Recherche d`information et indexation automatique

Recherche d`information et indexation automatique
Université de Rouen
U.F.R des sciences et techniques
Ecole doctorale Sciences Physiques, Mathématiques et de l’information pour l’Ingénieur
Recherche d’information et indexation
automatique des médicaments à l’aide de
plusieurs terminologies de santé
THÈSE
présentée et soutenue publiquement le 23 Novembre 2010 par
Saoussen SAKJI
Pour obtenir le grade de
Docteur de l’université de Rouen
Discipline : Informatique
Composition du Jury :
Stéfan DARMONI
Directeur de thèse
Michel JOUBERT
Co-encadrant
Jean-François GEHANNO
Co-encadrant
Alain VENOT
Rapporteur
Lynda TAMINE-LECHANI
Rapporteuse
Thierry PAQUET
Examinateur
Laboratoire d’Informatique, de Traitement de l’Information et des Systèmes (LITIS EA4108)
RESUME L’utilisation des données médicales et l’accès à une
information concise sont devenus des enjeux majeurs, non seulement,
pour les professionnels de santé mais aussi pour le grand public. Pour
faciliter à atteindre cet objectif, plusieurs terminologies médicales ont été
développées. Ces dernières sont employées, généralement, pour des
finalités différentes. Par exemple, la classification ATC est utilisée pour
classer les médicaments, la nomenclature SNOMED pour le codage
clinique, les classifications CIM-10 et CCAM pour le codage
épidémiologique puis médico-économique, le thésaurus MeSH pour la
bibliographie...
Ainsi, dans un contexte appliqué au domaine de la recherche
d’information médicale, les objectifs de cette thèse ont été la création
d’un modèle de recherche utilisant plusieurs terminologies médicales,
dans un premier temps. Cet univers multi-terminologique permet
d’améliorer la qualité de l’information restituée selon les propres
connaissances des utilisateurs. Ensuite, nous avons été amenés à
concevoir une approche d’indexation automatique, par la classification
ATC, pour les ressources du Portail d’Information sur les Médicaments
(PIM), conçu dans le cadre du projet européen PSIP. Cette indexation a
pour but d’améliorer l’indexation des médicaments afin de fournir à
l’utilisateur une information plus fine et détaillée. Enfin, nous avons
modifié notre algorithme de recherche afin de l’adapter à notre nouvelle
structure multi-terminologique.
MOTS-CLEFS : indexation et rédaction du résumé comme sujet ;
médicaments ; recherche et stockage d'information ; terminologie ;
traitement langage naturel ; vocabulaire contrôlé.
i
ABSTRACT
The use of medical data and the access to concise
information has become of major importance, not only, for health
professionals but also for the general public. To facilitate this goal,
several medical terminologies have been developed. The latter are
employed, generally, for different purposes. For example, the ATC
classification is used to classify drugs, SNOMED nomenclature for
clinical coding, ICD-10 and CCAM classifications for epidemiologic
coding then medico-economic, the MeSH thesaurus for the bibliography
etc.
Thus, in the context of medical information retrieval, the objectives of
this thesis were the creation of a research model using several medical
terminologies, as a first stage. This multi-terminological universe allows
to improve the quality of the retrieved information according to users’
own knowledge. Then, we developed an automatic indexing approach, by
ATC classification, for the resources of the Drug Information Portal
(DIP), designed within the framework of PSIP European project. The
purpose of this study is to improve the indexing of drugs in order to
provide to the user more accurate and detailed information. Lastly, we
modified our algorithm of research in order to adapt it to our new multiterminological structure.
KEY WORDS: Abstracting and indexing as topic; Drugs; Information
Storage and Retrieval; Terminology; Natural language processing;
Vocabulary, controlled.
ii
REMERCIEMENTS
Je tiens, tout d’abord, à remercier le professeur Stéfan Darmoni pour m’avoir accueillie au sein
de son équipe CISMeF et pour avoir dirigé ma thèse. Son énergie et son dynamisme ont
développé en moi le sens du travail approfondi et de la recherche. Je remercie, également, mes
encadrants Michel Joubert qui m’a fait profiter de sa compétence ainsi que, le docteur JeanFrançois Gehanno pour son aide.
Je remercie le professeur Alain Venot et madame Lynda Tamine-Lechani qui ont accepté d’être
mes rapporteurs, ainsi que Thierry Paquet qui a évalué mon travail.
Je tiens à remercier très sincèrement l’ensemble des membres du jury qui me font le grand
honneur d’avoir accepté de juger mon travail.
J’adresse un grand merci chaleureux à tous les membres de l’équipe CISMeF pour la bonne
ambiance et leur aide ; par ordre alphabétique : Ahmed, Aurélie, Badisse, Benoit, Catherine,
Élise, Gaétan, Ivan, Josette, Julien, Lina, Romain, Sandrine, Suzanne, Tayeb et Zied et sans
oublier Hocine du LERTIM et Thierry Locroq de l’équipe TIBS.
Je tiens à remercier, tout particulièrement, et à témoigner toute ma reconnaissance aux personnes
suivantes :
 Christian Kala-Lobé pour son assistance lors de la mise en place des outils sémantiques
d’Oracle ;
 le professeur Peter Elkin et toute son équipe pour leur accueil durant mon séjour aux
États-Unis et leur sérieux travail qui m’a permis de passer un stage laborieux et agréable ;
 la pharmacienne-documentaliste Catherine Letord, le docteur Laetitia Rollin et le docteur
Philippe Massari pour leur aide à l’évaluation des études réalisées ;
 Richard Medeiros pour ses conseils linguistiques.
Mes remerciements à Josette, Benoit, Catherine, Ivan et le docteur Massari pour la lecture de
mon manuscrit et leurs remarques qui m’ont permis d’améliorer la qualité de mon rapport.
Par ailleurs, un merci chaleureux à tous mes proches qui ont cru en moi et n’ont cessé de
m’encourager : la confiance de mes parents, la bienveillance et le support de ma sœur qui m’a
poussé vers l’avant, mon Doudou qui m’a fait oublié les coups durs, l’intérêt de mon frère ainsi
que tous les membres de ma chère famille.
Je remercie, également, mes amis qui m’ont accompagnée et soutenue durant cette thèse, et tout
particulièrement Nadine, Rania et Hany.
Finalement, je tiens à remercier toutes les personnes qui ont rendu possible la réalisation de cette
thèse et m’ont encouragé à la finaliser.
Je dédie cette thèse à toute ma famille.
iii
Table de matières
Résumé .................................................................................................................................................................................... i
Abstract ..................................................................................................................................................................................ii
Remerciements ................................................................................................................................................................. iii
Table des figures ............................................................................................................................................................. vii
Liste des tableaux..............................................................................................................................................................ix
Introduction générale ......................................................................................................................................................1
Chapitre1 : Contexte du travail ...................................................................................................................................5
Introduction .....................................................................................................................................................................5
1.1
Contexte du travail .......................................................................................................................................5
1.1.1
Le LERTIM ................................................................................................................................................5
1.1.2
L’équipe CISMeF ....................................................................................................................................6
1.1.2.1 Le Catalogue et Index des Sites Médicaux de langue Française : CISMeF .................7
1.1.2.2 Positionnement de la thèse dans l’équipe CISMeF .......................................................... 14
1.1.2.3 Quelques projets de l’équipe CISMeF................................................................................... 15
1.2
Le projet PSIP : Patient Safety through Intelligent Procedures in Medication ................. 16
Conclusion ..................................................................................................................................................................... 18
Chapitre2 : État de l’art : La recherche d’information.................................................................................... 19
Introduction .................................................................................................................................................................. 19
2.1
Le principe de la recherche documentaire ...................................................................................... 19
2.2
Les systèmes de recherche d’information ....................................................................................... 20
2.3
L’indexation .................................................................................................................................................. 21
2.3.1
Les langages d’indexation ............................................................................................................... 22
2.3.2 Les types d’indexation ........................................................................................................................... 23
2.3.2.1 L’indexation manuelle ................................................................................................................. 23
2.3.2.2 L’indexation automatique .......................................................................................................... 24
2.3.2.3 L’indexation supervisée .............................................................................................................. 25
2.4
Les modèles de recherche d’information ......................................................................................... 26
2.4.1 Le modèle booléen & le modèle booléen étendu ....................................................................... 26
2.4.2 Le modèle vectoriel & le modèle vectoriel étendu .................................................................... 27
2.4.3 Le modèle probabiliste ......................................................................................................................... 28
2.4.4 Le modèle logique ................................................................................................................................... 30
2.4.5 Autres modèles de recherche d’information ............................................................................... 31
2.5
Evaluation des systèmes de recherche d’information ................................................................ 34
Conclusion ..................................................................................................................................................................... 38
Chapitre3 : Les terminologies médicales et la mise en place de l’univers multi-terminologique 40
Introduction .................................................................................................................................................................. 40
3.1 Ontologies, Classifications, Thésaurus, Terminologies, Dictionnaire, Nomenclature .......... 40
3.1.1
Définitions ............................................................................................................................................. 40
3.1.2
Terminologies médicales ................................................................................................................ 44
3.1.2.1 La classification Anatomique Thérapeutique et Chimique ................................... 44
3.1.2.2 Classifications et codes utilisés pour les médicaments .......................................... 47
3.1.2.3 Le Thésaurus MeSH : Medical Subject Headings ........................................................ 50
3.1.2.4 La terminologie CISMeF : une terminologie fondée sur le MeSH ....................... 53
3.1.2.5 Quelques exemples d’autres terminologies médicales ........................................... 56
iv
3.2
Passage du monde mono-terminologique vers un univers multi-terminologique......... 61
Conclusion ..................................................................................................................................................................... 67
Chapitre4 : Approche de l’indexation automatique pour les médicaments.......................................... 68
Introduction .................................................................................................................................................................. 68
4.1
Création du Portail d’Information sur les Médicaments ........................................................... 69
4.1.1
Étude de l’existant ............................................................................................................................. 69
4.1.2
Le Portail d’Information sur les Médicaments de l'équipe CISMeF .............................. 70
4.2
Conception de l’approche de l’indexation automatique par la classification ATC .......... 74
4.2.1
Principe de fonctionnement : trois étapes séquentielles................................................... 76
4.2.1.1. La mise au point des prétraitements .................................................................................... 77
4.2.1.2. Conception de l’approche .......................................................................................................... 79
4.2.1.3. Règles de post coordination ..................................................................................................... 80
4.2.1.4. Le corpus d’application............................................................................................................... 81
4.2.1.5 Implémentation de l’approche................................................................................................. 82
4.2.2
Résultat : Évaluation de l’approche ............................................................................................ 82
4.2.2.1 Evaluation de l’appariement du prétraitement ................................................................ 83
4.2.2.2 Evaluation des résultats de l’approche d’indexation...................................................... 83
4.2.3 Discussion ...................................................................................................................................................... 85
4.3
Amélioration de la recherche d’information par extension MeSH-ATC .............................. 86
4.3.1
Enoncé de l’étude ............................................................................................................................... 86
4.3.2
Résultats ................................................................................................................................................ 89
4.3.3
Discussion ............................................................................................................................................. 92
Conclusion ..................................................................................................................................................................... 93
Chapitre5 : Recherche d’Information Multi-Terminologique appliquée au domaine médical ..... 94
Introduction .................................................................................................................................................................. 94
5.1
La recherche d’information de l’équipe CISMeF ........................................................................... 94
5.1.1
Etude de l’existant ............................................................................................................................. 94
5.1.2
