Classification des données d'observance d'un traitement de l'apnée du sommeil à l'aide d'un modèle de mélange de régression basé sur une chaîne de Markov
Résumé
The objective is to identify several types of user profiles of continuous positive airway pressure (CPAP) used by patients suffering Obstructive Sleep Apnea (OSA). Two hundred and twenty two subjects were equipped with CPAP prescribed at the Grenoble University Hospital between 2016 and 2018. Patterns of adherence are defined from telemedicine data, namely their nightly CPAP use. These adherence time series contain an excess of zeros for non-use of the device or data transmission malfunction. We thus propose a method for clustering the adherence profiles according to their temporal behavior along day taking into account the excess of zeros. The method combines a mixture model and Markov chains where the conditional distribution is either Gaussian or a Dirac delta distribution in zero. We develop the estimation method with an EM algorithm and discuss the selection of the number of clusters by BIC which is specific for this model. The properties of the estimators are illustrated on simulated data.
Le but est d'identifier différents types de profils d'utilisateurs de la ventilation à pression positive continue (PCC) qui est utilisé par les patients souffrant d'apnée obstructive du sommeil (AOS). Deux cent vingt-deux individus ont été équipés d'une PCC prescrite au CHU de Grenoble entre 2016 et 2018. Les profils d'adhésion au traitement sont définis à partir des données de télémédecine, à savoir l'utilisation nocturne de la PPC. Ces séries temporelles contiennent un excès de zéros pour la non-utilisation du dispositif ou le dysfonctionnement de la transmission des données. Nous proposons donc une méthode pour regrouper les profils d'adhésion en fonction de leur comportement temporel et en tenant compte de l'excès de zéros. La méthode associe un modèle de mélange et des chaînes de Markov dont la loi conditionnelle est soit une loi gaussienne soit un Dirac en zéro. Nous développons la méthode d'estimation avec un algorithme EM et discutons de la sélection du nombre de groupes par BIC qui a une forme particulière. Les propriétés sont illustrées sur données simulées.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |