savoir une évolution de l’état objet dudit indicateur par rapport au dernier remplissage de la fiche d’état. Le sous-indicateur est choisi entre trois valeurs correspondant généralement à une amélioration de l’état (ex : « mieux »), à une stabilisation de l’état (ex : « pareil ») et à une dégradation de l’état (ex : « moins bien »). Ce sous-indicateur permet d’apporter une nuance concernant l’indicateur dont la valeur n’a pas été modifiée entre deux fiches d’état remplies successivement. [65] Un sous-indicateur peut par exemple être associé aux indicateurs de suivi A1 à A4, B1, C8, D2, D6 et/ou D7, ce qui peut permettre d’améliorer d’avantage la prédiction. [66] Le serveur informatique 120 est relié à une base de données 122 stockant les fiches d’état établies antérieurement pour un ensemble de personnes. [67] À partir des fiches d’état de l’ensemble de personnes, des paramètres de l’algorithme informatique d’apprentissage automatique sont générés par des moyens 126 de génération desdits paramètres en analysant l’évolution combinée des indicateurs au fil du temps. À cet effet, le serveur informatique 120 peut être configuré pour générer lesdits paramètres. [68] Le système 100 de télésurveillance comprend des moyens 128 de prédiction d’un symptôme par l’analyse d’une pluralité de fiches d’état de l’individu 110 ^^^ grâce à l’algorithme d’apprentissage automatique dont les paramètres ont été préalablement générés. L’algorithme d’apprentissage automatique fournit en sortie au moins une valeur de risque associée à un symptôme donné. [69] Dès lors où un symptôme est prédit, par exemple lorsque la valeur de risque associée audit symptôme est supérieure à un seuil prédéterminé, une alerte est générée par des moyens de génération 130 d’une alerte du système 100 de télésurveillance. Cette alerte peut notamment être un message textuel envoyé à destination d’une plateforme d’intervention 140 afin de pouvoir prendre en charge rapidement l’individu 110 et éviter qu’il ne se retrouve aux urgences. [70] Pour le remplissage régulier de la fiche d’état, le système 100 comprend un dispositif 150 de remplissage d’une fiche d’état qui est généralement un téléphone portable intelligent ou une tablette utilisée par l’aidant 115. [71] Avantageusement, le système 100 comprend également dans le présent exemple non limitatif de l’invention, au moins un capteur 155 de détection d’un mouvement installé au domicile de l’individu 110 permettant de détecter, selon la position du ou des capteur(s) 155 si l’individu se lève, si l’individu chute, si l’individu se déplace à son domicile ou si l’individu sort de son domicile. À partir des données du ou des capteur(s), il peut également être possible de déterminer dans quelle pièce du domicile se trouve l’individu 110, par exemple s’il se trouve dans une chambre, un salon, une salle de bain ou une cuisine. [72] Ainsi tout ou partie des indicateurs de suivi D1 à D7 peut être déterminé automatiquement. [73] Dans des variantes de ce mode de réalisation particulier de l’invention, le système comprend une caméra dont le traitement de données permet de déterminer un mouvement de l’individu 110. Un algorithme de reconnaissance faciale peut également être utilisé pour différencier deux individus. [74] Le système 100 peut également comprendre un dispositif 160 permettant de détecter si un objet est rangé à un endroit inhabituel. Le dispositif 160 peut comprendre un capteur RFID permettant de détecter la présence et/ou la position d’un objet sur lequel est solidarisé une puce RFID. [75] L’indicateur de suivi C7 peut alors être déterminé automatiquement. [76] Dans des variantes de ce mode de réalisation particulier de l’invention, le dispositif 160 est basé sur la combinaison de capteurs et de puces NFC au lieu de RFID. ^^^ [77] Afin de collecter les données provenant du dispositif 150 de remplissage, des capteurs 155 et/ou du dispositif 160 de détection