Stratégie de recherche d’information mono terminologique de l’équipe CISMeF .. 97
5.1.3
Stratégie de recherche d’information multi-terminologique de l’équipe CISMeF 101
5.1.3.1 Algorithmique .............................................................................................................................. 101
5.1.3.2 Implémentation de l’algorithme .......................................................................................... 105
5.1.3.3 Evaluation de la plus value de la multi-terminologie .................................................. 106
5.1.3.3.1 Méthode ............................................................................................................................... 106
5.1.3.3.2 Résultats .............................................................................................................................. 108
5.1.3.3.3 Discussion ........................................................................................................................... 110
5.2
Classement du résultat de la recherche d’information ........................................................... 113
Conclusion .................................................................................................................................................................. 115
Chapitre6 : Travaux connexes à la thèse dans le cadre du projet PSIP ................................................ 117
Introduction ............................................................................................................................................................... 117
6.1
Intégration de nouvelles terminologies pour F-MTI ................................................................ 117
6.2
Recherche d’information sémantique : application de SPARQL.......................................... 118
6.2.1
Le format RDF................................................................................................................................... 118
6.2.2
Application du format RDF au catalogue CISMeF .............................................................. 119
6.3
Indexation des dossiers médicaux : adaptation de l’outil du Pr Peter Elkin .................. 120
Conclusion .................................................................................................................................................................. 121
Chapitre7 : Perspectives .......................................................................................................................................... 123
Conclusion générale .................................................................................................................................................... 125
v
Bibliographie.................................................................................................................................................................. 127
Liste de publications ................................................................................................................................................... 138
Annexe A .......................................................................................................................................................................... 140
Annexe B .......................................................................................................................................................................... 143
Annexe C .......................................................................................................................................................................... 145
Annexe D .......................................................................................................................................................................... 150
vi
TABLE DES FIGURES
Figure IG. Les différents contextes d’utilisation de plusieurs terminologies médicales ....................3
Figure 1.1.2. L’organisation de l’équipe CISMeF ................................................................................................7
Figure 1.1.2.1.1. Page d’accueil du catalogue CISMeF ................................................................................... 10
Figure 1.1.2.1.2. Exemple de recherche avancée dans CISMeF ................................................................. 11
Figure 1.1.2.1.3. Le résultat de recherche pour le terme « asthme » ...................................................... 13
Figure 1.1.2.2. Positionnement de la thèse dans l’équipe CISMeF ........................................................... 15
Figure 1.2. L’organisation du projet PSIP ............................................................................................................ 17
Figure 2.2. Processus en U de recherche d’information ................................................................................ 21
Figure 2.4.2. Le modèle vectoriel............................................................................................................................ 27
Figure 2.5. Courbe précision-rappel pour la requête 157 du corpus Cranfield avec la méthode
SimRank .............................................................................................................................................................................. 37
Figure 3.1.1. Différentes ressources terminologique et ontologie selon leur degré de
formalisation ..................................................................................................................................................................... 43
Figure 3.1.2.1. Les différents codes ATC pour la substance « acide acétylsalicylique » et ses
dérivées ............................................................................................................................................................................... 46
Figure 3.1.2.2. Exemple de recherche du code CAS pour la molécule D-glucose ............................... 48
Figure 3.1.2.3. Exemple illustré par le catalogue CISMeF de deux hiérarchies différentes pour le
terme « actinobacillus pleuropneumoniae» .......................................................................................................... 52
Figure 3.1.2.4. La terminologie CISMeF : lien sémantique entre les métatermes et les
descripteurs, qualificatifs MeSH, les types de ressources et les requêtes préconstruites................ 55
Figure 3.2.1. Relations existantes entre les terminologies médicales..................................................... 62
Figure 3.2.2. Intégration des terminologies médicales dans le back-office de CISMeF ................... 64
Figure 3.2.3. Le modèle générique dans le cadre de la recherche d’information multiterminologique................................................................................................................................................................. 65
Figure 3.2.4. Résultat de la recherche d’information mono terminologique pour la requête
« appareil locomoteur » ................................................................................................................................................ 66
Figure 3.2.5. Résultat de la recherche d’information multi-terminologique pour la requête
« appareil locomoteur » ................................................................................................................................................ 66
Figure 3.2.6. Page de recherche multi-terminologique au sein du Portail de Terminologies de
Santé (PTS) ........................................................................................................................................................................ 67
Figure 4.1.2.1. Page d’accueil du Portail d’Information sur les médicaments ..................................... 74
Figure 4.2.1. Indexation bi-terminologique (thésaurus MeSH et classification ATC) d’une
ressource : des informations complémentaires concernant les substances chimiques……….….....75
Figure 4.2.2. Résultat de la recherche d’information dans le PIM mettant en relief les différents
champs permettant de décrire une ressource ainsi que la hiérarchie de la classification ATC ..... 76
Figure 4.2.1.1. Arborescence MeSH du descripteur « Anti-infectieux » ................................................. 79
Figure 4.2. Résumé de l’approche de l’indexation automatique par la classification ATC ............. 81
Figure 4.2.3. Résultat de l’indexation automatique par la classification ATC ...................................... 86
Figure 4.3.2.1. Illustration de la corrélation entre la précision et le rappel pour les requêtes
ayant code ATC multiple sur un corpus indexé manullement...................................................................... 91
Figure 4.3.2.2. Illustration de la corrélation entre la précision et le rappel pour les requêtes
ayant code ATC multiple sur un corpus indexé automatiquement ............................................................ 92
vii
Figure 5.1.2. Résumé du traitement pour représenter la requête de l’utilisateur dans un monde
mono terminologique .................................................................................................................................................... 99
Figure 5.1.3.1.1. Identification des descripteurs des terminologies médicales ............................... 102
Figure 5.1.3.1.2. Résumé du traitement pour représenter la requête de l’utilisateur dans un
monde multi-terminologique .................................................................................................................................. 103
Figure 5.1.3.3. Exemple du résultat de la recherche d’information multi-terminologique ........ 106
Figure 5.1.3.3.2.1. Illustration de la différence entre les deux modes de recherche selon chaque
type de requête ............................................................................................................................................................. 108
Figure 5.1.3.3.2.2. Évaluation des résultats de la recherche multi-terminologique ...................... 110
Figure 5.1.3.3.3.1. Résultat de la recherche d’information mono terminologique ........................ 112
Figure 5.1.3.3.3.2. Résultat de la recherche d’information multi-terminologique ......................... 113
Figure 5.2. Classement du résultat de la recherche d’information selon la pertinence des
documents restitués ................................................................................................................................................... 115
Figure A.1. Diagramme de classe de la classification ATC ......................................................................... 141
Figure A.2. Diagramme de classe de la CIM-10 .............................................................................................. 142
Figure B.1. La liste des descripteurs MeSH en relation avec le métaterme « médicaments » ..... 143
Figure B.2. La hiérarchie du descripteur « actions pharmacologiques » ............................................ 144
Figure D.1. Les ressources de la base de données CISMeF en format RDF......................................... 150
Figure D.2. Exemple de requête SPARQL en utilisant l’interface de Sésame :................................... 151
Figure D.3. Résultat de la requête : ..................................................................................................................... 152
Figure D.4. Les informations en RDF de la première ressource du résultat :.................................... 153
viii
LISTE DES TABLEAUX
Tableau 4.2.2.2.1. Résultat de l’indexation automatique par la classification ATC selon les trois
méthodes ............................................................................................................................................................................ 84
Tableau 4.2.2.2.2. L’évaluation de l’indexation automatique par la classification ATC .................. 85
Tableau 4.3.2.1. Précision moyenne des ressources indexées manuellement par les codes ATC
du 4ème niveau ................................................................................................................................................................... 90
Tableau 4.3.2.2. Précision moyenne des ressources indexées automatiquement par les codes
ATC du 4ème niveau ......................................................................................................................................................... 90
Tableau 4.3.2.3. Précision moyenne des ressources indexées manuellement par les codes ATC
du 3ème niveau ................................................................................................................................................................... 90
Tableau 4.3.2.4. Précision moyenne des ressources indexées automatiquement par les codes
ATC du 3ème niveau ……………………………………………………………………………………….………………………90
Tableau 4.3.2.5. Précision moyenne des ressources indexées manuellement par les codes ATC
uniques du 5ème niveau ................................................................................................................................................. 90
Tableau 4.3.2.6. Précision moyenne des ressources indexées automatiquement par les codes
ATC uniques du 5ème niveau ........................................................................................................................................ 90
Tableau 4.3.2.7. Précision moyenne des ressources indexées manuellement par les codes ATC
multiples du 5ème niveau............................................................................................................................................... 91
Tableau 4.3.2.8. Précision moyenne des ressources indexées automatiquement par les codes
ATC multiples du 5ème niveau ..................................................................................................................................... 91
Tableau 5.1.3.3.2.1. Nombre des ressources selon les différents modes de recherche et les
différents types de requêtes ainsi que le pourcentage de différence entre les deux modes de
recherche ......................................................................................................................................................................... 108
Tableau 5.1.3.3.2.2. Résultat de l’évaluation des ressources disparates entre la recherche
d’information multi-terminologique et la recherche d’information mono-terminologique ........ 109
Tableau 5.1.3.3.2.3. Évaluation
des résultats de la recherche d’information multiterminologique par expert…………………………………………………………………………………………………..110
ix
INTRODUCTION GENERALE
Il est de la responsabilité de tous de veiller à ce que les nouveaux moyens de
diffusion de l'information se traduisent par un enrichissement, et non un
appauvrissement du patrimoine culturel mondial.
Pierre Joliot
La recherche d’information est aujourd’hui une activité d’autant plus importante qu’elle
s’inscrit dans un contexte dans lequel les technologies de l’information et de la
communication (TIC) évoluent rapidement. Pour cela, il faut pouvoir, parmi l’abondance de
documents disponibles, trouver l’information correspondant à nos besoins en un minimum de
temps. En effet, sur la Toile, le meilleur cohabite souvent avec le pire, ce qui nous incite à
développer des stratégies de recherche de plus en plus complexes et simplifiées en même
temps, afin de trouver l'information souhaitée.
Des logiciels de traitement de l’information permettent de retrouver des informations dans des
corpus riches en documents. La question qui se pose au sujet de ces systèmes de recherche
d’informations se rapporte essentiellement à leur efficacité : pertinence, exhaustivité,
ergonomie…
Un système de recherche d’information possède trois fonctions principales fondamentales :
représenter le contenu des documents d’un corpus donné, représenter le besoin de l’utilisateur
exprimé sous la forme d’une requête et comparer ces deux représentations pour en extraire le
meilleur. La représentation des documents et de la requête se fait à l’issue de la phase
d’indexation qui consiste à choisir les termes les plus représentatifs des documents dans un
espace de représentation. Le résultat de la recherche d’information devrait être aussi pertinent
que possible afin de satisfaire l’utilisateur. La satisfaction des utilisateurs peut influencer la
grille d’évaluation des systèmes de recherche d’information.
