1

2007 - 2008

Master MIAGE & DECISION Spécialité : Informatique décisionnelle

PROJET DATAMINING

Recherche des profils patients dépassant la durée

normale de séjour au centre hospitalier de

Poissy-St Germain en Laye

Etudiants :

Alpha Oumar BAH Aurel CRECIUN

Tuteur : Professeur Edwin DIDAY

2

SSOOMMMMAAIIRREE

Sommaire __________________________________________________________________ 2

INTRODUCTION ________________________________________________________________ 3

Première Partie4:Présentation du datamining et du logiciel sodas ________________________ 4

1 - Objectifs généraux du DATAMINING ____________________________________________ 4 1-1 Caractéristiques et ouvertures l’analyse des données symboliques ______________________________ 4 1-2 Avantages des objets symboliques ______________________________________________________ 5

2- Etude de marché des outils Datamining ____________________________________________ 6 2-1 Panorama des outils existant sur le marché (Benchmark) _____________________________________ 6 2-2 Le logiciel SODAS (Symbolic Official Data Analysis System) ________________________________ 7

3- Description sommaire du mode opératoire _________________________________________ 9 3-1 Les principaux onglets de Sodas ________________________________________________________ 9 3-2 Sélection d’une base d’étude __________________________________________________________ 10 3-3 Choix des méthodes à appliquer _______________________________________________________ 10

Partie 2 : ETUDE STATISTIQUE _________________________________________________ 14

II –1 Présentation de l’étude ______________________________________________________ 14 II –1-1 Contexte de l’étude et présentation des données ________________________________________ 14 II –1-2 L’analyse ______________________________________________________________________ 16

1. DB2SO : extraction de données symboliques de la base de données relationnelles _______________ 16

II-2 Présentation des méthodes et résultats __________________________________________ 21 II-2 -1 Méthode View __________________________________________________________________ 21

a- Présentation de la méthode __________________________________________________________ 21 b. Mise en oeuvre de la méthode View ___________________________________________________ 22

II-2 -2 La méthode STAT _______________________________________________________________ 25 a- Présentation de la méthode STAT_____________________________________________________ 25 b. Mise en oeuvre de la méthode STAT __________________________________________________ 26

II-2 -3 La méthode DIV : Divisive Clustering on Symbolic Objects _______________________________ 30 a- Présentation de la méthode DIV ______________________________________________________ 30 b- Mise en oeuvre de la méthode DIV ___________________________________________________ 31

II-2-4 La méthode TREE : Decision Tree ___________________________________________________ 34 a-Présentation de la méthode TREE _____________________________________________________ 34 b-Mise en oeuvre de la méthode TREE __________________________________________________ 34

II-2-5. La méthode PYR : Pyramical Clustering on Symbolic Objects _____________________________ 35 a- Présentation de la méthode PYR ______________________________________________________ 35 b- Mise en oeuvre de la méthode PYR ___________________________________________________ 36

II-2-6 PCA : Principal Component Analysis _________________________________________________ 36 a- Présentation de la méthode PCA ______________________________________________________ 36 b. Mise en oeuvre de la méthode PCA ___________________________________________________ 37

II-2-7 La méthode DISS/MATCH _________________________________________________________ 39 a- Présentation de la méthode _______________________________________________________ 39 b-Mise en oeuvre de la méthode ________________________________________________________ 39

II-2-8 Les méthodes clustering (SCLUST) __________________________________________________ 40 a- Présentation de la méthode _______________________________________________________ 40 b- Mise en œuvre de la méthode ________________________________________________________ 40

II-2-9 La méthode de SYKSOM __________________________________________________________ 42

Conclusion_______________________________________________________________45

3

INTRODUCTION

Désormais, le Datamining est au coeur de toutes les préoccupations du monde des

affaires. C’est un processus qui permet de découvrir, dans de grosses bases de données

consolidées, des informations jusque là inconnues mais qui peuvent être utiles et lucratives et

d'utiliser ces informations pour soutenir des décisions commerciales tactiques et stratégiques.

Les approches traditionnelles de la statistique ont des limites avec de grosses bases de

données, car en présence de milliers ou de millions d’individus et de centaines ou de milliers de

variables, on trouvera forcément un niveau élevé de redondance parmi ces variables. Les

techniques de datamining interviennent et offrent des réponses à l’analyse de données

volumineuse et nous permettra d’extraire des informations intéressantes et apportent de

nouvelles connaissances jusque là inconnues, que les méthodes statistiques classiques n’ont pas

mit en avant.

L’exploitation de ces nouvelles informations peut présenter un intérêt pour analyser et

interpréter les comportements d’individus et ensemble d’individus. Les résultats obtenus

s’insérant dans un dispositif d’analyse globale permettent alors de dresser dans des plans

stratégiques ou politiques les axes d’effort à respecter.

Les techniques du datamining sont regroupées dans deux principales catégories :

Les méthodes descriptives qui visent à structurer et à simplifier les données issues de

plusieurs variables, sans privilégier l'une d'entre elles en particulier, il s’agit notamment

de l'analyse en composantes principales (ACP), l'analyse factorielle des

correspondances (AFC), l'analyse des correspondances multiples (ACM) et des

méthodes de classification automatiques.

Les méthodes explicatives qui visent à expliquer une variable à l'aide de deux ou

plusieurs variables explicatives, les principales méthodes utilisées dans les enquêtes sont

la régression multiple, l'analyse discriminante et la segmentation (arbres de décision).

L’analyse des données symboliques prend actuellement de plus en plus d’importance, comme

en témoigne le développement du logiciel spécifique SODAS. C’est ce logiciel qui va être

utilisé dans le cadre de ce projet afin d’extraire les données concentrées dans une base de

donnée relationnelle de type ACCESS, SQL Server, BO et d’y appliquer les principales

méthodes d’analyse proposées dans SODAS.

L’étude datamining que nous réaliserons ici porte sur la recherche des profils patients

qui dépassent la durée normale de séjour dans un centre hospitalier

Le présent rapport est constitué de deux parties. La première est une présentation

générale du datamining et du logiciel SODAS. La deuxième partie portera sur la présentation de

méthodes, l’analyse et l’interprétation des résultats obtenus.

4

PREMIERE PARTIE

PRESENTATION DU DATAMINING ET DU LOGICIEL SODAS

1 - OBJECTIFS GENERAUX DU DATAMINING

Les progrès de la technologie informatique dans le recueil et le transport de données font

que dans tous les grands domaines de l’activité humaine, des données de toutes sortes

(numériques, textuelles, graphiques…) peuvent maintenant être réunies et en quantité souvent

très importante.

Les systèmes d’interrogation des données, qui n’étaient autrefois réalisables que via des

langages informatiques nécessitant l’intervention d’ingénieurs informaticiens de haut niveau,

deviennent de plus en plus simples d’accès et d’utilisation.

Résumer ces données à l’aide de concepts sous-jacents (une ville, un type de chômeur,

un produit industriel, une catégorie de panne …), afin de mieux les appréhender et d’en extraire

de nouvelles connaissances constitue une question cruciale. Ces concepts sont décrits par des

données plus complexes que celles habituellement rencontrées en statistique. Ces données sont

dites « symboliques », car elles expriment la variation interne inéluctable des concepts et sont

structurées.

Dans ce contexte, l’extension des méthodes de l’Analyse des Données Exploratoires et

plus généralement, de la statistique multidimensionnelle à de telles données, pour en extraire

des connaissances d’interprétation aisée, devient d’une importance grandissante.