et de les transmettre au serveur informatique 120, le système 100 comprend également une borne 170 de collecte comprenant des moyens de communication sans fil pour recevoir ces données. [78] La borne 170 de collecte transmet ensuite la fiche d’état remplie par l’aidant 115 voire en partie automatiquement à partir des données provenant des capteurs 155 et/ou du dispositif 160 de détection, au serveur informatique 120 qui enregistre la fiche d’état associée à l’individu 110 en l’horodatant. [79] Avantageusement, la borne 170 de collecte peut comprendre une horloge permettant de configurer le remplissage et l’envoi de la fiche d’état à intervalles réguliers. La borne 170 de collecte peut également comprendre un dispositif 171 de stockage d’énergie électrique afin de la rendre autonome. [80] Il convient de souligner que la fiche d’état peut être remplie que partiellement, avec au moins les indicateurs correspondants à la détection d’un symptôme en particulier. [81] Dès lors où un minimum de fiches d’état, par exemple quatre, sont enregistrées pour l’individu 110, l’analyse de l’évolution des indicateurs de suivi peut être effectué par l’algorithme informatique d’apprentissage automatique dont les paramètres ont été préalablement générés. [82] La figure d’état peut également être rempli par l’intermédiaire d’une interaction de l’individu 110 avec une interface 190 du système 100 de télésurveillance, distincte ou non du dispositif 150 de remplissage. [83] A cet effet, l’interface 190 comprend un dispositif de fourniture d’au moins une question à l’individu 110 de manière visuelle, par l’intermédiaire par exemple d’un écran 191, ou de manière auditive, par l’intermédiaire par exemple d’un haut-parleur 192. [84] L’individu 110 peut répondre à chaque question via l’interface 190 qui dispose d’un dispositif 195 d’enregistrement de la ou des réponse(s). Le dispositif 195 d’enregistrement peut être par exemple un microphone 196 ou une pluralité de boutons 197 (par exemple deux boutons : « oui » et « non »). [85] Un dispositif 198 de transcription de chaque réponse peut ensuite être utilisé pour déterminer la valeur d’au moins un indicateur de la fiche d’état en cours de remplissage. ^^^ [86] La figure 2 illustre sous la forme d’un schéma synoptique le procédé 200 de traitement de données mis en œuvre par le système 100 de télésurveillance. [87] Le procédé 200 de traitement de données comprend deux phases principales : une phase d’apprentissage 210 et une phase de traitement 250. [88] La phase d’apprentissage 210 comprend une première étape 211 d’acquisition d’une pluralité de fiches d’état pour chaque personne d’un ensemble de personnes dans la base de données 122. [89] L’évolution combinée des indicateurs des fiches d’état de tout ou partie des personnes de l’ensemble sont ensuite analysées au cours d’un deuxième étape 212 de la phase 210, notamment par rapport à la survenue d'un symptôme qui peut être identifié à travers les indicateurs des fiches d’état. Par exemple, l’évolution des indicateurs C8, C2, D4, D5 et C3 est analysé dans les fiches d’état de chaque individu précédent celles où une chute (indicateur D7) est constatée pour ces individus. [90] Il en est de même pour la dénutrition qui peut être constaté au travers notamment de l’indicateur D6, pour la tristesse/dépression au travers notamment de l’indicateur C6 et pour les jambes gonflées au travers de l’indicateur A1. [91] Cette analyse permet de générer les paramètres de l’algorithme informatique d’apprentissage automatique au cours d’une troisième étape 213. [92] Les paramètres générés au cours de l’étape 213 sont ensuite utilisés au cours de la phase de traitement 250 qui comprend une première étape 251 d’acquisition d’une pluralité de fiches d’état de l’individu 110. [93] L’évolution de ces fiches est ensuite analysée au cours d’une deuxième étape 252 par l’algorithme informatique d’apprentissage