Si, en effet, Internet a beaucoup à offrir à qui sait ce qu’il cherche, le même Internet
est tout aussi capable de compléter l’abrutissement de ceux et celles qui y naviguent
sans boussole.
Laurent Laplante
S’intéressant au domaine médical, et avec le développement du Web et la croissance du
volume des données diffusées sur Internet, la recherche d’information médicale devient de
plus en plus difficile en termes de qualité et requiert davantage de techniques et connaissances
pour avoir une information fiable qui répond au mieux aux besoins des utilisateurs.
Quelles que soient leurs expériences du Web et leurs compétences en recherche
d’information, les utilisateurs rencontrent des difficultés à rechercher une information de
santé sur l’Internet (Keselman et al., 2008). La plupart de ces derniers entament leurs
1
recherches via les moteurs de recherche généralistes (tel que Google), plutôt que les bases de
données médicales spécialisées (Jansen et al., 2006). Cependant, avoir recours à un moteur de
recherche spécialisé peut, dans la plupart des cas, donner de meilleurs résultats.
Au cours de son processus de recherche, la difficulté majeure rencontrée par l’utilisateur est
de bien exprimer ses besoins informationnels et de trouver les termes adéquats correspondant
à l'objet de sa recherche. Les principaux répertoires et sites médicaux de la Toile indexent les
documents à l'aide du thésaurus MeSH développé par la National Library of Medicine (NLM)
des Etats-Unis. Ceci peut obliger, en quelque sorte, tous les utilisateurs, quels que soient leurs
niveaux en médecine, d’utiliser les termes du MeSH pour transcrire leurs requêtes dans le but
d’avoir un résultat aussi performant que possible. À ce niveau, la question qui se pose
« Sommes-nous (professionnels de santé, étudiants et patients) contraints de connaître le
thésaurus MeSH pour avoir une réponse pertinente à notre quête d’information médicale ?».
Motivation et objectifs
Pour répondre à la question précédente, notre objectif durant cette thèse a été de fournir un
univers multi-terminologique (fondé sur plusieurs terminologies médicales, outre le thésaurus
MeSH) à l’utilisateur du catalogue CISMeF (Catalogue et Index des Sites Médicaux de langue
Française) afin de satisfaire au mieux son besoin informationnel selon ses propres
connaissances terminologiques. CISMeF est un site Web relatif au domaine de santé
permettant de fournir aux utilisateurs les ressources disponibles en français répondant à leurs
requêtes. Jusqu’en 2005, les ressources du catalogue ont été indexées exclusivement à l’aide
du thésaurus MeSH permettant ainsi une recherche mono terminologique.
La problématique cruciale qui se posait, au fur et à mesure, était de permettre un accès
« intelligent » à l’information médicale. De ce point de vue, les terminologies médicales
prennent de plus en plus d’importance. En effet, elles fournissent un vocabulaire commun et
une description de la signification des termes d’un domaine ainsi que les relations qui les
relient. Elles sont, non seulement exploitables de manière informatique, mais aussi elles
jouent un rôle important pour la nouvelle génération du Web sémantique car elles sont
indispensables pour décrire le contenu des ressources du Web et faciliter ainsi leurs
exploitation.
Dans ce travail, nous cherchons principalement à implémenter une structure multiterminologique (fondée sur plusieurs terminologies médicales) au sein de CISMeF. Les
terminologies à intégrer dans la nouvelle base de données peuvent être employées selon
plusieurs contextes d’utilisateurs. Par exemple, un pharmacien pourrait accéder au catalogue
en utilisant la classification Anatomique Thérapeutique et Chimique (ATC) vu qu’il aurait
plus de connaissances de cette terminologie. D’autre côté, un médecin de réadaptation
souhaiterait les références des ressources relatives aux diagnostics, au fonctionnement et
handicap et indexées par ailleurs par la terminologie spécifique à savoir la CIF
(Classification Internationale du Fonctionnement, du Handicap et de la Santé)…
2
Figure IG. Les différents contextes d’utilisation de plusieurs terminologies médicales
Pour ce faire, nous devons se procurer des terminologies médicales disponibles en français et
qui correspondent aux connaissances des utilisateurs de CISMeF. Ensuite, il faut les étudier
afin de comprendre leurs structures et leurs spécificités et, les modéliser pour pouvoir les
intégrer dans une même structure homogène.
Ce manuscrit est organisé en sept chapitres. Nous exposons en premier lieu le contexte du
travail dans lequel s’est déroulée la thèse. Nous commençons par une brève présentation du
LERTIM et de l’équipe CISMeF. Nous décrivons par la suite le catalogue CISMeF autour
duquel se déroulent nos travaux de recherche. Nous décrivons, par la suite, notre participation
au projet PSIP qui finance cette thèse.
Le deuxième chapitre a pour objectif de présenter quelques concepts de base utiles pour la
compréhension du domaine de la recherche d’information. Après une brève présentation de la
recherche documentaire, nous définissons quelques systèmes de recherche d’information
(SRI), leurs particularités et leurs fonctionnements. Nous présentons par la suite les notions de
l’indexation, puis nous passons en revue les modèles piliers de la RI et les critères et mesures
d’évaluation des SRI.
À travers le troisième chapitre, nous définissons le vocabulaire utilisé en tant que
terminologies médicales en se focalisant sur celles qui ont été les plus impliquées dans notre
travail. Dans la deuxième partie de ce chapitre, nous mettons en relief le passage vers une
structure multi-terminologique fondée sur plusieurs terminologies médicales en mettant en
avant le processus d’intégration de toutes ces terminologies selon un modèle générique.
Nous présentons, dans le quatrième chapitre, la deuxième réalisation faite autour de l’univers
multi-terminologique ; à savoir la création d’un Portail d’Information bilingue sur les
Médicaments (PIM). Cette réalisation nous a permis, par la suite, une exploitation plus
analytique des informations concernant les médicaments en mettant en place une approche
d’indexation automatique par la classification ATC. Enfin, nous concluons ce chapitre par une
description de l’étude mettant en relief l’amélioration de la recherche d’information grâce à la
correspondance entre le thésaurus MeSH et la classification ATC.
Le cinquième chapitre décrit notre algorithme de recherche d’information multiterminologique. Nous présentons, tout d’abord, une panoplie de travaux et de systèmes de
3
recherche d’information fondés sur l’expansion de requêtes et de la sémantique. Nous
détaillons par la suite l’algorithme de recherche d’information multi-terminologique au sein
du catalogue CISMeF ainsi que l’évaluation qui a été faite, afin de mettre en relief la valeur
ajoutée de notre approche.
Dans l’avant dernier chapitre, nous décrivons les travaux connexes aux principaux thèmes de
la thèse, notamment le passage du monde mono-terminologique vers l’univers multiterminologique, la recherche d’information multi-terminologique et l’indexation automatique
bi-terminologique des médicaments. Toutefois, ils restent au centre du domaine de la
recherche d’information multi-terminologique. Notre participation à ces travaux a donné suite
à d’autres perspectives prometteuses pour améliorer l’indexation et la recherche d’information
médicale.
Enfin, à travers le dernier chapitre, nous mettons en relief nos perspectives et nos projets de
recherche en continuation avec les travaux de la thèse.
Nous concluons ce manuscrit par une conclusion générale récapitulative des différentes
réalisations de notre travail.
.
4
Chapitre 1 : Contexte du travail
CHAPITRE 1
CONTEXTE DU TRAVAIL
Introduction .....................................................................................................................................................................5
1.1
Contexte du travail .......................................................................................................................................5
1.1.1
Le LERTIM ................................................................................................................................................5
1.1.2
L’équipe CISMeF ....................................................................................................................................6
1.1.2.1 Le Catalogue et Index des Sites Médicaux de langue Française : CISMeF .................7
1.1.2.2 Positionnement de la thèse dans l’équipe CISMeF .......................................................... 14
1.1.2.3 Quelques projets de l’équipe CISMeF................................................................................... 15
1.2
Le projet PSIP : Patient Safety through Intelligent Procedures in Medication ................. 16
Conclusion ..................................................................................................................................................................... 18
INTRODUCTION
Dans ce chapitre, nous exposons le contexte du travail dans lequel s’est déroulée la thèse.
Nous commençons par une brève présentation du LERTIM et de l’équipe CISMeF. Nous
décrivons par la suite le catalogue CISMeF autour duquel se déroulent nos travaux de
recherche. Finalement, nous décrivons notre participation au projet PSIP qui finance cette
thèse.
1.1 CONTEXTE DU TRAVAIL
1.1.1 LE LERTIM
La thèse est co-encadrée par Michel Joubert membre du Laboratoire d’Enseignement et de
Recherche sur le Traitement de l’Information Médicale (LERTIM) de Marseille. Les
principaux thèmes de recherche du LERTIM sont l’élaboration des systèmes d’informations
hospitaliers tels que les systèmes d’informations médicaux et de santé ou encore les systèmes
d’information pour la formation à distance…Par ailleurs, les activités de recherche
s’appliquent à la bio statistique, la représentation des connaissances, l’aide à la décision et le
soutien méthodologique en recherche clinique.
L'objectif de l’activité de recherche du LERTIM est de comprendre, représenter et utiliser la
connaissance pour faciliter et/ou permettre l'accès aux connaissances et leur acquisition. Cette
recherche vise à élaborer des méthodes et développer des outils permettant un couplage entre
connaissance médicale et information sur le patient, afin d'améliorer la décision médicale et la
prise en charge du patient.
Les projets de l’équipe se situent dans les champs de recherche concernant les outils
d’interopérabilité, d’aide à la décision, des références médicales… et exigent une approche
intégratrice :
5
Chapitre 1 : Contexte du travail

de différents domaines de recherche classiques (description des concepts médicaux,
ontologies, référentiels sémantiques, méthodes d’intelligence artificielle et
psychologie cognitive, élaboration de modèles de raisonnement, modèles cognitifs
d'interaction homme-machine) ;

de développement de composants logiciels de présentation, de traitement et de
communication des informations et des connaissances ainsi que des technologies du
multimédia ;

des technologies du génie logiciel offertes par le marché pour réaliser des outils de
couplage interopérables en pratique (technologies de l'Internet, approche composant,
architectures de systèmes d'information,…).
Outre une activité de soutien à la recherche clinique, l’équipe développe une activité de
recherche propre portant sur la biostatistique.
Ces travaux de recherche clinique concernent le plus souvent la recherche de facteurs
pronostiques notamment en cancérologie. Un autre champ de recherche est consacré au
paludisme, en collaboration avec d’autres centres de recherche et hôpitaux.