L’analyse porte sur des « atomes », ou « unités » de connaissances (les individus ou

concepts munis de leur description) considérés au départ comme des entités séparées les unes

des autres et qu’il s’agit d’analyser et d’organiser de façon automatique.

1-1 Caractéristiques et ouvertures de l’analyse des données

symboliques

Par rapport aux approches classiques, l’analyse des données symboliques présente les

caractéristiques et ouvertures suivantes :

Elle s’applique à des données plus complexes. En entrée elle part de données

symboliques (variables à valeurs multiples, intervalle, histogramme, distribution de probabilité,

de possibilité, capacité …) munies de règles et de taxonomies et peut fournir en sortie des

connaissances nouvelles sous forme d’objets symboliques présentant les avantages qui sont

développés supra :

Elle utilise des outils adaptés à la manipulation d’objets symboliques de

généralisation et de spécialisation, d’ordre et de treillis, de calcul d’extension,

d’intention et de mesures de ressemblances ou d’adéquation tenant compte des

connaissances sous-jacentes basées sur les règles de taxonomies ;

Elle fournit des représentations graphiques exprimant, entre autres, la variation

interne des descriptions symboliques. Par exemple, en analyse factorielle, un objet

symbolique sera représenté par une zone (elle-même exprimable sous forme d’objet

symbolique) et pas seulement par un point ;

5

1-2 Avantages des objets symboliques

Les principaux avantages des objets symboliques peuvent se résumer comme suit :

Ils fournissent un résumé de la base, plus riche que les données agrégées habituelles

car ils tiennent compte de la variation interne et des règles sous-jacentes aux classes

décrites, mais aussi des taxonomies fournies. Nous sommes donc loin des simples

centres de gravité ;

Ils sont explicatifs, puisqu’ils s’expriment sous forme de propriétés des variables

initiales ou de variables significatives obtenues (axes factoriels), donc en termes

proches de l’utilisation ;

En utilisant leur partie descriptive, ils permettent de construire un nouveau tableau

de données de plus haut niveau sur lequel une analyse de données symboliques de

second niveau peut s’appliquer ;

Afin de modéliser des concepts, ils peuvent aisément exprimer des propriétés

joignant des variables provenant de plusieurs tableaux associés à différentes

populations. Par exemple, pour construire un objet symbolique associé à une ville,

on peut utiliser des propriétés issues d’une relation décrivant les habitants de chaque

ville et une autre relation décrivant les foyers de chaque ville.

Plutôt que de fusionner plusieurs bases pour étudier ensuite la base synthétique

obtenue, il peut être plus avantageux d’extraire d’abord des objets symboliques de

chaque base puis d’étudier l’ensemble des objets symboliques ainsi obtenus ;

Ils peuvent facilement être transformés sous forme de requête sur une Base de

Données.

Ils peuvent donc propager les concepts qu’ils représentent d’une base à une autre

(par exemple, d’un pays à l’autre de la communauté européenne, EUROSTAT ayant

fait un grand effort de normalisation des différents types d’enquête

sociodémographiques).

Alors qu’habituellement on pose des questions sous forme de requête à la base de

données pour fournir des informations intéressant l’utilisateur, les objets

symboliques formés à partir de la base par les outils de l’analyse des données

symboliques permettent à l’inverse de définir des requêtes et donc de fournir des

questions qui peuvent être pertinentes à l’utilisateurs.

6

2- ETUDE DE MARCHE DES OUTILS DUDATAMINING

2-1 Panorama des outils existant sur le marché (Benchmark)

Le datamining est une discipline assez récente, mais le marché est en très forte

croissance. Il occupe une place primordiale au sein des entreprises. Les logiciels (outils) phares

du datamining sont présentés dans le tableau ci-dessous, on retrouve dans cette liste différentes

catégories d’outils.

Tout d’abord la catégorie des petits outils open source ou à moins de 2 000 € comme

Solo, Weka, et Alice, puis les outils intermédiaires du marché comme Clementine, Knowledge ,

Spad et DataMind Pro, qui sont de l’ordre de 10 fois plus chers que les petits outils. Et enfin la

catégorie des plus connus et les plus performants en terme d’algorithme et dont l’utilisation

nécessitent des solides connaissances en datamining mais avec des prix encore plus élevés, ils

sont principalement IMB Intelligent Miner et SAS entreprise Miner.

Liste des principaux logiciels du marché Source Wikipedia.org

Editeur Progiciel Commentaires

IBM Intelligent Miner

Pas de volume limite, est son utilisation est destiné aux

experts en datamining.

ISoft Alice Travaille sur quelques milliers d’enregistrements et

modélise les extractions sous forme d’arbre de décision

KXEN KXEN Analytic

Framework Outil de datamining

SAS SAS9 et Entreprise

Miner

Plateforme décisionnelle complète : Intégration de données

(ETL, qualité de données...), stockage, métadonnées

uniques, portail web, reporting de masse, intéractif ou non,

analyse de type OLAP, analyse prédictive, datamining,

textmining, applications métiers (marketing, ressources

humaines, achats, grande distribution, finance, risque...) et

pilotage stratégique de type balanced scorecard

SPAD SPAD

Suite logicielle de data mining et text mining : traite

quelques milliers d’enregistrements mais utilise plusieurs

méthodes de modélisation. Ils possèdent des techniques

statistiques comme la description automatique de variables,

et les analyses multidimensionnelles comme l’ACP et

l’AFC

SPSS Clementine

Outils de datamining et textmining : fonctionne avec des

volumes de données qui peuvent être immenses et a de

multiples méthodes de modélisation

Weka Weka Logiciel libre dédié au Data Mining qui fonctionne

également avec quelques milliers d’enregistrements.

Autres

outils

Solo, Knowledge, DataMind Pro, Knowledge Seeker, Neo Vista, Silicon

Graphics, 4Thougth.

7

2-2 Le logiciel SODAS (Symbolic Official Data Analysis System)

Sodas est un logiciel libre (gratuit) développé dans le cadre du projet Européen

EUROSTAT entre des établissements éducatifs et certaines sociétés commerciales. Il permet

l’extraction des connaissances à partir d’une base de données et l’analyse de données

symboliques définies par généralisation des propriétés des unités statistiques de premier ordre.

Il est téléchargeable à l’adresse suivante :

http://www.ceremade.dauphine.fr/~touati/sodas-pagegarde.htm

L’idée générale de SODAS est de construire, à partir d’une base de données

relationnelle, un tableau de données symboliques muni éventuellement de règles de taxonomies.

Le but étant de décrire des concepts résumant un vaste ensemble de données et d’analyser

ensuite ce tableau pour en extraire des connaissances par des méthodes d’analyse de données

symboliques.

SODAS est un logiciel polyvalent, permettant de faire aussi bien de l’analyse

symbolique et statistique que de classer les données par hiérarchie ou encore par arbre de

décision. Même s’il offre des richesses analytiques d’un niveau équivalent, SODAS n’est pas

un logiciel de statistiques classique dans la mesure où il manipule des données de type

complexe et permet de les représenter graphiquement. De plus, il est destiné à des utilisateurs

métiers, sans compétences statistiques ou informatiques, ce qui permet de se concentrer sur ce

qui est recherché et non sur la manière d’y parvenir.