automatique dont les paramètres ont été générés au cours de la phase d’apprentissage 210 afin de déterminer au moins une valeur de risque associée à un symptôme particulier dans un laps de temps proche prédéterminé. [94] Lorsque au moins une valeur de risque dépasse un seuil prédéterminé, une alerte est générée au cours d’une quatrième étape 254, en indiquant le symptôme associé à la valeur de risque. [95] Il convient de souligner que le procédé 200 peut avantageusement mettre à jour les paramètres de l’algorithme informatique d’apprentissage automatique régulièrement en complétant la base de données 122 avec les fiches de l’individu lors d’une étape 260. ^^^ [96] Les étapes 213 et 214 de la phase d’apprentissage sont alors effectuées à nouveau pour mettre à jour les paramètres de l’algorithme informatique. [97] La figure 3a, la figure 3b, la figure 3c et la figure 3d représentent les courbes ROC obtenus respectivement pour un risque de chute, un risque de dénutrition, un risque de jambes gonflées et un risque de dépression pour un individu n’ayant pas eu ces symptômes auparavant. [98] Pour mémoire, une courbe ROC (acronyme anglais de « Receiver Operating Characteristic ») permettant de caractériser la performance d’un classificateur binaire en représentant le taux de vrais positifs, c’est-à-dire la fraction des positifs qui sont effectivement détectés, en fonction du taux de faux positifs, fraction des négatifs qui sont incorrectement détectés. [99] Sur chaque graphique, le taux de vrais positifs, indiqué par le terme anglais « True Positive Rate », est en ordonnée, tandis que le taux de faux positifs, indiqué par le terme anglais « False Positive Rate », est en abscisse. [100] Par ailleurs, la courbe « TRAIN » illustre la phase apprentissage 210 au cours de laquelle les paramètres de l’algorithme en fonction de l’analyse des fiches d’état stockées dans la base de données 122. [101] La courbe « TEST » illustre quant à elle la phase de traitement 250 au cours de laquelle une valeur représentative d’un risque de survenue d’un symptôme chez l’individu 110 est calculé. Pour établir la courbe, cette analyse est effectuée sur une pluralité d’individu 110, choisis aléatoirement, afin de calculer la performance prédictive représentée par la surface située sous la courbe « TEST » en comparant la valeur obtenue de la valeur risque avec la survenue du symptôme constaté dans la fiche d’état (par exemple : D7 pour la chute, D6 pour la dénutrition, C6 pour la dépression, A1 pour les jambes gonflées). [102] A cet effet, les courbes « TRAIN » et « TEST » ont été calculées dans le présent exemple, en définissant deux cohortes. La première cohorte, correspondant à 70 % des personnes inscrites dans la base de données 122, est utilisée pour établir la courbe « TRAIN ». Tandis que la seconde cohorte, correspondant à 30 % des personnes inscrites dans la base de données 122, est utilisée pour établir la courbe « TEST ». Autres avantages et caractéristiques optionnelles de l’invention ^^^ [103] Dans des variantes de ce mode de réalisation particuliers de l’invention, la borne de collecte 170 est doté d’un microprocesseur, ou microcontrôleur, et d’une mémoire informatique dans laquelle est stockée l’algorithme informatique d’apprentissage automatique configuré par les paramètres permettant de prédire la survenue d’au moins un symptôme chez l’individu 110. En d’autres termes, la borne de collecte 170 comprend les moyens 128 de prédiction d’un symptôme par l’analyse d’une pluralité de fiches d’état de l’individu 110 grâce à l’algorithme d’apprentissage automatique dont les paramètres ont été préalablement générés. [104] Le traitement des données peut ainsi être effectué avant la transmission au serveur informatique 120 qui peut être distant et hors du domicile 111 de l’individu 110. Auquel cas, les données de l’individu 110 sont traités de manière locale, offrant plus de discrétion.