Par ailleurs, au sein du LERTIM, plusieurs travaux ont vu le jour dans un but de faciliter
l’accès à des bases d’information du domaine médical. Parmi ceux-ci, nous pouvons citer les
projets1 WARPIN (Joubert et al., 2007) dédiés principalement aux citoyens et, ARIANE
(Joubert et al., 2002) et CoMeDIAS (Joubert et al., 2003) qui ont été conçus afin de permettre
aux professionnels de santé d’accéder plus facilement à des bases de données patients, à des
banques de données sur les médicaments, à des guides de bonnes pratiques ou encore à des
bibliographies.
1.1.2 L’EQUIPE CISMEF
Sous la codirection du responsable des technologies de l'information et de la communication
(Stéfan Darmoni) et du conservateur de la bibliothèque médicale (Benoît Thirion) du Centre
Hospitalier Universitaire de Rouen, l'équipe CISMeF est composée de trois documentalistes
experts du domaine médical, de trois ingénieurs de recherche, d’un post-doc et de trois
doctorants (cf. figure 1.1.2).
1
Projets de recherche du LERTIM. URL : http://cybertim.timone.univ-mrs.fr/recherche/projetsrecherche
6
Chapitre 1 : Contexte du travail
Séfan Darmoni
&
Benoit Thirion
Quatre ingénieurs
de recherche
L'équipe
CISMeF
Trois doctorants
en informatique
et un post-doc
Trois
documentalistes
experts du domaine
médical
Figure 1.1.2. L’organisation de l’équipe CISMeF
De nombreux travaux ont été entrepris par l’équipe CISMeF dans le domaine de l’indexation
et la recherche d’information en santé. La principale application réalisée par l’équipe est la
création du catalogue CISMeF (cf. section 1.1.2.1) qui permet de faciliter la recherche
documentaire et l’accès aux ressources de santé sur l’Internet.
1.1.2.1
L E C ATALOGUE
F RANÇAISE : CISM E F
ET
I NDEX
DES
S ITES M EDICAUX
DE LANGUE
Depuis sa création, en 1995, CISMeF (acronyme de Catalogue et Index des Sites Médicaux de
langue Française) est hébergé par le Centre Hospitalier Universitaire (CHU) de Rouen. Ce site
s’adressait avant tout aux professionnels de santé et aux étudiants en médecine. Au fil du
temps, une partie destinée aux patients et leur famille a été mise en place afin de leurs
apporter des informations de qualité, d’ordre documentaire, produites principalement par des
institutions comme le ministère de la santé et les différentes agences de santé, par des sociétés
savantes ou encore par des professionnels de santé.
CISMeF respecte un grand nombre de critères de qualité de l’information de santé sur
l’Internet, en particulier, ceux émis par le Net Scoring 2 et MedCIRCLE3.
Labellisé HONcode4 depuis dix ans, CISMeF recense en priorité les principaux sites et
documents francophones tels que les sites institutionnels, les sites non commerciaux en libre
accès... Tout site ou document à caractère commercial (site de société pharmaceutique ou
autre organisme de vente, site contenant de la publicité. . .) est rejeté, quel que soit son
contenu. Les documents retenus sont ceux qui présentent, de préférence, un caractère
NetScoring : Critères de qualité de l’information de santé sur l’Internet. URL : http://www.churouen.fr/netscoring
3
MedCIRCLE: The Collaboration for Internet Rating, Certification, Labeling and Evaluation of
Health Information. URL : http://www.medcircle.org
4
Health On the Net Foundation. URL : https://www.hon.ch/HONcode
2
7
Chapitre 1 : Contexte du travail
institutionnel et d’une manière générale les documents émanant des sites gouvernementaux
(Ministère de la Santé, Ministère de la Justice, Sénat etc.), des facultés de médecine, des
hôpitaux, des agences nationales reconnues dans le domaine médical (HAS, etc.) et des
sociétés savantes en médecine. Par ailleurs, des sites d'associations et quelques sites
personnels, ne comportant pas de publicité et non affiliés à des organismes commerciaux,
peuvent être retenus. Il s'agit souvent de sites mis en ligne par des patients qui peuvent faire
bénéficier d'autres patients de leur expérience.
En effet, les critères de sélection des ressources CISMeF, s'appuient principalement sur la
source et la qualité de la ressource. Sensible à la qualité des ressources du catalogue CISMeF,
l'équipe CISMeF a participé à la mise au point d'une grille d'évaluation fondée sur les critères
de qualité du Net Scoring (au total 49 critères) (Darmoni et al., 1999). Avec ces critères, une
attention particulière est portée à la mention explicite du nom des éditeurs, des auteurs ainsi
que les dates de publication et de mise à jour des ressources. Ces critères concernent
essentiellement le contenant plus que le contenu.
Afin de compléter cette évaluation de la qualité des ressources disponibles sur l’Internet,
l'équipe CISMeF a retenu un critère majeur dénotant la qualité du contenu. Il s'agit de
l'indication du niveau de preuve5 selon la définition de la FNCLCC (Fédération Nationale des
Centres de Lutte Contre le Cancer) (Darmoni et al., 2003).
Des efforts considérables sont mis en œuvre permettant une sélection des ressources qui
respectent ces critères de qualité et une indexation fine de ces ressources avec des
métadonnées standardisées (Thirion et al., 2004).
Chaque ressource du catalogue est décrite et indexée par son contenant en utilisant plusieurs
ensembles de métadonnées et par son contenu en utilisant les terminologies médicales,
notamment la terminologie CISMeF (cf. section 3.1.2.4). Les métadonnées se réfèrent aux
informations descriptives des ressources Web et ont pour finalité de faciliter et d'améliorer la
recherche d’information. Dans CISMeF, les métadonnées sont essentiellement celles du
Dublin Core (Thirion et al, 2004).
Les ressources incluses dans CISMeF sont décrites par 11 champs (auteur ou créateur, date de
publication, description, format, identifiant, langue, éditeur, type de ressource, droit, sujet et
mots-clés et titre) parmi 15 éléments de la version 1.1 du DCMES. CISMeF n'emploie pas les
4 autres éléments de DCMES (contribuant, assurance, relation, source) parce qu'ils n'étaient
pas nécessaires pour décrire des ressources de santé à inclure dans CISMeF (Dekkers et al.,
2003). En plus, onze éléments de la catégorie « Education » d’IEEE 1484 LOM (Learning
Object Metadata)6, sont utilisés pour représenter les ressources pédagogiques. Les
métadonnées indication du niveau de preuve et méthode utilisée pour calculer le niveau de
preuve ont été créées pour les ressources destinées aux professionnels de santé (Darmoni et
al., 2003). Les métadonnées HIDDEL (Eysenbach et al., 2001) ont été introduites dans le
5
Médecine
fondée
sur
la
preuve.
URL
rouen.fr/ssf/profes/evidencebasedmedicine.html
6
IEEE 1484 Learning Objects Metadata (IEEE LOM).
URL :http://projects.ischool.washington.edu/sasulton/IEEE1484.html
:
http://www.chu-
8
Chapitre 1 : Contexte du travail
cadre du projet européen MedCircle (Mayer et al., 2003) afin d'évaluer la qualité de
l'information de santé. Par ailleurs, des métadonnées spécifiques à l’équipe CISMeF ont été
ajoutées pour décrire la qualité ou la localisation de la ressource telles que institution, ville,
province, pays, type d'accès, partenariat, coût et public ciblé. Certains de ces champs (par
exemple : coût) sont également présents dans LOM (Bourda et al., 1999).
 Le degré d’importance des ressources
Selon le degré d’importance des ressources collectées dans le catalogue CISMeF, trois
niveaux d’indexation sont appliqués : le premier niveau (N1) pour une indexation manuelle, le
deuxième niveau (N2) pour une indexation supervisée et le troisième niveau (N3) pour une
indexation automatique. L’indexation manuelle concerne les ressources jugées importantes et
prioritaires telles que : les recommandations nationales, les lectures critiques d’articles, les
sites institutionnels (ministériels ou gouvernementaux) et les sites d’associations patients.
L’indexation supervisée concerne les ressources qui sont moins importantes que celles du
premier niveau, cependant jugées assez importantes pour qu’elles ne soient pas indexées
qu’automatiquement. Ainsi, l’indexation supervisée est, d’abord, automatique, puis revue
manuellement dans un second temps par les indexeurs de l’équipe CISMeF. On retrouve les
rapports techniques, les études d’évaluation, les cours de campus numériques, les articles de
périodiques concernant les formations continues médicales et les ressources sur l’information
sur les médicaments. Quant à l’indexation automatique, elle concerne les ressources qui ont
une importance mineure telles que : les rapports sur la politique de santé et de santé publique,
les cours ne venant pas de campus numériques, quelques ressources sur l’information sur les
médicaments.
À ce jour7, le catalogue CISMeF recense 38.712 ressources indexées manuellement, 9.659
ressources supervisées et 24.982 ressources indexées automatiquement.
Ainsi, CISMeF est un catalogue décrivant et indexant les principales sources d'information
institutionnelles de santé françaises (N  73.353)8, ayant également un système de recherche
d’information médicale (Doc’CISMeF). Ce dernier a été longtemps fondé exclusivement sur
un monde mono-terminologique, reposant exclusivement sur le thésaurus MeSH (cf. section
4.1.2.3).
CISMeF propose un accès aux ressources de santé du catalogue selon trois contextes
utilisateur et selon cinq modes de recherche différents (cf. Figure 1.1.2.1.1).
7
8
Statistiques datant du 6 Juillet 2010
À la date du 06/07/2010
9
Chapitre 1 : Contexte du travail
Figure 1.1.2.1.1. Page d’accueil du catalogue CISMeF
En effet, CISMeF offre un accès contextuel pour les professionnels de santé à travers la
rubrique « Recommandations et consensus », pour les patients via la rubrique « Informations
pour les patients » et pour les étudiants en médecine selon la rubrique « Enseignements et
formation » en limitant la recherche générale à chacun de ces domaines. Ces trois catégories
sont répertoriées selon le type des ressources et la nature d’indexation de ces dernières. Par
exemple, dans la catégorie « Recommandations et consensus », nous retrouvons les ressources
de types : conférence de consensus, recommandations de bon usage du médicament…alors
que dans la catégorie « Enseignements et formation », nous retrouvons celles qui concernent
les documents pédagogiques, les périodiques…
Concernant les cinq modes d’accès aux ressources, il s’agit d’un accès :
 par le moteur de recherche Doc'CISMeF qui offre trois possibilités de recherche :
 la recherche simple s’effectue par un seul mot ou par une expression de mots,
en langage naturel ou à l’aide de termes appartenant à la terminologie
CISMeF. La recherche peut s’effectuer, aussi, d’une manière booléenne à
travers des opérateurs logiques, ce qui requiert une bonne connaissance pour
la manipulation des opérateurs booléens (ET, OU, SAUF) et des codes des
10
Chapitre 1 : Contexte du travail
champs de recherche. Exemple (asthme.ti) pour chercher une ressource ayant
le mot « asthme » dans le titre ;
 la recherche avancée permet d’effectuer des recherches précises, sur tous les
champs d’une notice (titre, mots d’indexation de la ressource…), à l’aide ou
non des opérateurs booléens (cf. Figure 1.1.2.1.2).