On utilise SODAS afin d’extraire des informations à partir d’une base de données

(ACCESS….), ensuite on applique sur le fichier SODAS crée certaines méthodes d’analyse de

données symboliques tel que : l’analyse factorielle (AFC, ACP) la visualisations graphiques

(DStat, View), l’analyse discriminante (Tree), classification automatique, …etc..

Les différentes étapes d’analyse symbolique sous SODAS est résumée comme suit :

- Partir d’une base de données relationnelles (Access, Oracle, Sql Server…) ;

- Définir un contexte par :

- les individus, unités statistiques de premier niveau;

- les variables qui les décrivent ;

- les concepts, unités statistiques de second niveau.

- Construire le tableau de données symboliques sous forme d’un fichier sodas.

- Application des différentes méthodes SODAS et interprétation des résultats.

Chaque unité statistique de premier ordre est associée à un concept (unité statistique de second

ordre). Ce contexte est défini par une requête sur la base de données relationnelle.

Les nouvelles unités statistiques sont les concepts décrits par généralisation des

propriétés des unités statistiques de premier ordre qui leur sont associées.

Ainsi, chaque concept est décrit par des variables dont les valeurs peuvent être des

diagrammes de fréquences (variables qualitatives), des intervalles (variables numériques), des

valeurs uniques (éventuellement munies de règles et de taxonomies) selon le type de variables

8

et le choix de l’utilisateur. Une fois que le fichier de données symboliques est crée, on pourra

lui appliquer les différentes méthodes d’analyse de données symboliques de SODAS.

La figure ci-dessous illustre les différentes étapes successives d’une étude réalisée sous

SODAS :

Fig : Etapes d’une étude statistiques avec SODAS

9

3- DESCRIPTION SOMMAIRE DU MODE OPERATOIRE

3-1 Les principaux onglets de Sodas

Au lancement du logiciel SODAS (version 2.50), la fenêtre principale s’affiche (voir ci-

dessous), elle se compose de trois principaux éléments, qui sont :

1- La barre d’outils qui comporte 5 menus (Sadas file, Chaining, Options, Window, Help)

2- La fenêtre Methods de la fenêtre principale propose, par groupe les différentes méthodes

disponibles sous SODAS, (exemple la méthode Descriptives Statistic (DStat, View))

3- La fenêtre Chaining de la fenêtre principale gère l’enchaînement des méthodes appliquées

à la base choisie (fichier SODAS d’extension .sds).

En tête de la fenêtre chaining, figure l’icône BASE représentant le fichier SODAS (.sds)

sur lequel les calculs vont être effectués.

A la suite de cette icône BASE, on peut placer les icônes des méthodes qui sont

regroupées dans la fenêtre « Methods ».

Une fois que les méthodes sont paramétrées, il faut sauvegarder le fichier chaining

d’extension « .Fil » avant l’exécution de méthodes. Les résultats de chacune des méthodes

figureront sous forme d’icônes à droit de chaque méthode (voire la figure suivante). Pour

visualiser les résultats de chaque méthode, il suffit de cliquer sur l’icône.

10

3-2 Sélection d’une base d’étude

Tout fichier SODAS possède l’extension .sds. C’est un fichier de ce type qui va constituer la

BASE de notre étude.

Pour sélectionner un tel fichier, il faut :

- double-cliquer sur l’icône BASE

- sélectionner notre fichier dans la liste de bases disponibles

- cliquer sur OK.

Notre filière a été modifiée et maintenant nous pouvons lire le nom de la base associée à

notre filière ainsi que son chemin d’accès sur le disque dur

3-3 Choix de la méthode à appliquer

Nous allons enrichir la filière définie précédemment grâce à des méthodes (Methods)

afin d’analyser les données de notre base.

Pour cela nous pouvons utiliser des filières prédéfinies (Model \ Predefined chaining) ou

bien composer nous-mêmes une filière en enchaînant des méthodes issues de la fenêtre

Methods.

11

Pour insérer de nouvelles méthodes, il suffit de choisir le menu Method et de cliquer sur

Insert Method. Un carré vide apparaît alors sous l’icône BASE ; nous sélectionnons ensuite

la méthode que nous souhaitons appliquer, dans la fenêtre Methods et nous la faisons glisser

jusqu’à l’emplacement vide.

Les méthodes constituant maintenant la filière sont affichées à la suite de l’icône BASE,

selon l’ordre défini par l’utilisateur, dans lequel elles vont s’enchaîner. Chaque méthode est

représentée par une icône à gauche de laquelle se trouve son nom ainsi qu’une description

sommaire.

12

Par défaut, les méthodes qui viennent d’être insérée sont grisées.

Chaque Méthodes est numérotées dans la filière : ce numéro apparaît dans une petite boîte

située à gauche de la méthodes.

La couleur de cette boîte indique le statut de la méthode :

- gris : la méthode ne peut être exécutée car elle n’est pas paramétrée

- vert : la méthode est exécutable car elle est paramétrée

- rouge : la méthode est désactivée. Elle est exécutable mais l’utilisateur en interdit

l’exécution (menu Methods puis Desactivate method).

Ensuite, il faut paramétrer la méthode. Il suffit de double cliquer sur l’icône de la

méthode. Alors, une fenêtre structurée en fiches à onglets s’ouvre ; elle regroupe l’ensemble des

différents paramètres de la méthode.

Après le paramétrage des diverses méthodes, l’affichage de la filière a changé. Toutes

les méthodes sont maintenant exécutables, car paramétrées (les icônes sont rouges).

Le paramétrage de toutes les méthodes de la filière étant terminé, nous pouvons l’exécuter.

Par contre, toute exécution d’une filière doit être obligatoirement précédée de sa sauvegarde

(Menu Chaining puis Save chaining as et saisie d’un nom dont l’extension est .FIL).

Une fois cette opération effectuée, nous exécutons la filière en cliquant sur les sous menus

Run chaining du menu Chaining.

13

Suite à l’exécution de la filière PROJET.FIL (dont le nom apparaît en haut à gauche de

la fenêtre), de nouvelles icônes sont apparues dans la fenêtre Chaining, à droite des icônes

Méthodes. Ces nouvelles icônes permettent d’accéder aux résultats numériques et, le cas

échéant, aux résultats graphiques de chaque Méthode exécutée.

1. un double-clic sur cette icône permet de d’accéder aux résultats numériques

(dans l’éditeur de texte, Wordpad) de la méthode SOE

2. cette icône permet d’accéder à l’éditeur graphique de la méthode SOE

3. un double-clic sur cette icône affiche une représentation graphique de la méthode

STAT suivant les paramètres saisis précédemment

4. cette icône entraîne l’affichage de la représentation graphique de la classification

pyramidale

Toutes ces méthodes, ainsi que d’autres, seront expliquées plus en détails dans la partie

suivante du présent rapport.

14

PARTIE 2 : ETUDE STATISTIQUE

II –1 PRESENTATION DE L’ETUDE

II –1-1 Contexte de l’étude et présentation des données

L’étude porte sur des données réelles du centre hospitalier de Poissy-Saint Germain

Laye, se sont des données de l’exercice 2007, on a procédé à un échantillonnage, les noms et

prénoms des patients on été supprimés pour des raisons de confidentialité et le modèle initial a

été simplifié pour réaliser cette étude.

Objectif de l’étude

Il s’agit d’étudier les caractéristiques des différentes groupes des malades par rapport à

leur durée de séjour, afin d’établir le lien entre les groupes et les malades, qui les composent.