Claims

^^^ Revendications 1. Système (100) de télésurveillance d’un individu (110), potentiellement âgé, dans son environnement quotidien, comprenant un serveur informatique (120) doté d’un microprocesseur et d’une mémoire informatique, caractérisé en ce qu’il comprend également : • une base de données (122) stockant une pluralité de fiches d’état pour chaque personne d’un ensemble de personnes, chaque fiche d’état étant datée et comportant une liste de plusieurs indicateurs de suivi, chaque indicateur étant représentatif d’un état de la personne correspondante et ayant une valeur choisie entre deux valeurs binaires, telles que « Oui » et « Non » ; • des moyens (126) de génération des paramètres d’un algorithme informatique d’apprentissage automatique à partir des fiches d’état ; • des moyens de remplissage (150, 190) d’une fiche d’état de l’individu (110), la fiche d’état comportant la liste d’indicateurs de suivi, chaque indicateur étant représentatif d’un état de l’individu et ayant une valeur choisie entre deux valeurs binaires, telles que « Oui » et « Non » ; • des moyens (128) de prédiction d’un symptôme, tel qu’un risque de chute, des jambes gonflées, une dénutrition ou un risque de dépression, par l’analyse d’une pluralité de fiches d’état de l’individu (110) grâce à l’algorithme d’apprentissage automatique dont les paramètres (230) ont été préalablement générés, les fiches d’état de l’individu étant établies à des instants distincts ; • des moyens (130) de génération d’une alerte lorsqu’un symptôme est prédit pour l’individu (110) dans un laps de temps prédéterminé. 2. Système de télésurveillance selon la revendication 1, dans lequel au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un symptôme par l’analyse conjointe de toute ou partie des indicateurs suivants, compris dans chaque fiche d’état : • des indicateurs liés à l’état de santé de l’individu tels que : A1. l’individu a des jambes gonflées ; A2. l’individu a des difficultés à respirer ; A3. l’individu est fiévreux ; A4. l’individu a des douleurs ; ^^^ • des indicateurs de type relationnels tels que : B1. l’individu est indifférent ; B2. l’individu est peu communicant ; B3. l’individu vit seul depuis au moins sept jours ; B4. l’individu a des contacts ou visites avec son entourage ; • des indicateurs de type comportementaux tels que : C1. l’individu refuse l’aide à la toilette ; C2. l’individu ne reconnaît pas l’accompagnant ; C3. l’individu oublie quand l’accompagnant est passé ; C4. l’individu communique de façon incohérente ; C5. l’individu est agressif ; C6. l’individu est triste ; C7. l’individu range les objets dans des endroits inappropriés ; C8. l’individu semble fatigué ; C9. l’individu refuse l’intervention de l’accompagnant ; C10. l’individu s’habille ; • des indicateurs représentatifs des capacités physiques et sensorielles de l’individu tels que : D1. l’individu se lève ; D2. l’individu se déplace à son domicile ; D3. l’individu fait sa toilette ; D4. l’individu prépare ses repas ; D5. l’individu sort de son domicile ; D6. l’individu mange ; D7. l’individu chute. 3. Système de télésurveillance selon l’une quelconque des revendications 1 à 2, au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de chute par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : • C8. l’individu semble fatigué ; • D4. l’individu prépare ses repas • D5. l’individu sort de son domicile ; • C2. l’individu ne reconnaît pas par l’accompagnant ; ^^^ • C3. l’individu oublie quand l’accompagnant est passé. 4. Système de télésurveillance selon l’une quelconque des revendications 1 à 3, dans lequel au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de dénutrition par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : • D3. l’individu fait sa toilette ; • C8. l’individu semble fatigué ; • D5. l’individu sort de son domicile ; • A4. l’individu a des douleurs • C10. l’individu s’habille. 5. Système de télésurveillance selon l’une quelconque des revendications 1 à 4, dans lequel au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de dépression par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état, permet de prédire : • A4. l’individu a des douleurs ; • C3. l’individu oublie quand l’accompagnant est passé ; • C8. l’individu semble fatigué ; • D5. l’individu sort de son domicile. 6. Système de télésurveillance selon l’une quelconque des revendications 1 à 5, dans lequel au moins une partie des paramètres de l’algorithme d’apprentissage est configurée pour prédire un risque de jambes gonflées par l’analyse conjointe de tout ou partie des indicateurs suivants, compris dans chaque fiche d’état : • A4. l’individu a des douleurs ; • D5. l’individu sort de son domicile ; • D4. l’individu prépare ses repas ; • B4. l’individu a des contacts ou visites avec son entourage ; • C8. l’individu semble fatigué. 7. Système de télésurveillance selon l’une quelconque des revendications 1 à 6, comprenant également une borne (170) de collecte comprenant des moyens de communication sans fil pour recevoir des données provenant des moyens de remplissage. ^^^ 8. Système de télésurveillance selon la revendication 7, dans lequel la borne (170) de collecte comprend les moyens (128) de prédiction d’un symptôme. 9. Système de télésurveillance selon l’une quelconque des revendications 7 à 8, dans lequel la borne (170) comprend un dispositif de stockage d’énergie. 10. Système de télésurveillance selon l’une quelconque des revendications 7 à 9, comprenant également au moins un capteur transmettant des données à la borne (170) de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur (155) de détection d’un mouvement. 11. Système de télésurveillance selon l’une quelconque des revendications 7 à 10, comprenant également au moins un capteur transmettant des données à la borne (170) de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur de poids. 12. Système de télésurveillance selon l’une quelconque des revendications 1 à 11, comprenant également au moins un capteur transmettant des données à la borne (170) de collecte configurée pour traiter les données et pour communiquer avec le serveur informatique, ledit au moins capteur étant un capteur de type RFID ou un capteur de type NFC coopérant avec une puce RFID ou NFC solidarisée à un objet. 13. Système de télésurveillance selon l’une quelconque des revendications 9 à 12, dans lequel au moins un capteur est de type autonome en énergie. 14. Système de télésurveillance selon l’une quelconque des revendications 1 à 13, dans lequel les moyens de remplissage comprennent : • un dispositif de fourniture d’une question à l’individu de manière visuelle ou auditive ; • un dispositif d’enregistrement d’une réponse de l’individu à ladite question tel qu’un microphone ou une pluralité de boutons ; • un dispositif de transcription de la réponse dans un indicateur de la fiche d’état.
PCT/EP2023/077105 2022-09-30 2023-09-29 Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien WO2024068953A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2210053 2022-09-30
FRFR2210053 2022-09-30

