Une plate-forme digitale pour identifier le risque de chute

Les chutes et la peur de tomber constituent un obstacle à un vieillissement sain et actif et limitent la qualité de vie de nombreux citoyens en France et en Europe. Le risque croissant de chutes avec l'âge est causé par de nombreux facteurs (cognitifs, physiques et environnementaux) étroitement liés, et la prévention des chutes est donc un problème complexe auquel il est judicieux de répondre par une approche multi-facette.

Identifier les facteurs les plus pertinents pour le risque de chute

Il sera nécessaire de rassembler des données descriptives des personnes à partir de multiples sources d’observation : domicile, résidence spécialisée, lieux de soins, etc. pour les mettre en lien avec des données de sinistralité. Au-delà de simples questionnaires ou enquêtes, le projet recueillera également des données médicales et des données issues de tests physiologiques et cognitifs.

Les différents partenaires du projet collaboreront pour construire le jeu de variables le plus en lien avec le risque de chute, constaté ou potentiel.

• Calyxis : données de sinistralité issues d’une cohorte de volontaires (7600 seniors) suivis individuellement via des questionnaires internet ;
• Korian (clinique de réadaptation fonctionnelle), Aqui O Thermes (thermalisme) et Domitys (résidences seniors) pour des données recueillies par questionnaire et observations in situ ;
• Tecnalia : données obtenues par un dispositif d’évaluation des capacités d’équilibre et qui sera utilisé sur les patients des établissements ci-dessus. Le dispositif, Equimetrix combine deux informations cruciales en biomécanique : la position et forme du polygone de sustentation (position des pieds) et la position et vitesse du Centre de Masse.

Développer des algorithmes de prédiction

Dans le cadre de ce projet, le choix des algorithmes qui seront entraînés est basé sur une analyse de l’état de l’art des modèles prédictifs de la chute : forêt aléatoire (« random forest »), machine à vecteurs de support (« support vector machine » - SVM), logique floue (« fuzzy logic ») et réseau de neurones convolutifs (« convolutional neural network »).

Suite au benchmarking de ces algorithmes les uns par rapport aux autres, seul le modèle le plus performant sera retenu. Le processus de développement des modèles comprend généralement trois étapes : entraînement, validation et test. L’entraînement correspond à la création du modèle qui doit ensuite être validé. La technique de validation croisée K-folds sera utilisée pour l’entraînement et validation simultanée. Environ 10% des données seront sélectionnées au hasard pour l’étape de test ; ces données ne seront pas utilisées dans la validation croisée.

Proposer des interfaces de consultation de la plate-forme adaptée aux publics cibles

Cette plate-forme de connaissance intéresse potentiellement plusieurs types de public : toutes les structures médicalisées ou de prise en charge ou d’assistance au grand âge, mais aussi les seniors eux-mêmes. Le projet adaptera ainsi ses interfaces et la gestion de la sécurité du back office pour garantir une totale sécurité et confidentialité.

L’objectif principal est d’agir en prévention de la chute, ce qui signifie que toutes personnes reçoivent des recommandations en lien avec les risques de chute bien que celles-ci n’aient pas chutées dans le passé.

Communiquer et faire savoir pour augmenter l’impact social

A l’issue d’une phase de tests, d’observations, de mesures et de calibrage des différents dispositifs, les acteurs du projet ambitionnent de passer en mode industriel et de déployer la solution : plus grand nombre d’acteurs impliqués, définition produit, business model, roadmap vers la certification, évaluation sur plus de 500 patients.

Les résultats seront communiqués au sein des communautés scientifiques et disséminés dans les réseaux de prestataires des partenaires du projet.