Tous les malades ont été répartis en 11 groupes selon leur indice de performance de la durée de

séjour (IP_DMS). Cet indice se calcule comme le rapport de la durée de séjour d’un malade et

la durée de séjour de référence pour la même pathologie.

Ainsi, les groupes de séjours des malades ont été définies comme suit:

1. LONG_5 : dépassement de la DMS de référence plus de 3 fois

2. LONG_4 : dépassement de la DMS de référence entre 2 et 3 fois

3. LONG_3 : dépassement de la DMS de référence entre 50% et 200%

4. LONG_2 : dépassement de la DMS de référence entre 25% et 50%

5. LONG_1 : dépassement de la DMS de référence entre 10% et 25%

6. NORMAL : durée de séjour égale à la DMS de référence à 10% près

7. COURT_1 : durée de séjour inférieure à la DMS de référence de 10% à 25%

8. COURT_2 : durée de séjour inférieure à la DMS de référence de 25% à 50%

9. COURT_3 : durée de séjour inférieure à la DMS de référence de 50% à 200%

10. COURT_4 : durée de séjour inférieure à la DMS de référence de 2 à 3 fois

11. COURT_5 : durée de séjour inférieure à la DMS de référence de plus de 3 fois

Les individus sont représentés par les séjours.

Les concepts sont les 11 groupes de séjours cités précédemment.

Compte tenu de l’impossibilité d’utilisation directe de la base de données de l’hôpital et

du fait de la protection du modèle de données par les droits d’auteurs, nous avons procédé à une

extraction des données jugées pertinentes et les organiser sous forme d’étoile. Et donc ce

modèle est présenté ci-dessous.

- DimVILLE contient le nom et le département du domicile d’un patient

- Dim GHM contient le groupe homogène des maladies

- GHM le groupe homogène de maladie

- CMD_LIB libellé des catégories majeures de diagnostic

- N_DMS la durée normale (durée de référence en France) de séjours en nombre

jours.

15

- factSEJOURS : contient les séjours et leur caractéristique (NBR_PASS, N_DMS Age.

Sexe.. ……)

- dimUM : contient les libellés des unités médicales où le séjour à été effectué.

- dimIP_DMS : contient les libellés des groupes de séjours que nous considéré comme

concepts.

La variable d’insertion (single) se trouve dans la table VAR

16

II –1-2 L’analyse

1. DB2SO : extraction de données symboliques de la base de données

relationnelles

a. Généralités

DB2SO est le module du logiciel SODAS qui permet à l’utilisateur de créer un ensemble de

concepts à partir de données stockées dans une base de données relationnelles.

On présuppose bien évidemment qu’une série d’individus est stockée dans la base de données et

que ces individus sont répartis entre plusieurs groupes. Ainsi, DB2SO va pouvoir construire un

concept pour chaque groupe d’individus. Dans ce processus, les variables mères / filles ainsi

que les taxonomies sur les variables pourront également être associées avec les concepts créés.

b. Présentation de DB2SO

Le système de liaisons ODBC de SODAS lui permet d’accéder directement aux bases de

données et en particulier aux bases Microsoft Access.

Pour importer notre base, il faut sélectionner la commande Importation (DB2SO) dans le

sous menu Import du menu SODAS file.

Un premier écran d’importation apparaît alors dans lequel il faut sélectionner le menu File

puis New

17

L’écran suivant nous invite à sélectionner une source de données machine. Dans notre

cas, il s’agit d’une base Microsoft Access.

Notre projet a en effet, pour objet l’étude d’une base de données Microsoft Access. Ce

SGBD inclut le driver ODBC permettant l’accès de DB2SO à la base de données

relationnelles.

SODAS ne propose aucun menu de connexion à la base de données car l’utilisateur est

automatiquement invité à s’y connecter quand cela est nécessaire, c’est-à-dire lorsqu’il

souhaite exécuter une requête. A tout moment, l’utilisateur peut décider de changer de base de

données en choisissant le menu File\Disconnect de l’écran ci-dessus. Il sera alors invité à

spécifier une nouvelle base de données.

18

Une fois, le bon driver choisi, il faut indiquer le fichier .mdb. Pour ce faire, nous cliquons sur

OK.

L’étape suivante consiste à rechercher la base de travail et à la sélectionner

19

Lorsque ces étapes préliminaires ont été exécutées, nous allons procéder à l’extraction des

individus. Pour ce faire, il faut choisir la table qui est le résultat d’une requête préalablement

exécuté sous Access.

Résultat :

1ère colonne = individus

2nde colonne = concepts

3ème colonne et suivante = description des individus

Une fois que nous avons effectué toutes les manipulations dans le module DB2SO. Un résumé

de toutes les opérations apparaît dans l’écran principal suivant :

20

21

2-Présentation des méthodes et de l’analyse

Les filières des méthodes appliquées sont présentées dans la figure ci-dessous, la deuxième

filière utilise le fichier .sds résultat de DISS.

II-2 PRESENTATION DES METHODES ET RESULTATS

II-2 -1 Méthode View

a- Présentation de la méthode

L’éditeur d’objets symboliques View permet aux utilisateurs de visualiser, dans un

tableau, tous les objets symboliques présents dans un fichier SODAS et d’effectuer quelques

modifications sur les données. Cet éditeur permet aussi de visualiser des représentations

graphiques en 2 et 3 dimensions et une représentation SOL (Symbolic Object Language) de

chaque objet symbolique se trouvant dans le tableau.

22

Dans la table, il faut alors sélectionner les concepts (au moins 1) et les variables (au moins

3) que nous souhaitons voir représentés à l’écran. Ensuite, suivant notre choix nous voyons

apparaître à l’écran une étoile zoom, en 2 ou 3 dimensions.

Nous pouvons noter que les variables quantitatives sont représentées par des intervalles

et que les variables qualitatives sont représentées par des histogrammes.

Le bouton SOL, lui, renvoie une description SOL des objets symboliques sélectionnés

dans le tableau.

b. Mise en oeuvre de la méthode View

On remarque l’intervalle d’age dans les groupes est presque identique : 0-91(97) ans, ce

que ne permet pas de les distinguer. Par contre, la répartition par tranche d’âge et par sexe,

permet de remarquer qu’il y a plus d’hommes dans des séjours très longs (LONG_5) et plus des

femmes dans les séjours, qui dépassent 25% - 300% la durée moyenne de séjour de référence.

23

L’image suivante permet de comparer le groupe de séjours de durée normale (±10%) avec le

groupe des séjours LONG_5.

On remarque que ce sont plutôt des hommes âgés (>75 ans), qui peuvent avoir plus des

journées de réanimation (NBR_REA), plus de passage dans les services (NBR_PASS), plus

d’actes (NBR_ACTES) et des diagnostiques (NBR_DIAGS)

En transformant les nombres absolus des actes, diagnostics, journées de réanimation en

tranches, on remarque que les séjours de durée normale sont caractérisés par un nombre de

diagnostic inférieur aux séjours longs. Les séjours longs se caractérisent par plus d’actes. Cela

peut témoigné des raisons médicales pour lesquels les malades sont restés plus long temps en

hospitalisation. D’autre côté cela peut être interprété comme une difficulté de prise en charge

des malades chroniques par des structures spécialisées.