Publications (1)

Publication Number Publication Date
WO2024068953A1 true WO2024068953A1 (fr) 2024-04-04

Family

ID=88412453

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/077105 WO2024068953A1 (fr) 2022-09-30 2023-09-29 Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien

Country Status (1)

Country Link
WO (1) WO2024068953A1 (fr)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190209022A1 (en) * 2018-01-05 2019-07-11 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
FR3089331A1 (fr) 2018-11-29 2020-06-05 Jacques-Henri VEYRON Système et procédé de traitement de données pour la détermination du risque d’un passage aux urgences d’un individu
WO2021050966A1 (fr) * 2019-09-13 2021-03-18 Resmed Sensor Technologies Limited Systèmes et méthodes de détection d'un mouvement
US20210110895A1 (en) * 2018-06-19 2021-04-15 Ellipsis Health, Inc. Systems and methods for mental health assessment
US11114208B1 (en) * 2020-11-09 2021-09-07 AIINPT, Inc Methods and systems for predicting a diagnosis of musculoskeletal pathologies
US20220293266A1 (en) * 2021-03-09 2022-09-15 The Hong Kong Polytechnic University System and method for detection of impairment in cognitive function

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190209022A1 (en) * 2018-01-05 2019-07-11 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US20210110895A1 (en) * 2018-06-19 2021-04-15 Ellipsis Health, Inc. Systems and methods for mental health assessment
FR3089331A1 (fr) 2018-11-29 2020-06-05 Jacques-Henri VEYRON Système et procédé de traitement de données pour la détermination du risque d’un passage aux urgences d’un individu
WO2021050966A1 (fr) * 2019-09-13 2021-03-18 Resmed Sensor Technologies Limited Systèmes et méthodes de détection d'un mouvement
US11114208B1 (en) * 2020-11-09 2021-09-07 AIINPT, Inc Methods and systems for predicting a diagnosis of musculoskeletal pathologies
US20220293266A1 (en) * 2021-03-09 2022-09-15 The Hong Kong Polytechnic University System and method for detection of impairment in cognitive function

Similar Documents

Publication Publication Date Title
US20200234823A1 (en) Health monitoring using social rhythms stability
KR20150010255A (ko) 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
US11948691B1 (en) Predicting addiction relapse and decision support tool
US11631401B1 (en) Conversation system for detecting a dangerous mental or physical condition
US20120221345A1 (en) Helping people with their health
CN113693561B (zh) 基于神经网络的帕金森病预测设备、装置和存储介质
EP2638492B1 (fr) Dispositif de détection à capteur, procédé de détection et programme d'ordinateur correspondants
EP3511781B1 (fr) Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie
WO2020109058A1 (fr) Systeme et procede de traitement de donnees pour la determination du risque d'un passage aux urgences d'un individu
WO2018087479A1 (fr) Procede multiparametrique de quantification de l'equilibre
WO2024068953A1 (fr) Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien
FR3056328A1 (fr) Systeme de traitement de donnees pour predire une hospitalisation ou une re-hospitalisation d’un patient atteint d’une maladie respiratoire chronique
EP3709866B1 (fr) Procédé amélioré de quantification de l'équilibre
US11615793B1 (en) Voice assistant configured to leverage information from sensing devices
FR3041128B1 (fr) Suivi et prise en charge d'un patient a risque
WO2020115377A1 (fr) Procédé d'évaluation de l'activité corporelle d'un utilisateur
US20240013915A1 (en) Systems and methods for generating models for determining blood glucose levels using voice
US20230389849A1 (en) Cardiac Monitoring and Management System
FR3035247A1 (fr) Procede et systeme de surveillance d'un utilisateur
WO2016096886A1 (fr) Procédé et dispositif de surveillance d'un processus générateur de données, par confrontation à des règles temporelles prédictives et modifiables
FR3135389A1 (fr) Procédé de surveillance du sommeil d’un utilisateur, dispositif de surveillance et programme d’ordinateur correspondants.
FR3066097A1 (fr) Dispositif et methode d'evaluation neuropsychologique
WO2021240092A1 (fr) Prédiction d'un état émotionnel d'un utilisateur dans un environnement et déclenchement d'un service numérique en fonction de l'état émotionnel prédit
FR3125215A1 (fr) Détection d’un risque de décompensation cardiaque chez un patient souffrant d’une insuffisance cardiaque
WO2022148938A1 (fr) Procédé pour une surveillance et une analyse de l'état cardiaque d'un individu