Figure 1.1.2.1.2. Exemple de recherche avancée dans CISMeF
 par l’Index alphabétique. Il s’agit d’un classement alphabétique de la traduction
française des termes du thésaurus MeSH ainsi que les qualificatifs et les types de
ressources de la terminologie CISMeF. À chaque terme correspond une page
présentant le terme en anglais, sa définition, ses synonymes MeSH, l’arborescence du
thésaurus MeSH contenant le terme et des requêtes préconstruites9. Ces dernières
définissent des stratégies de recherche pour améliorer la recherche d’information sur
des notions qui n’ont pas d’équivalents dans la terminologie CISMeF. Par exemple, la
requête « insulinothérapie » est interprétée comme suit : rechercher les ressources
indexées par le descripteur MeSH « insuline » et le qualificatif « usage
thérapeutique ». Ces requêtes donnent accès aux ressources selon un contexte
utilisateur : pour les professionnels de santé ou pour les patients ou encore pour les
étudiants ;
 par l’Index thématique. Il s’agit d’un classement thématique par spécialité médicale. A
chaque spécialité correspond une page définissant le terme en anglais, tous les termes
9
Se référer au Chapitre3 ; Section 3.1.2.4 pour plus de détails concernant les requêtes préconstruites
11
Chapitre 1 : Contexte du travail
CISMeF10 (descripteur, qualificatif ou type de ressource) qui lui sont liés
sémantiquement ainsi que des requêtes préconstruites permettant d'accéder aux
ressources relatives soit à la spécialité médicale choisie, soit à l'un des termes qui lui
sont sémantiquement liés. Ces liens sémantiques ont été réalisés manuellement par le
responsable de la bibliothèque médicale (Benoit Thirion) ;
 par le portail terminologique MeSH. Les requêtes en langage naturel renvoient des
informations concernant la définition du terme, ses synonymes MeSH français, ses
synonymes MeSH anglais, les qualificatifs associés à ce terme, les types de
ressources11 affiliés au terme, les métatermes12 auxquels il appartient ainsi qu’aux
arborescences du terme. Pour chaque terme, des requêtes préconstruites permettent
d'accéder aux ressources correspondantes en français dans le catalogue CISMeF ou en
anglais dans la base MEDLINE ;
 par les types de ressources. Ce mode d’accès permet d'avoir des ressources selon le
contexte des utilisateurs : les professionnels de santé, les étudiants en médecine ou les
patients. A chaque type de ressource correspond une annotation définissant ses
synonymes, les métatermes auxquels il appartient ainsi que sa définition complète.
Chaque type de ressource est représenté par son équivalent anglais et les types de
ressources qui le subsument.
 Présentation du résultat de la recherche d’information
Selon ces cinq modes de recherche et ces trois modalités d’accès contextuels, le résultat de la
recherche est un ensemble de notices courtes (cf. Figure 1.1.2.1.3), associées aux ressources
retournées répondant au besoin informationnel de l’utilisateur, et affichées par ordre
chronologique et par degré d’importance (les ressources du N1, puis celles du N2 et enfin
celles du N3).
Toujours suivant ce principe d’affichage (les ressources du N1, puis celles du N2 et enfin
celles du N3) et depuis 2009, le résultat de la recherche d’information est présenté selon un
ordre qui fait référence à l’ordre chronologique et à la pertinence des ressources13. La
pertinence est mesurée suivant le nombre de termes de la requête identifiés, comme étant des
termes d’indexation de la ressource ou identifiés au niveau du titre.
10
Se référer au Chapitre3 ; Section 3.1.2.4 pour plus de détails concernant la terminologie CISMeF
Se référer au Chapitre3 ; Section 3.1.2.4 pour plus de détails
12
Se référer au Chapitre3 ; Section 3.1.2.4 pour plus de détails
13
Se référer au Chapitre 5 pour plus de détails concernant le nouveau classement des résultats.
11
12
Chapitre 1 : Contexte du travail
Figure 1.1.2.1.3. Le résultat de recherche pour le terme « asthme »
À chaque notice est associé un ensemble de métadonnées décrites par les documentalistes de
l’équipe (les indexeurs), essentiellement issu du Dublin Core.
Cette représentation décrit :
 les informations sur le contenant de la ressource : le titre, la date de publication, le site
éditeur, le type de la ressource, l’URL ;
 les informations sur le contenu de la ressource : un résumé succinct élaboré par les
indexeurs, les mots clefs majeurs d’indexation décrivant les notions principales
abordées dans le document ainsi que les mots clefs mineurs représentant les notions
complémentaires.
Pour une ressource indexée manuellement, le clic sur le lien à droite du titre de la ressource
permet d’afficher la notice détaillée contenant des informations supplémentaires concernant la
ressource telles que : la langue, le pays, le mode d’accès (format de la ressource, tarif, accès),
la date de création, la date de consultation…
13
Chapitre 1 : Contexte du travail
1.1.2.2
P OSITIONNEMENT DE LA THESE DANS L ’ EQUIPE CISM E F
Comme la plupart des systèmes de recherche d’information de qualité, de nombreux travaux
ont été menés autour du catalogue CISMeF afin de préserver sa pérennité, d’améliorer la
recherche d’information médicale et de faciliter la tâche de l’utilisateur.
Dans un cadre de travail interne, plusieurs thèses se sont succédées permettant
l’enrichissement et le développement des stratégies entreprises au sein de l’équipe CISMeF.
Par ordre chronologique des thèses en relation avec l’indexation et la recherche d’information,
nous pouvons citer les travaux de L. Soualmia (Soualmia, 2004), d’A. Névéol (Névéol, 2005),
de S. Pereira (Pereira, 2008) et de T. Merabti (Merabti, 2010).
Pour faciliter la tâche des utilisateurs, une recherche d’information implicite a été mise en
œuvre avec le système KnewQuE (Knewledge-based Query Expansion) afin de corriger,
préciser et enrichir les requêtes des utilisateurs (Soualmia et al., 2003)(Soualmia, 2004).
Concernant l’indexation des ressources du catalogue CISMeF, une tâche d’automatisation de
ce processus a été étudiée pour faciliter la tâche des indexeurs face à l’explosion des
documents médicaux disponibles sur le net. L’élaboration du système MAIF (MeSH
Automatic Indexing in French) a été l’aboutissement de ce travail (Névéol, 2005) (Névéol et
al., 2005).
Depuis peu, la stratégie de l’équipe CISMeF a été de passer d’un monde monoterminologique vers un univers multi-terminologique14 (cf. figure 1.1.2.2). La première
réalisation dans cet univers est le développement de l’outil F-MTI (French Multi-Terminology
Indexer). Il s’agit d’un outil d'aide à l'indexation automatique multi-terminologique, multidocuments et multitâches capable de produire une proposition d’indexation pour les
documents de santé. Il a été appliqué notamment aux dossiers médicaux avec trois
terminologies médicales supplémentaires au thésaurus MeSH (Pereira, 2008). Ce travail est
poursuivi par la thèse en cours d’A. Dirieh Dibad (Dirieh Dibad et al., 2009) pour indexer les
dossiers médicaux en utilisant les techniques de la sémantique d’Oracle et principalement les
outils d’interrogation basés sur le SPARQL (voir chapitre 6).
Dans la même perspective de la multi-terminologie, un récent travail (Merabti, 2010) a vu le
jour permettant un alignement automatique des terminologies francophones du domaine de la
santé. Une telle correspondance entre ces dernières permet, en effet, d’élargir les
connaissances recueillies et d’intervenir dans l’amélioration du processus de recherche
d’information.
Cette thèse constitue ainsi, entre autres, une passerelle entre la mono terminologie et la multiterminologie permettant d’avoir une indexation et une recherche d’information multiterminologique au sein du catalogue CISMeF. De plus, nous nous sommes intéressés à une
indexation bi-terminologique (le thésaurus MeSH et la classification ATC pour les
médicaments) dans un cadre focalisé sur les médicaments.
14
Voir Chapitre 3 pour plus d’explications et de détails
14
Chapitre 1 : Contexte du travail
Figure 1.1.2.2. Positionnement de la thèse dans l’équipe CISMeF
1.1.2.3
Q UELQUES PROJETS
DE L ’ EQUIPE
CISM E F
Dans un cadre de travail collaboratif externe, le partenariat avec des industriels met l’accent
sur le développement réalisé au sein de CISMeF en termes de services et de qualité. En effet,
de nombreux projets en collaboration avec des industriels ont vu le jour tels que : le portail
PIH 15 (Portail Institutionnel du Handicap) crée en collaboration avec la société TEMIS 16
leader européen de la fouille des données (text mining) permettant de rechercher des
informations sur le handicap.
Dans la même perspective, deux portails pour l’industrie pharmaceutique ont été réalisés avec
le laboratoire Lilly17 puis le laboratoire GSK18.
Le moteur de recherche Doc’UMVF19 a été créé en coopération avec l’UMVF (Université
Médicale Virtuelle Francophone), comme outil de recherche en enseignement médical
(Cuggia et al., 2007).
Depuis 2007, en parallèle avec cette thèse, des travaux orientés vers la problématique de la
multi-terminologie ont été entrepris tel que le projet ANR InterSTIS 20 (Interopérabilité
Sémantique des Terminologies dans les Systèmes d’Information de Santé français) qui a pour
but de rendre interopérables les principales terminologies médicales au sein d’un serveur
terminologique multi-sources.
Début 2009, un partenariat avec des laboratoires de recherche, des industriels et une société
savante de médecine générale a permis de mettre en place le projet L3IM 21 (Langage Iconique
et Interfaces Interactives en Médecine) qui a pour finalité d’offrir un accès rapide à des
15
URL : http://doccismef.chu-rouen.fr/servlets/PIH
URL : http://www.temis.com
17
URL : http://www.lilly.fr/lilly/laboratoire-pharmaceutique.cfm
18
URL: http://www.gsk.fr/
19
URL : http://doccismef.chu-rouen.fr/servlets/ECN
20
URL: http://www.interstis.org/
21
URL: http://projet4-limbio.smbh.univ-paris13.fr/
16
15
Chapitre 1 : Contexte du travail
informations médicales22. Cette approche est rendue possible grâce au langage iconique
(VCM : Visualisation de Connaissances Médicales) qui permet de représenter un ensemble de
concepts médicaux comme des maladies, des médicaments ou encore des examens
complémentaires (Lamy et al., 2010).
1.2 LE PROJET PSIP : PATIENT SAFETY THROUGH INTELLIGENT
PROCEDURES IN MEDICATION
Le projet PSIP est un projet de recherche européen, déposé le 8 mai 2007 dans le cadre de
l’appel à projets « Technologies et Sciences de l’Information », pour une durée de quarante
mois. Il a été labellisé en juillet 2007 et est formé de treize partenaires comprenant notamment
le CHRU et l’université de Lille, le CHU de Rouen et les équipes de recherche associées,
notamment notre équipe CISMeF, Vidal, Oracle, les dix centres hospitaliers de la «Région
Capitale de Copenhague »…
Suite à la constatation remarquée concernant un problème majeur de santé concernant : « des
effets indésirables liés aux médicaments s’observent dans 6% des séjours hospitaliers
entrainant au moins 10.000 décès en France (et 98.000 aux USA) », le but de la mise en
œuvre de ce projet est de proposer des méthodes innovantes destinées à contextualiser
l’information et les alertes publiques (Chazard et al. 2009).