La description SOL caractérise les malades qui ont une durée de séjour normale :

NORMAL =

SEXE = M (0.43), F (0.57)

And NBR_PASS = 1 (0.68), 2 (0.30), 4 (0.02)

And CMD_LIB = diges (0.28), nerve (0.04), circu (0.23), obste (0.04), endoc (0.04), VIH

(0.02), muscu (0.08), respi (0.06), urolo (0.02), gynec (0.04), derma (0.04), hepat (0.08), orl

(0.04), cance (0.02)

And TR_AGE = 48_60 (0.15), 61_75 (0.19), 75plu (0.30), 18_25 (0.02), 26_37 (0.26), 38_47

(0.08)

And TR_ACTES = 12plu (0.04), 1 (0.43), 7_12 (0.09), 2_3 (0.32), 4_6 (0.11)

And TR_DIAG = 7plus (0.26), 4_6 (0.22), 1 (0.14), 2_3 (0.38)

And TR_REA = 12plu (0.04), 0 (0.94), 1_5 (0.02)

24

Ce sont des femmes de 26-37 ans (26%) et plus de 75 ans (30%), appartiennent aux catégories

majeures de diagnostics (CMD) : maladies de l’appareil digestif (28%) et circulatoire (23%).

Le diagramme suivant le montre visuellement.

On remarque que les malades, avec des séjours qui dépassent la durée de référence, ont

eu plus d’actes et la tranche de nombre d’actes augmente avec le groupe de dépassement de

DMS.

Exemple : le groupe de durée normale de séjour, ont bénéficié dans la plupart de cas d’un seul

acte ; le groupe LONG_3 (dépassement de 50% à 200%) ont bénéficié de 4-6 actes ; en même

temps le groupe LONG_5 (dépassement de plus de 300%) ont bénéficié de plus de 12 actes.

25

II-2 -2 La méthode STAT

a- Présentation de la méthode STAT

STAT permet d’appliquer des méthodes, habituellement utilisées pour des données

conventionnelles, à des objets symboliques représentés par leur description.

Ces méthodes dépendent du type des variables présentes dans la base SODAS avec

laquelle nous travaillons.

1. les fréquences relatives pour les variables multi nominales

2. les fréquences relatives pour les variables intervalles

3. les capacités et min/max/mean pour les variables multi nominales probabilistes

4. biplot pour les variables intervalles

Le format de sortie des données sera, suivant le choix de l’utilisateur, un listing ou bien un

graphique. Les graphiques peuvent être modifiés et personnalisés (figures, formes, couleurs,

texte, commentaires ...) par l’utilisateur et ils peuvent également être copiés et sauvegardés.

Les fréquences relatives pour les variables multi-nominales

Dans cette méthode, nous étudions la fréquence relative des différentes modalités de la

variable multi nominale en prenant en compte les éventuelles règles relatives à la base sur

laquelle nous travaillons. Le graphique associé à la distribution de la variable pourra, suivant le

choix de l’utilisateur, être soit un diagramme bâton, soit un diagramme en camembert.

Les fréquences relatives pour les variables intervalles

Cette méthode a besoin, en entrée, de 2 paramètres :

- une variable intervalle I

- un nombre de classes k

Nous pouvons construire un histogramme pour la variable I sur un intervalle [a,b] découpé en k

classes et où a représente la borne inférieure de I et b sa borne supérieure. La méthode va

permettre le calcul de la fréquence relative associée à la classe Ck tout en tenant compte du

recouvrement de cette classe Ck par les valeurs intervalles de I et ceci pour tous les objets

symboliques.

Les capacités et min/max/mean pour les variables multi nominales probabilistes

La méthode permet de construire un histogramme des capacités des différentes

modalités de la variable considérée. Dans l’histogramme capacité, la capacité d’une modalité

est représentée par l’union des différentes capacités. En ce qui concerne le graphique

min/max/mean, il associe un diagramme représentant l’étendue et la moyenne de la probabilité

de chaque modalité.

Biplot pour les variables intervalles

Ce graphique représente un objet symbolique par un rectangle dans le plan de 2

variables sélectionnées par l’utilisateur. La dimension de chaque côté du rectangle correspond à

l’étendue de la variation de l’objet symbolique relativement à la variable de l’axe considéré

26

b. Mise en oeuvre de la méthode STAT

Méthode DSTAT pour les variables intervalles

Les intervalles de nombre des actes représentés sur le diagramme suivant montre qu’un

nombre d’actes au delà de 66 est réservé aux séjours de longueur extrême (LONG_5). Vu que

celle ne concerne que 2 séjours, on s’obtiendra de conclusions avant une vérification sur un

échantillon plus large.

Les catégories majeures de diagnostic sont différentes elles aussi (figure ci-dessous).

Dans le groupe normale, sont affectés plutôt les appareilles digestif (28%) et circulatoire (23%).

Dans le groupe LONG_3 : circulatoire (20%) et musculo-squeletic (17%) Dans LONG_4 :

circulatoire (22%) et dans LONG_5 : nerveux (25%). Cella peut également indiquer les services

correspondants, qui ont besoin d’un accompagnement dans l’étude des flux de patients et une

optimisation d’utilisation du lit. Cette hypothèse se confirme quand on compare les durées

réelles (en bordeaux) et les durées de références (en bleue)

27

Le diagramme suivant montre que dans 85% des cas les séjours ne contiennent pas plus

de 18-20 jours de réanimation. La diagramme peut intéressant car on trouve des séjours courts

(COURT_2) et extrêmement longues (LONG_5) qui peuvent avoir plus de 18-20 journées de

réanimation. Cela est du, probablement à une différence de la catégorie majeure de diagnostic

(CMD) entre les séjours de type COURT_2 et LONG_5.

28

Méthode DSTAT pour les variables modales

Cette méthode permet de repérer visuellement les catégories majeures de diagnostics

(CMD) dans lesquelles on trouve des séjours longues, et par département. La hauteur des

barrettes dans le biplot permet de comparer visuellement les nombres de séjours ainsi identifiés.

Donc, on peut dire que dans notre échantillon il n’y a pas de séjours d’obstétrique de durée

normale, ou plus courte que la référence, venant de Somme, Val d’Oise, ou encore Loire

Atlantique.

29

Pour justifier, on peut vérifier s’il y avait des séjours de durée normale ou courte. Les barrettes

bleues dans la ligne « obstétrique » nous révèlent l’existence des séjours extrêmement courts

(COURT_5). Une autre diagramme nous confirme, que c’est une pratique courante chez les

obstétriciens de Poissy, de raccourcir la durée de séjour (proba/min=7.55, proba=0.58)

30

II-2 -3 La méthode DIV : Divisive Clustering on Symbolic Objects

a- Présentation de la méthode DIV

DIV est une méthode de classification hiérarchique qui part de tous les objets

symboliques réunis dans une seule classe et procède ensuite par division successive de chaque

classe. A chaque étape, une classe est divisée en deux classes suivant une question binaire ; ceci

permet d’obtenir le meilleur partitionnement en deux classes, conformément à l’extension du

critère d’inertie.

L’algorithme s’arrête après avoir effectuer k-1 division ; k étant le nombre de classes

donné, en entrée, à la méthode par l’utilisateur. Il ne s’agit pas du seul paramètre à saisir, en

entrée de la méthode. L’utilisateur doit également choisir les variables qui seront utilisées pour

calculer la matrice de dissimilarité, l’extension du critère d’inertie et pour définir l’ensemble

des questions binaires utiles pour effectuer le découpage.

Au moment de choisir nos variables, il faut être attentif à deux choses principales :

- le domaine de définition des variables doit être ordonné car dans le cas contraire, les

résultats obtenus seront totalement faux

- il n’est pas possible de mélanger des variables dont le domaine de définition est

continu avec des variables dont le domaine de définition est discret. Dans la fenêtre

de définition des paramètres de la méthode DIV du logiciel SODAS, l’utilisateur doit

choisir entre des variables qualitatives et des variables continues.

Trois paramètres doivent également être définis :

1 - la dissimilarité entre 2 objets peut être normalisée ou non. Elle peut être normalisée

en choisissant l’inverse de la dispersion ou bien l’inverse du maximum de la

déviation. La dispersion des variables est, ici, une extension aux objets symboliques

de la notion de variance.

2 - le nombre k de classes de la dernière partition. La division s’arrêtera après k-1

itérations et la méthode DIV aura calculer des partitions de la classe 2 à la classe k.

3 - la méthode DIV offre également la possibilité de créer un fichier partition ; il s’agit

d’un fichier texte contenant une matrice (aij) dans laquelle, chaque ligne i∈ [1,n]

correspond à un objet et chaque rangée j∈ [2,k-1] correspond à une partition en j

classes. Ainsi, (aij) signifie que l’objet j appartient à la classe k, dans la partition en j

classes.

Une fois ces différents paramètres définis, nous pouvons exécuter la méthode DIV. Nous

obtenons, en sortie, un listing contenant les informations suivantes :

- une liste de la « variance » des variables sélectionnées, à condition que ces variables

soient continues

- pour chaque partitions de 2 à k classes, une liste des objets contenus dans chaque

classe ainsi que l’inertie expliquée relative à la partition

31

- l’arbre de classification.

b- Mise en oeuvre de la méthode DIV

La méthode DIV va nous permettre de réaliser une classification hiérarchique des

Groupes de séjours par division successive de chaque classe, en partant d’une seule classe

réunissant tous les groupes de séjours.

Cette méthode ne permet pas d’étudier à la fois les variables qualitatives et les variables

quantitatives. Nous procéderons alors en deux temps correspondant à chacun des types de

variables

La classification divise propose une classification en 5 clausters avec une inertie expliqué de 96.779573. Cluster 1 :

IF 4- [AGE <= 59.000000] IS TRUE

AND 2- [NBR_ACTES <= 20.750000] IS TRUE

AND 1- [NBR_REA <= 51.750000] IS TRUE

Cluster 2 :

IF 1- [NBR_REA <= 51.750000] IS FALSE

Cluster 3 :

IF 3- [AGE <= 57.750000] IS TRUE

AND 2- [NBR_ACTES > 20.750000] IS FALSE

AND 1- [NBR_REA <= 51.750000] IS TRUE

Cluster 4 :

IF 3- [AGE <= 57.750000] IS FALSE

AND 2- [NBR_ACTES <= 20.750000] IS FALSE

AND 1- [NBR_REA <= 51.750000] IS TRUE

Cluster 5 :

IF 4- [AGE <= 59.000000] IS FALSE

AND 2- [NBR_ACTES <= 20.750000] IS TRUE

AND 1- [NBR_REA <= 51.750000] IS TRUE

+---- Classe 1 (Ng=5)

!

!----4- [AGE <= 59.000000]

! !

! +---- Classe 5 (Nd=3)

!

!----2- [NBR_ACTES <= 20.750000]

! !

! ! +---- Classe 3 (Ng=1)

! ! !

! !----3- [AGE <= 57.750000]

! !

! +---- Classe 4 (Nd=1)

!

!----1- [NBR_REA <= 51.750000]

!

+---- Classe 2 (Nd=1)

On constate que les séjours avec >20 actes et >51 journées de réanimation appartiennent au

concept LONG_5 (dépassent > 3 fois la durée de référence)

Les individus caractérisés par AGE <= 57.75; NBR_ACTES > 20.75 ; NBR_REA <= 51.75

appartiennent au concept NORMAL ou COURT_2. Le reste n’est pas divisible avec les

variables actuelles.

32

La méthode DIV appliquée aux variables modales propose la division suivante :

+---- Classe 1 (Ng=1)

!

!----3- [SEXE = 01]

! !

! +---- Classe 4 (Nd=1)

!

!----2- [TR_DIAG = 0001]

! !

! ! +---- Classe 3 (Ng=4)

! ! !

! !----4- [TR_DIAG = 0010]

! !

! +---- Classe 5 (Nd=4)

!

!----1- [TR_AGE = 000011]

!

+---- Classe 2 (Nd=1)

33

On remarque les classes 1 et 4, qui regroupent les séjour LONG_4 et LONG_5 (qui dépassent 2

fois la durée de référence)

Leurs caractéristiques sont : Cluster 1 :

IF

3- [SEXE = M]

AND

2- [TR_DIAG = 7plus]

AND

1- [TR_AGE = 61_75 OR 48_60] Cluster 4 :

IF

3- [SEXE = F]

AND

2- [TR_DIAG = 7plus]

AND

1- [TR_AGE = 61_75 OR 48_60]

Donc ce sont des hommes et femmes de 48 à 75 ans respectivement, avec plus de 7 diagnostics.

34

II-2-4 La méthode TREE : Decision Tree

a-Présentation de la méthode TREE

La méthode Tree nous propose un algorithme par agrandissement d’arbres, appliqué à des

données imprécises décrites par des concepts probabilistes. La procédure récursive de

partitionnement peut être vue comme une recherche itérative d’un ensemble organisé d’objets

symboliques, répondant au mieux aux données initiales. A chaque étape, le découpage optimal

est obtenu en utilisant une mesure générale, donnée en paramètre.

En sortie, nous obtenons une nouvelle liste d’objets symboliques qui permet éventuellement

d’assigner de nouveaux objets à une classe.

Avant d’exécuter la méthode, l’utilisateur doit choisir l’ensemble des variables prédictives

parmi :

- un ensemble de variables quantitatives ou de variables intervalles

- un ensemble de variables qualitative, multi valuées ou modales

Ensuite, nous obtenons en sortie un listing contenant les informations suivantes :

- la liste des variables utilisées

- la liste des objets symboliques appartenant à un « training set »

- la liste des objets symboliques appartenant à un « test set»

- la liste des noeuds ; chaque noeud étant décrit par une règle

- la liste des noeuds terminaux

b-Mise en oeuvre de la méthode TREE

Ci-dessous un extrait des sorties de l’exécution de la méthode TREE.

=======================================================================

| No | Nom |Leaf | Class | pas_lo | long | criterion|

| | | No | true | assig.| ( 1) | ( 2) | |

=======================================================================

| 1 | LONG_5 | 2 | 2 | 1 (*)| 100.00 | 0.00 | 0.36 |

| 2 | COURT_2 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 3 | NORMAL | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 4 | COURT_3 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 5 | LONG_1 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 6 | COURT_5 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 7 | LONG_4 | 2 | 2 | 1 (*)| 100.00 | 0.00 | 0.36 |

| 8 | COURT_4 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 9 | COURT_1 | 2 | 1 | 1 | 100.00 | 0.00 | 0.64 |

| 10 | LONG_3 | 2 | 2 | 1 (*)| 100.00 | 0.00 | 0.36 |

| 11 | LONG_2 | 2 | 2 | 1 (*)| 100.00 | 0.00 | 0.36 |

=======================================================================

R(T)= 0.3636

35

CONFUSION MATRIX FOR TRAINNING SET

=================================================

| | pas_long | long | Total |

=================================================

| pas_long | 7 | 0 | 7 |

| long | 4 | 0 | 4 |

=================================================

| Total | 11 | 0 | 11 |

=================================================

L’arbre de décision

+ --- IF ASSERTION IS TRUE (up)

!

