Résumé:
Dans le domaine médical, les médecins sont régulièrement amenés à prendre plusieurs décisions,
certaines de ces décisions sont prises facilement, lorsque le diagnostic est facile,et le traitement
choisi est efficace, alors que dans d’autres cas, la bonne décision à prendre n’est pas évidente,
et les informations nécessaires pour son diagnostic sont remplies d’incertitude. Les ontologies
probabilistes sont utilisées pour représenter les connaissances sur un domaine et l’incertitude
associée à ces connaissances d’une manière structurée et raisonnée.
L’objectif de notre projet est de prédire le diagnostic médical, en utilisant les ontologies
probabilistes basées sur la théorie de probabilité, et les moyens associés à cette théorie pour la
modélisation et la représentation de la connaissance incertaine de ce domaine. Nous utilisons la
méthodologie UMP-ST basée sur un réseau baysien multi entités, la construction de ce dernier se
réalise par la définition de l’ensemble de ses composants MFrags et ses différents types de noeuds,
ainsi que les distributions de probabilité liées aux noeuds. Une fois l’ontologie probabiliste est
construite, nous l’utilisons pour la prédiction du diagnostic.
Nous appliquons la méthodologie UMP-ST sur l’étude de cas du diagnostic du COVID-19,
afin de réaliser un système qui va aider le médecin à prendre la bonne décision.
Mots clés :
Connaissance incertaine, réseau Bayésien, MEBN, ontologies Probabiliste, inférence.