Le projet PSIP a pour objectif général de développer des services (des procédures, des
systèmes de décision, des prototypes…) qui permettent de :
 identifier, grâce aux techniques d’extraction sémantique, des situations de santé quand
la sécurité du patient est en danger ;
 améliorer les outils d’aide à la décision concernant les cycles de médication ;
 livrer aux professionnels de santé et aux patients, des alertes efficaces et contextuelles
et des informations pertinentes au moment désiré ;
 démontrer une réduction significative du risque patient de certaines maladies et
pratiques au sein d’un centre hospitalier ;
 mettre en application des outils basés sur la connaissance normalisée.
Dans un cadre scientifique, les principaux objectifs sont :
 obtenir une meilleure connaissance des effets indésirables liés aux médicaments et
leurs caractéristiques, selon l’hôpital, la région et le pays ;
 développer des méthodes et des concepts pour réaliser la contextualisation des
fonctions des systèmes d’aide à la décision clinique ;
 modéliser une architecture assurant l’indépendance et l’interdépendance entre la
connaissance et les applications mises en jeu.
Le projet se déroule selon quatre phases :
1- génération des connaissances ;
Nous utiliserons ce langage iconique pour effectuer une recherche d’information au sein de
Doc’CISMeF.
22
16
Chapitre 1 : Contexte du travail
2- développement d’un système de prescription contextuel intelligent ;
3- intégration et tests ;
4- évaluation.
La figure 1.2 met en évidence l’organisation du projet PSIP.
Figure 1.2. L’organisation du projet PSIP
Dans le cadre du projet PSIP, l’équipe CISMeF est en charge du semantic mining et de la
création d’un portail terminologique de santé.
Dans le cadre de cette thèse, nous sommes intervenus principalement au niveau de la tâche
concernant la modélisation des terminologies médicales impliquées dans ce projet à savoir la
CIM-10, la classification ATC, la nomenclature IUPAC et la ICPS (Darmoni et al., 2010).
Nous avons fourni aussi le modèle générique englobant toutes les terminologies médicales
(même celles qui ne sont pas sollicitées dans le projet PSIP). Ce modèle est réalisé dans le
cadre de cette thèse23 et a constitué le point d’entrée vers la structure multi-terminologique du
23
Se référer au Chapitre 3, Section 3.2 pour plus de détails
17
Chapitre 1 : Contexte du travail
catalogue CISMeF. En effet, la généricité du modèle délivré permet une flexibilité du
traitement en ajoutant, supprimant ou mettant à jour une terminologie donnée.
Au fil du déroulement du projet, nous étions amenés à tester l’outil d’extraction de concepts
(Pereira, 2008) sur les comptes rendus médicaux récupérés des différents sites participants au
projet. Pour les besoins du projet, nous avons amélioré l’outil en termes de performance
(temps de traitement) et de couverture en terminologies en ajoutant notamment celles qui
concernent les médicaments (Darmoni et al., 2009).
CONCLUSION
Nous avons présenté, dans ce chapitre introductif, le contexte général de cette thèse. Nous
avons décrit les différents centres d’intérêts en termes de recherche de l’équipe CISMeF et du
LERTIM auxquels j’appartiens.
Nous avons présenté, par la suite, le projet PSIP qui finance cette thèse, et qui nous a permis
d’élargir nos travaux de recherche particulièrement dans le domaine des médicaments.
18
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
CHAPITRE 2
ÉTAT DE L’ART : LA RECHERCHE
D’INFORMATION
Introduction .................................................................................................................................................................. 19
2.1
Le principe de la recherche documentaire ...................................................................................... 19
2.2
Les systèmes de recherche d’information ....................................................................................... 20
2.3
L’indexation .................................................................................................................................................. 21
2.3.1
Les langages d’indexation ............................................................................................................... 22
2.3.2 Les types d’indexation ........................................................................................................................... 23
2.3.2.1 L’indexation manuelle ................................................................................................................. 23
2.3.2.2 L’indexation automatique .......................................................................................................... 24
2.3.2.3 L’indexation supervisée .............................................................................................................. 25
2.4
Les modèles de recherche d’information ......................................................................................... 26
2.4.1 Le modèle booléen & le modèle booléen étendu ....................................................................... 26
2.4.2 Le modèle vectoriel & le modèle vectoriel étendu .................................................................... 27
2.4.3 Le modèle probabiliste ......................................................................................................................... 28
2.4.4 Le modèle logique ................................................................................................................................... 30
2.4.5 Autres modèles de recherche d’information ............................................................................... 31
2.5
Evaluation des systèmes de recherche d’information ................................................................ 34
Conclusion ..................................................................................................................................................................... 38
INTRODUCTION
L’objectif de ce chapitre est de présenter quelques concepts de base utiles pour la
compréhension du domaine de la recherche d’information (RI). Celle-ci peut être définie
comme une branche de l’informatique qui s’intéresse à l’acquisition, l’organisation, le
stockage, la recherche et la sélection d’information (Salton et al., 1983). Du point de vue de
l’utilisateur, l’accès à l’information peut être effectué de manière délibérée à travers un
système de recherche d’information (SRI) ou bien de manière passive à travers un système de
filtrage d’information. Après une brève présentation de la recherche documentaire, nous
définissons, dans ce chapitre, quelques systèmes de recherche d’information, leurs
particularités et leurs fonctionnements. Nous présentons par la suite quelques notions
d’indexation, puis nous passons en revue les modèles piliers de la RI et les critères et les
mesures d’évaluation des SRI.
2.1 LE PRINCIPE DE LA RECHERCHE DOCUMENTAIRE
La recherche documentaire vise à retrouver des documents textuels répondant à un besoin
informationnel spécifié par une requête.
19
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Parmi les définitions exposées dans la littérature, nous pouvons citer celle de (Lewis, 1992)
qui résume les étapes de la recherche d’information comme suit :
 l’indexation des textes : elle permet de représenter le contenu des documents et la
requête de l’utilisateur (en langage naturel, requête booléenne, document entier
comme un exemple du résultat, un graphe de concepts…) afin qu’ils soient
exploitables par le système de recherche d’information ;
 la comparaison entre la représentation de la requête et celle des documents. La
comparaison se fait généralement en utilisant une fonction de similarité. Le processus
de comparaison permet de choisir les documents répondant au besoin d’information de
l’utilisateur, en comparant la base des index du corpus à la représentation de la requête
dans le même espace. Cette phase vise à extraire des caractéristiques sur le contenu
sémantique des informations textuelles ;
 le feedback : le résultat retourné par le système peut ne pas correspondre aux résultats
attendus de l’utilisateur, ce qui amène ce dernier à reformuler sa requête.
2.2 LES SYSTEMES DE RECHERCHE D’INFORMATION
Plusieurs définitions des SRI ont été établies et sont plus ou moins semblables. Parmi
lesquelles, nous citons celle de (Smeaton, 1992) (Smeaton, 1999) « l’objectif d’un système de
recherche d’information est de trouver des documents en réponse à une requête d’utilisateur
tel que le contenu des documents soit pertinent par rapport au besoin initial de l’utilisateur ».
Une autre définition (Strzalkowski, 1993) suggère que « la tâche typique de la recherche
d’information est de sélectionner des documents dans une base de données, en réponse à une
requête de l’usager, et de les ranger par ordre de pertinence ».
Pour résumer, nous pouvons dire que la tâche principale d’un système de recherche
d’information est de sélectionner dans une collection de documents ceux qui sont susceptibles
de répondre aux besoins en information de l’utilisateur. Son but est de retourner à ce dernier
le maximum de documents pertinents pouvant satisfaire son besoin et le minimum de
documents non pertinents. Dans son livre (Blair, 1990), Blair met l’accent sur la complexité
des systèmes de recherche d’information pour fournir un bon résultat dans la mesure où ils
nécessitent un langage précis pour mettre les termes dans leurs contextes ce qui manque,
d’après lui, aux SRI. (Tamine-Lechani et al., 2007) définissent les systèmes centrés
utilisateurs. Dans leur travaux, ils mettent en évidence l’adaptation du cycle de vie d’un
processus d’accès à l’information, à un utilisateur spécifique, en vue de lui délivrer une
information pertinente relativement à ses besoins précis, son contexte et ses préférences.
Ainsi, pour répondre aux besoins en information de l’utilisateur, un SRI met en œuvre un
certain nombre de processus pour réaliser la mise en correspondance des informations
contenues dans le fonds documentaire d’une part, et les besoins en information des
utilisateurs, d’ autre part. Parmi les représentations des SRI qu’on peut trouver dans la
littérature, nous pouvons citer celle de (Van Rijsbergen, 1979) qui les représente sous forme
de trois principales composantes : input, processor et output. Nous nous intéressons du plus
près à la représentation de (Boughanem et al., 2008) qui les définit sous la forme de
20
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
« processus en U » (cf. Figure 2.2). La première étape consiste à indexer les documents et les
requêtes. Le résultat de l’indexation est une représentation paramétrée qui couvre au mieux le
contenu sémantique des documents et des requêtes. L’ensemble des termes reconnus par le
SRI constitue le langage d’indexation.
La deuxième étape est réalisée grâce au processus d’appariement qui permet de comparer la
représentation des documents d’une collection donnée et celle de la requête de l’utilisateur
dans un même espace de représentation. Cette comparaison a pour finalité de permettre de
choisir les documents répondant au besoin d’information de l’utilisateur.
L’appariement requête-documents consiste à calculer un score, supposé représenter la
pertinence du document vis-à-vis de la requête. Le score est souvent calculé à partir d’une
fonction de similarité qui tient compte du poids des termes dans les documents. L’assignation
d’un score de pertinence à un document permet d’ordonner les documents renvoyés à
l’utilisateur, et ce qui peut influencer le jugement de l’utilisateur vis-à-vis du SRI.
La troisième étape est la reformulation de la requête de l’utilisateur (en cas de besoin) afin de
faire correspondre au mieux la pertinence-utilisateur et la pertinence système. La
reformulation de la requête consiste généralement à rajouter de nouveaux termes à la requête
initiale, et/ou à re-pondérer ses termes dans la nouvelle requête.
Figure 2.2. Processus en U de recherche d’information
2.3 L’INDEXATION
Le processus d’indexation consiste à extraire des documents les termes (ou concepts) jugés les
plus significatifs et pertinents afin d’en construire une représentation médiatrice entre les
documents et les utilisateurs. Il s’agit de décrire leurs contenus et de les représenter par des
21
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
index. Prie (Prie, 2000) définit l’index comme « quelque chose » permettant d’accéder à
« autre chose ». Ainsi, l’indexation consiste à mettre en place des objets permettant d’accéder
à d’autres objets tels que des documents, des parties de documents ou encore des ensembles
de documents. Cette représentation a pour but de retrouver les ressources documentaires qui
répondent au mieux à la requête de l’utilisateur parmi un grand nombre de ressources.
L’indexation est une étape préliminaire à la recherche documentaire. C’est une tâche
importante car elle définit l’espace de représentation de l’information contenue dans les textes
et influence par conséquent la fonction de comparaison.
Pour pouvoir être comparées, il faut que la représentation de la requête et la représentation
d’un document soient exprimées dans le même espace d’indexation. Ceci permet de répondre
à la question suivante : comment retrouver un document pertinent pour une requête alors
qu’ils ne sont pas indexés (donc représentés) par le même vocabulaire ?
Le processus d’appariement permet de comparer la représentation des documents d’une
collection donnée et celle de la requête de l’utilisateur dans un même espace de
représentation. Cette comparaison a pour finalité de permettre de choisir les documents
répondant au besoin d’information de l’utilisateur.
2.3.1 LES LANGAGES D’INDEXATION
Le rôle des descripteurs représentatifs d’un document lors de la phase d'indexation est double
(Salton et al., 1983). D’une part, ils doivent être descriptifs, pour bien décrire le contenu du
document et d’autre part, discriminants afin de mettre en évidence ce qui distingue le
document dans la collection des documents.
Nous pouvons distinguer deux types d’indexation, utilisant des langages d’indexation
différents :
 l'indexation libre utilise librement tous les mots d'une langue naturelle donnée : il
s’agit d’un ensemble ouvert de termes. L'indexation d'une ressource consiste en une
liste de tous les mots du langage naturel contenus dans la ressource, auquel un filtrage
ou une certaine normalisation pourront être appliqués (Salton et al., 1983) ;
 l'indexation contrôlée utilise des termes appartenant à une liste de référence
prédéfinie (un langage connu) : un ensemble fermé de termes. Ce langage contrôlé
définit la forme des termes d'indexation utilisés. Il peut s'agir de termes ou
d'expressions de la langue naturelle ou bien de symboles choisis pour représenter un
concept de manière normative et unique.
Dans le cas d'une indexation contrôlée, une connaissance approfondie du vocabulaire
est nécessaire pour une indexation de qualité. De plus, une mise à jour du vocabulaire
devrait être accompagnée par une révision de l’indexation déjà faite sur les documents.
Plusieurs études et discussions ont été faites sur le type d’indexation qu’il faut choisir.
Certains travaux concluent que l’utilisation d’un vocabulaire contrôlé lors du processus
d’indexation donne des résultats équivalents ou légèrement supérieurs pour la recherche
d'information. Les études de (Leonard, 1977) et (Markey, 1984) montrent que la consistance
de l'indexation augmente en moyenne de 15% avec l'utilisation d'un vocabulaire contrôlé.
22
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
(Leininger, 2000) estime que le choix d'un vocabulaire contrôlé pour l'indexation des
ressources d'une base documentaire permet de favoriser la précision lors de la recherche
d'information, alors qu'une indexation libre favoriserait le rappel. Il observe également que
l'utilisation d'un vocabulaire contrôlé est conditionnée par l'existence d'un thésaurus adapté à
la base documentaire considérée.
Dans la même perspective, le grand nombre de terminologies médicales fait de la médecine
un domaine particulièrement propice à l'indexation contrôlée. Une étude de la National
Library of Medicine (NLM)24 (Wilbur et al., 2003) met en évidence l’avantage de l’utilisation
des termes appartenant au thésaurus MeSH25 par rapport à l’utilisation des termes en langage
naturel.
2.3.2 LES TYPES D’INDEXATION
L’indexation consiste à identifier, dans un document, certains éléments significatifs qui
serviront de clé pour retrouver ce document au sein d’une collection. Le choix du type
d’indexation dépend des applications et de la taille du corpus étudié. Cette identification peut
être :
 manuelle : chaque document de la collection est analysé par un documentaliste ou un
spécialiste du domaine d’application ;
 automatique : le processus d’indexation est entièrement informatisé ;
 supervisée (dite aussi semi-automatique) : suite à l’indexation automatique appliquée
aux documents, l’indexeur (le documentaliste ou le spécialiste du domaine) intervient
pour valider le choix des termes représentatifs des documents.
2.3.2.1
L’ INDEXATION MANUELLE
L’indexation manuelle est effectuée par des experts qui ont pour tâche d’analyser les
documents, comprendre et identifier leurs contenus afin de construire une bonne
représentation. Cette indexation permet d’obtenir une caractérisation assez performante mais
subjective car elle dépend des compétences de l’indexeur en termes de connaissances et
d’esprit analytique. En effet, même quand l’indexation s’appui sur un langage contrôlé, la
représentation d’un même document (l’index généré) peut être différente selon l’interprétation
personnelle des indexeurs ou encore à des moments différents pour le même indexeur (Le
Loarer, 1994). Bien que les indexeurs suivent tous les mêmes procédures et les règles
éditoriales propres à la collection documentaire pour analyser les documents, leurs critères
d'appréciation de ce qui constitue une bonne indexation (la décision de conserver ou de rejeter
un descripteur) semblent varier (David et al., 1995).
Par ailleurs, l’indexation manuelle est très coûteuse en temps. Comme exemple, la NLM
dispose d’une moyenne de 120 indexeurs pour 712.675 articles indexés pour MEDLINE et
l’équipe CISMeF de 4 indexeurs pour 39.874 ressources indexées manuellement.
24
25
United States National Library of Medicine. URL : http://www.nlm.nih.gov/
Se référer au Chapitre 3, Section 3.1.2.3 pour la définition du thésaurus MeSH
23
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Ainsi, face à des bases de données de grande taille, l’indexation manuelle peut être une
entrave au bon fonctionnement du processus d’indexation ce qui peut diminuer les
performances des SRI.
2.3.2.2
L’ INDEXATION AUTOMATIQUE
L’indexation automatique, processus entièrement informatisé, regroupe un ensemble de
traitements automatisés sur un document ce qui le rend avantageux, par rapport à l’indexation
manuelle, en terme de régularité de l’index. En effet, pour le même document, nous avons
toujours la même représentation. Ceci peut être aussi un inconvénient du fait qu’il n’y aurait
pas une adaptation aux nouveaux éventuels vocabulaires appliqués. Néanmoins, face à des
bases de données de très grande taille, l’indexation automatique se révèle la seule possible
pour le bon fonctionnement des SRI.
L'indexation automatique repose sur des algorithmes associant automatiquement des
descripteurs à des parties de document. Chaque mot est, potentiellement, un index du
paragraphe qui le contient.
L'indexation automatique tend donc plutôt à rechercher les mots qui correspondent au mieux
au contenu informationnel d'un document. On admet, généralement, qu'un mot qui apparaît
souvent dans un texte représente un concept important. Ainsi, la première étape consiste à
déterminer les mots représentatifs par leur fréquence. Cependant, on s'aperçoit que les mots
les plus fréquents sont des mots fonctionnels (mots vides) tels que de, un, les... Ainsi, après
l’élimination de ces mots vides, un traitement est ensuite, couramment, appliqué lors de
l'indexation pour effacer les terminaisons des mots (flexions de nombre, genre, conjugaison,
déclinaison) et retrouver leurs racines. Il s’agit soit de la désuffixation soit de la
lemmatisation. Ce procédé permet de relever les fréquences en cumulant les nombres
d'occurrence des variations des mêmes mots.
Les techniques de désuffixation permettent de supprimer pour une bonne part les variations
morphologiques. Elles visent à supprimer les suffixes qui sont souvent utilisés pour créer des
dérivées d’un terme ce qui permet de trouver les racines lexicales. Une comparaison entre
différents algorithmes développés pour cet effet a été menée dans (Hull, 1996). Pour chaque
langue, des règles différentes peuvent être appliquées, d’où la nécessité d’une adaptation
algorithmique : par exemple l’algorithme le plus connu pour la langue anglaise est celui de
(Porter, 1980). Pour la version française, nous citons celui de Carry (Paternostre et al. 2002)
ou celui de Lucene (Hatcher et al., 2004). Le dictionnaire formé suite à cette phase d’analyse
sera donc composé de radicaux.
La lemmatisation consiste chercher le « lemme » des mots. En somme, nous débarrassons les
mots de leur genre, leur nombre, leur personne (toi, moi, etc.), leur mode (impératif, indicatif,
etc.). Nous transformons, donc, tous les verbes à l’infinitif et les mots au masculin singulier.
Pour y arriver, il faut déterminer le mode, le genre, etc., des mots et trouver les verbes et les
autres catégories de mots ; ce qui exige une connaissance de la grammaire. Un algorithme
efficace, nommé TreeTagger (Schmid, 1994), a été développé pour les langues anglaise,
française, allemande et italienne.
24
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Dans le même cadre de travail, le projet UMLF (Unified Medical Lexicon for French)
(Zweigenbaum et al., 2003) a vu le jour pour effectuer la collecte, la synthèse, la complétion
et la validation de ressources lexicales pour le français médical. Par une approche
monolingue, il vise à produire un lexique contenant les variantes flexionnelles et
dérivationnelles des mots du domaine. Ces informations doivent être encodées dans un format
informatique standard afin de favoriser leur intégration dans des systèmes de traitement
automatique de la langue médicale. Ce besoin est survenu pour pallier le manque du lexique
médical informatisé français.
La désuffixation repose sur des contraintes linguistiques bien moins fortes du fait qu’elle se
base sur la morphologie flexionnelle (par exemple les formes conjuguées d’un verbe avec son
infinitif) et dérivationnelle (par exemple un adjectif avec le substantif associé lent/lenteur)
(De Loupy, 2001). De ce fait, les algorithmes sont beaucoup plus simplistes et rapides que
ceux permettant la lemmatisation qui est beaucoup plus complexe. Il n’est pas certain que la
lemmatisation soit toujours requise : la désuffixation, bien que moins efficace, peut suffire.
Par ailleurs, des formules de pondération sont appliquées pour affecter, généralement, un
poids élevé aux termes non-distribués uniformément au sein du corpus. Il existe plusieurs
formules de pondération dont le but est de distribuer le poids pour contribuer à la
différentiation informationnelle des documents. Certaines formules de pondération
harmonisent les poids en fonction de la longueur des documents où la fréquence des termes
est, globalement, plus élevée. D'autres formules s'appuient sur la fréquence maximale des
termes afin de concilier l'aspect multi-thématique d'un document avec des documents monothématiques. Les formules de pondération les plus connues sont TF-IDF (Term Frequency.
Inverse Document Frequency) (Salton et al., 1983).
Les principales limites de l'indexation automatique est que, les algorithmes exploitent
l'information contenue dans les documents alors que l'interprétation doit se guider depuis
l'information contextuelles accessible hors des documents.
Se comparant à l’indexation manuelle, on obtient de manière automatique des descripteurs qui
reflètent le contenu physique des documents. En effet, l'indexation manuelle permet d'obtenir
des concepts interprétant le document dans son contexte.