--- x [ ASSERTION ]

!

+ --- IF ASSERTION IS FALSE (down)

+---- < 2 >pas_long ( 5.87 4.00 )

!

!----1[ N_DMS <= 22.360001]

!

+---- < 3 >pas_long ( 1.13 0.00 )

II-2-5. La méthode PYR : Pyramical Clustering on Symbolic

Objects

a- Présentation de la méthode PYR

Il s’agit d’une classification pyramidale qui généralise la hiérarchisation en autorisant les

classes non disjointes à un niveau donné.

La pyramide constitue un modèle intermédiaire entre les arbres et les structures en

treillis. Cette méthode permet de classer des données plus complexes que ce que nous autorisait

le modèle tabulaire et ceci en considérant la variation des valeurs prises par les variables. La

pyramide est construite par un algorithme d’agglomération opérant du bas (les objets

symboliques) vers le haut (à chaque niveau, des classes sont agglomérées).

Dans une classification pyramidale, chaque classe formée est définie non seulement par

son extension (l’ensemble de ses éléments) mais aussi par un objet symbolique qui décrit ses

propriétés (l’intension de la classe). L’intension est héritée d’un prédécesseur vers son

successeur et nous obtenons ainsi une structure d’héritage.

La structure d’ordre permet l’identification de concepts intermédiaires ; c’est-à-dire de

concepts qui comblent un vide entre des classes bien identifiées. En entrée de cette méthode,

l’utilisateur doit choisir les variables qui seront utilisées pour construire la pyramide. Ces

variables peuvent être continues (des valeurs réelles), des intervalles de valeurs réelles ou bien

des histogrammes. L’utilisateur sera invité à choisir entre des variables qualitatives et continues

mais il lui est également possible de les mélanger.

36

b- Mise en oeuvre de la méthode PYR

Cette méthode montre aussi la ressemblance des profils LONG_4 et LONG_5

0,

13.8441, 0,

13.8441, 13.1887, 0,

13.8441, 13.1887, 4.68094, 0,

13.8441, 13.1887, 4.68094, 3.60516, 0,

13.8441, 13.1887, 6.31735, 6.31735, 4.23315, 0,

13.8441, 13.1887, 6.31735, 6.31735, 4.60315, 3.89009, 0,

15.382, 13.1887, 8.11931, 8.11931, 8.11931, 8.11931, 4.53376, 0,

16.9725, 16.7634, 11.5802, 11.5802, 11.5802, 11.5802, 11.1116, 6.00278, 0,

17.882, 17.882, 12.3058, 12.3058, 12.3058, 12.3058, 12.3058, 12.3058, 8.87768, 0,

18.4871, 18.4871, 5.90625, 5.90625, 14.6661, 14.6661, 14.6661, 14.6661, 8.87768, 5.2056, 0,

II-2-6 PCA : Principal Component Analysis

a- Présentation de la méthode PCA

La méthode PCA correspond à l’analyse en composante principale classique. Mais au

lieu d’obtenir une représentation par points sur un plan factoriel, PCA propose une visualisation

de chaque concept par des rectangles. L’objectif est d’étudier l’intensité des liaisons entre les

variables et de repérer les concepts présentant des caractéristiques voisines.

La PCA est donc une méthode factorielle de réduction du nombre de caractères

permettant des représentations géométriques des individus et des variables. La réduction se fait

par la construction de nouveaux caractères synthétiques obtenus en combinant les variables

initiales au moyen des « facteurs ».

Les éléments de la matrice de données sont des intervalles et chacun décrit la variation

de la variable observée (minimum et maximum). La méthode n’accepte que les variables

continues. Pour chacune, l’utilisateur choisit ainsi son maximum et son minimum.

37

L’exécution de la méthode nous donne deux résultats :

1 - Le listing qui contient

- La description de la matrice de données par une table : chaque ligne correspond à une classe.

- Les valeurs propres, le pourcentage d’inertie et les premières composantes principales.

Chaque classe est caractérisée d’abord par deux composantes principales et visualisée dans un

plan factoriel par un rectangle.

- Les corrélations entre chaque variable descriptive et les composantes principales.

2 - Une représentation graphique des objets symboliques.

b. Mise en oeuvre de la méthode PCA

La méthode accepte seulement les variables continues, en entrée, et les sorties sont

présentées ci-dessous :

Corrélation entre variables et facteurs:

Var. Factor 1 Factor 2 Factor 3

AGE 0.48178 0.83659 0.96573

NBR_ACTES 0.28311 0.85143 0.68380

NBR_DIAGS 0.42866 0.79257 0.93141

PI_DMS -0.24888 0.31858 0.22126

NBR_REA 0.12778 0.68575 0.46858

N_DMS 0.51070 0.79866 0.96629

Contributions des objets symboliques aux axes (11 objs,3 fact)=

Objects Factor 1 Factor 2 Factor 3

LONG_5 0.83037 0.14827 0.09239

COURT_2 0.03150 0.32732 0.07828

NORMAL 0.01383 0.05343 0.12755

COURT_3 0.01760 0.03565 0.09853

LONG_1 0.01009 0.00992 0.06415

COURT_5 0.02877 0.01044 0.13129

LONG_4 0.00989 0.21906 0.05557

COURT_4 0.02376 0.02251 0.05684

COURT_1 0.01727 0.00478 0.12249

LONG_3 0.00906 0.16534 0.10732

LONG_2 0.00785 0.00329 0.06560

Qualité de représentation des objets symboliques (11 objs,3 fact)=

Objects Factor 1 Factor 2 Factor 3

LONG_5 0.86183 0.01809 0.08244

COURT_2 0.17327 0.21170 0.37026

NORMAL 0.08573 0.03894 0.67978

COURT_3 0.11772 0.02803 0.56651

LONG_1 0.11219 0.01296 0.61329

COURT_5 0.17020 0.00726 0.66768

LONG_4 0.09218 0.23998 0.44518

COURT_4 0.22224 0.02475 0.45712

COURT_1 0.12303 0.00401 0.75017

LONG_3 0.06008 0.12889 0.61174

LONG_2 0.08332 0.00411 0.59843

Le concept LONG_5 a une contribution de 83% au facteur 1. Le facteur 3 a bénéficié de la

contribution de reste des concepts. Les 3 premières axes cumulent 97.84% d’inertie.

38

Encore une fois on constate, que les concepts ne sont pas bien séparés, sauf le concept LONG_5

39

II-2-7 La méthode DISS/MATCH

a- Présentation de la méthode

“Several data analysis techniques are based on defining and quantifying a dissimilarity

measure between the underlying objects. The method DI (Dissimilarities & Matching)

implements several dissimilarity measures between Boolean symbolic objects. The method DI

also implements a canonical and a flexible matching operator. Matching is the process of

comparing two or more structures to discover their likeness or difference. The definition of

matching operators for BSO is deemed important for the development of several symbolic data

analysis techniques, such as factor analysis”. Wikipedia

b-Mise en oeuvre de la méthode

On présente la matrice de dissimilarité qui sera utilisé pour la construction de la

pyramide. et

La représentation graphique de la matrice de dissimilarité

40

II-2-8 Les méthodes clustering (SCLUST)

a- Présentation de la méthode

Dans le cadre d’un problème de clustering, on dispose d’un ensemble de données qui

reprend une collection d’objets non étiquetés. Les classes sont encore inexistantes. L’objectif

est alors d’obtenir des clusters d’objets homogènes, en favorisant l’hétérogénéité entre ces

différents groupes.

La plupart des méthodes de clustering se basent sur une mesure de distance entre deux

objets. Ceux-ci étant caractérisés par les attributs, cette notion de distance devra se baser sur des

distinctions entre les valeurs prises par les attributs pour les différents objets.

On peut donc dire que toutes les techniques de clustering suivent un même principe général qui

consiste à minimiser la distance entre deux objets d’un même cluster et à maximiser la distance

entre deux objets de clusters distincts.

b- Mise en œuvre de la méthode

Extrait de description du concept: Prototype_1/5 =

AGE = [ 31.00 : 94.00 ]

And SEXE = M (0.54), F (0.46)

And NBR_ACTES = [ 1.00 : 111.00 ]

And NBR_DIAGS = [ 2.00 : 30.00 ]

And PI_DMS = [ 3.09 : 8.66 ]

41

And NBR_PASS = 5 (0.13), 1 (0.38), 2 (0.25), 3 (0.25)

And NBR_REA = [ 0.00 : 159.00 ]

And N_DMS = [ 3.69 : 19.77 ]

And CMD_LIB = digestif (0.13), psychiatri (0.04), nerveux (0.25), traumatism (0.04), autres mot (0.08),

circulatoi (0.17), endocrinie (0.04), respiratoi (0.04), urologie (0.08), hepatobili (0.08), andrologie (0.04)

And TR_AGE = 48_60 (0.17), 61_75 (0.29), 75plus (0.38), 26_37 (0.04), 38_47 (0.13)

And TR_ACTES = 12plus (0.38), 1 (0.13), 7_12 (0.17), 2_3 (0.17), 4_6 (0.17)

And TR_DIAG = 7plus (0.67), 4_6 (0.24), 2_3 (0.10)

And TR_REA = 12plus (0.17), 0 (0.75), 6_12 (0.04), 1_5 (0.04)

And IP_DMS_ID = 10 (1.00)

Sur l’axe PI_DMS on voie que les prototypes sont bien isolés, le prototype 1/5 regroupe les

séjours qui dépassent plus de trois fois la durée normale de séjour, et se sont généralement les

hommes qui une maladie du système nerveux, et ils peuvent rester plus longtemps en

réanimation (NBR_REA).

42

Comme le montre les diagrammes, précédent, une partition en 5 classes n’a pas permis de

bien isoler les classes : les prototypes se chevauchent. Seul le prototype_1/5 se distingue par un

intervalle plus large de nombre d’actes et des journées de réanimation. Il se caractérise par un

l’indice PI_DMS compris entre 0.67 et 0.8, ce que veut dire que les durées de séjour, qui font

partie de cette classe constituent 67% - 80% de la durée de séjour de référence – ce sont des

séjours courtes. Il est composé principalement de malades avec pathologie digestive et musculo

– squelettique.

II-2-9 La méthode de SYKSOM

La méthode nous a proposé 25 prototypes ci-dessous un extrait.

Cluster 3 ( 1x3) Size 3

List of objects:

( 5) LONG_1

( 8) COURT_4

( 11) LONG_2

Cluster 8 ( 2x3) Size 5

List of objects:

( 4) COURT_3

( 6) COURT_5

( 7) LONG_4

( 9) COURT_1

( 10) LONG_3

Cluster 9 ( 2x4) Size 1

List of objects:

( 2) COURT_2

Cluster 10 ( 2x5) Size 1

List of objects:

( 1) LONG_5

Cluster 13 ( 3x3) Size 1

43

List of objects:

( 3) NORMAL

Les concepts ne sont pas bien isolés, on peut constater qu’il est difficile de faire la distinction

entre les différents concepts lorsque le nombre d’actes est inférieur à 50 et le nombre de

diagnostic inférieur à 22. Au-delà de ces limites le patient aura plutôt un profil d’un séjour

rallongé.

Ses caractéristiques sont représentées sur les diagrammes suivants :

44

Le cluster 2x5 représente la plus longue durée de dépassement de séjours et le cluster

3x3 représente les séjours de durée normal. On peut bien observer la différence entre les deux

représentations. Sur l’axe N_DMS (qui représente la durée de référence) la différence est

probablement due au fait qu’il est plus facile de dépasser un séjour plus court qu’un séjour plus

long.

Cluster 2x5

Cluster 3x3

45

CONCLUSION

La réalisation de ce projet a été pour nous l’occasion de découvrir un logiciel puissant

d’analyse de données symboliques : le logiciel SODAS. Cet outil nous a permis d’extraire des

connaissances d’une importante base de données relationnelles.

La grande flexibilité de ce logiciel associée à la puissance de ses diverses représentations

graphiques a mis en évidence des résultats pertinents et facilement interprétables :

1- En utilisant les méthodes de datamining, sur un échantillon des individus extraits

de la base des données des dossiers médicaux, on a réussi d’établir le profil de

malades, qui dépassent la durée de séjour de référence.

2- Donc ce sont des hommes et femmes de 48 à 75 ans, avec plus de 7 diagnostics,

avec des maladies du système nerveux. Ils peuvent rester plus de temps en

réanimation et avoir plus d’actes que les autres catégories. Cella peut indiquer, que

le séjour est rallongé pour des raisons médicales, ou au cause d’insuffisance de

prise en charge des malades avec des maladies multiples et chroniques par des

structures spécialisés, comme le soin de suite.

3- La catégorie de malade âgés de plus de 59 ans, avec plus de 20 actes et plus de 51

jour de réanimation, dépasse toujours leur duré de séjour de référence.

4- Pour discriminer les autres catégories de malades, il sera nécessaire d’introduire

d’autres variables.

5- Il est possible, que le rallongement des séjours inférieur à 200% n’est pas du à un

profile de malades, mais est aléatoire et n’a pas des raisons médicales. Une étude

des flux de malades pourra relever les véritables causes de pétard dans leur durée

de séjour.

6- Le nombre d’actes et de diagnostics augmente avec l’age.

Enfin, réaliser ce projet en équipe a été tout à fait intéressant et productif. En effet, nous avons

pu confronter nos idées sur l’étude et effectuer ainsi une analyse plus détaillée

46

Bibliographie

- Stéphane Tuffery, Data Mining et Statistique Décisionnelle Nouv Edition, Technip, 2007,

ISBN-13: 978-2710808886

- Les logiciels de statistique et de data mining, http://data.mining.free.fr/cours/Logiciels.pdf , vu

le 18 mars 2008

- Étude statistique et préparation des données, http://data.mining.free.fr/cours/Donnees.pdf, vu

le 16 mars 2008

- De Hans Hermann Bock, E. Diday, Analysis of Symbolic Data Exploratory Methods for

Extracting, Springer, 2000, ISBN 3540666192, vu le 20 mars 2008 sur books.google.fr

www.ceremade.dauphine.fr/~touati/sodas-pagegarde.htm

- Téléchargement de SODAS

- Présentation des Méthodes

- Exemples des rapports et données

www.wikipedia.org