2.3.2.3
L’ INDEXATION SUPERVISEE
L’indexation supervisée tient compte de l’indexation automatique réalisée d’une manière
informatisée et est vérifiée, par la suite, par les indexeurs (documentalistes ou spécialistes du
domaine d’application) afin de valider la représentation proposée. Cette méthode d’indexation
doit être considérée comme un compromis entre l’indexation manuelle et l’indexation
automatique.
Plusieurs études et évaluations ont été faites comparant l’indexation manuelle et l’indexation
automatique, mettant en relief les avantages et les limites de l’une par rapport à l’autre. Basés
sur la collection INSPEC26 (de 12.684 documents, 84 requêtes) Rajashekar et Croft
26
INSPEC (Information Service for Physics, Electronics, and Computing) a été lancée en 1969 par
l’IEE (Institution of Electrical Engineers) à partir de la collection Science Abstracts. En 2006, elle
25
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
(Rajashekar et al., 1995) jugent que l’indexation automatique présente une performance
moyenne supérieure à l’indexation manuelle. La comparaison était réalisée sur le titre et le
résumé des documents.
Dans la même perspective, Savoy (Savoy, 2005) compare la performance de l’indexation
automatique (sur la base du titre et du résumé d’articles scientifiques) et manuelle, dont les
termes appartiennent à un vocabulaire contrôlé. En se basant sur un corpus relativement
important de notices bibliographiques27 (148.688 documents et 25 requêtes) et des requêtes
courtes (en moyenne 3,7 termes par requête) ou de longueur moyenne (15,6 termes), l’auteur
juge que l’indexation manuelle permet une meilleure précision moyenne par rapport à
l’indexation automatique
2.4 LES MODELES DE RECHERCHE D’INFORMATION
Un modèle de recherche d’information a pour rôle de fournir une formalisation du processus
de recherche d’information.
Dans la littérature, nous trouvons plusieurs modèles décrits permettant, entre autres, une
recherche d’information dite « classique » (Baeza-Yates et al., 1999). Parmi ces modèles,
nous trouvons le modèle booléen, le modèle booléen étendu (Salton et al., 1983), le modèle
vectoriel (Salton et al., 1975), le modèle vectoriel étendu (Martinet et al., 2002), le modèle
logique (Van Rijsbergen, 1986) (Nie, 1990) et le modèle probabiliste (Van Rijsbergen, 1979).
2.4.1 LE MODELE BOOLEEN & LE MODELE BOOLEEN ETENDU
Le modèle booléen doit son nom à l’utilisation des opérateurs logiques de l’algèbre de Boole
« et » « ou » et « non » pour la représentation des documents et des requêtes. Un document
(ou une requête) est représenté par une conjonction de termes. La fonction de comparaison
retrouve les documents dont les index correspondent à la représentation logique de la requête.
Ainsi, nous aurons comme résultat un ensemble de documents qui correspondent à la requête
et un deuxième ensemble de documents qui ne correspondent pas à la requête. Ce modèle
booléen est reconnu pour sa force pour faire une recherche très restrictive et obtenir, pour un
utilisateur expérimenté, une information exacte et spécifique.
Les inconvénients de ce modèle se résument dans le fait que les documents pertinents dont la
représentation ne correspond qu’approximativement à la requête ne sont pas sélectionnés. En
plus, tous les termes d’indexation ont la même importance et, par conséquent, ce modèle est
incapable de trier les documents résultats selon leur degré de pertinence.
propose des références bibliographiques issues de 3 850 journaux scientifiques et techniques et
d’environ 2 200 actes de conférence, plus des livres, rapports et thèses du domaine de la physique, de
l’électronique et du génie électrique, du génie informatique et de la télématique, des technologies de
l’information.
27 Le corpus utilisé fait partie de l’évaluation CLEF 2002 qui se compose de 148.688 références
bibliographiques rédigés en français et appartenant aux collections FRANÇAIS (pour les sciences
sociales et humaines) et PASCAL (pour les sciences naturelles, la technologie et la médecine) de
l’INIST (INstitut de l’Information Scientifique et Technique).
26
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Pour remédier à ces inconvénients, le modèle booléen étendu (Salton et al., 1983) a été
proposé. Il tient compte de l’importance des termes dans la représentation des documents et
dans la requête, et ce, en affectant des poids aux termes d’indexation. Ainsi, ce modèle permet
un ordonnancement des documents par rapport à la valeur de correspondance avec la requête.
2.4.2 LE MODELE VECTORIEL & LE MODELE VECTORIEL ETENDU
Le modèle vectoriel représente un document (ou une requête) par un vecteur dans un espace à
n dimensions, n étant le nombre de termes du langage d’indexation. Les coordonnées des
vecteurs sont les poids indiquant l’importance du descripteur par rapport au document.
La fonction de comparaison évalue la correspondance entre les deux vecteurs (du document et
de la requête) et cherche à retrouver les vecteurs des documents qui s’approchent le plus du
vecteur requête. Ainsi, les documents sont triés et classés selon une mesure de similarité.
Ce modèle est l’un des modèles de RI classique les plus influents, les plus étudiés et les mieux
adaptés. Le système SMART (Salton, 1971) est un des premiers systèmes de recherche
d’information basé sur ce modèle.
Figure 2.4.2. Le modèle vectoriel
Chaque document est représenté par un vecteur : Dj = (dt1j, dt2j, dt3j, …, dtnj),
Chaque requête est représentée par un vecteur : Q = (qt1, qt2, qt3, …, qtn),
Avec : dtij : poids du terme ti dans le document Dj,
qti : poids du terme ti dans la requête Q.
Les coordonnées des vecteurs dtij sont calculées à partir de la fréquence des termes dans les
documents par la formule tf-idf.
tf : la fréquence du terme dans le document.
Idf : l’importance du terme dans tout le corpus de documents, qui est la fonction inverse du
nombre de documents indexés par ce terme.
Ainsi,
dtij = tfti* idfti avec tf= fréquence du ti dans dj
et idf =
1
nb de documents index és par ti
27
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Un terme d’indexation avec une forte pondération est un terme fréquent dans un document et
absent des autres documents. Cette pondération amplifie considérablement l’importance des
termes étrangers, des noms propres. Comme l’indexation est complètement automatisée, les
termes rares qui risquent d’être peu utilisés pour la recherche d’information sont privilégiés.
Dans son approche, Salton (Salton et al., 1975) fait l’hypothèse que les mots sont
indépendants les uns des autres. La fonction de comparaison se base sur le cosinus de l’angle
formé entre les deux vecteurs : plus l’angle est petit, plus les vecteurs sont similaires.
Ainsi, la fonction de similarité entre un document et la requête s’écrit sous cette forme :
𝑆𝑖𝑚 𝐷𝑗 , 𝑄 =
𝑛
𝑖=1 𝑞𝑡𝑖 𝑑𝑖𝑗
𝑛
2
𝑖=1 𝑞𝑡𝑖
2
𝑛
𝑖=1 𝑑𝑖𝑗
Dans la même perspective, les travaux de Martinet (Martinet et al., 2002) se sont basés sur
une extension du modèle vectoriel concernant la nature des termes d’indexation, la
représentation multi-vectorielle des documents ainsi que la fonction de correspondance
adaptée à cette représentation. Ils ont appliqué leurs travaux aux documents images et ont
implanté le modèle vectoriel étendu à l’aide de SMART (Salton, 1971). La mise en œuvre du
modèle a été faite sur une base d’images décrites par des concepts et de relations.
2.4.3 LE MODELE PROBABILISTE
Le modèle de recherche probabiliste utilise un modèle mathématique fondé sur la théorie de la
probabilité (Robertson et al., 1976) (Salton et al., 1983) (Maron et al., 1960) (Robertson,
1997). Le principe de base consiste à présenter le résultat dans un ordre fondé sur la
probabilité de pertinence d’un document par rapport à la requête.
Étant donné une requête utilisateur Q et un document D, la question qui se pose est : « Pour
chaque document D et chaque requête Q, quelle est la probabilité que ce document soit
pertinent pour cette requête ? »
Deux possibilités se présente R : D est pertinent pour Q
R : D est non pertinent pour Q
(Boughanem et al., 2008) mettent en relief ce modèle probabiliste et explicitent les hypothèses
et les différents postulats à tenir en compte pour pouvoir estimer le degré de pertinence des
documents par rapport à la requête de l’utilisateur. En effet, le modèle probabiliste tente
d’estimer la probabilité que le document D appartienne à la classe des documents pertinents
(non pertinents). Un document est alors sélectionné si la probabilité qu’il soit pertinent pour
Q, notée P(R/D), est supérieure à la probabilité qu’il soit non pertinent pour Q, notée P (R/Q).
Le score d’appariement entre le document D et la requête Q, noté RSV (Q, D) (Robertson et
al., 1994) est donné par :
RSV (Q, D)=
𝑃(𝑅/𝐷)
𝑃(𝑅 /𝐷)
28
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Si l’on applique la formule de Bayes, nous avons :
P (R/D) =
𝑃 𝐷/𝑅 𝑃(𝑅)
et P (𝑅 /D)=
𝑃(𝐷)
𝑃 𝐷/𝑅 𝑃(𝑅)
𝑃(𝐷)
En supposant que les documents aient tous la même probabilité d’être sélectionnés et que la
sélection d’un document soit indépendante d’un autre, le terme P(D) peut être supprimé. Nous
obtenons alors :
RSV (Q, D) =
Le terme
𝑃(𝑅)
𝑃(𝑅 )
𝑃(𝐷/𝑅)𝑃(𝑅)
𝑃(𝐷/𝑅 )𝑃(𝑅 )
est le même pour tous les documents de la collection, un classement de
document avec RSV (Q, D) revient donc au classement suivant :
RSV (Q, D) =
𝑃(𝐷/𝑅)
𝑃(𝐷/𝑅 )
Plusieurs méthodes ont été utilisées pour estimer les différentes variables utilisées par les
modèles probabilistes. nous pouvons trouver le modèle d’indépendance binaire qui considère
que la variable document d(t1=x1, t2=x2, …,tn=xn) est représenté par un ensemble
d’événements qui dénotent la présence (xi=1) ou l’absence (xi=0) d’un terme dans un
document. Les probabilités de pertinence (non pertinence) d’un document, notées P (D/R)
(resp. P (D/R)) sont données par :
P (D/R) =
𝑖 𝑃(𝑡𝑖 = 𝑥𝑖 /𝑅)
P (D/𝑅 ) =
𝑖 𝑃(𝑡𝑖 = 𝑥𝑖 /𝑅 )
ti est le ième terme utilisé pour décrire le document D et xi est sa valeur 0 si le terme est absent,
1 si le terme est présent dans un document. La distribution des termes suit une loi de Bernoulli
P (D/R) et peut s’écrire comme suit:
P (D/R) =
𝑛
𝑖=1 𝑃(𝑡𝑖
= 𝑥𝑖 /𝑅) =
𝑛
𝑖=1 𝑃
𝑡𝑖 = 1/𝑅
𝑥𝑖
∗ 𝑃(𝑡𝑖 = 0/𝑅)1−𝑥 𝑖
Nous réalisons le même développement pour P (D/𝑅 ). Notons P (ti=1/R) par pi et P(ti=1/𝑅 )
par qi, RSV peut s’écrire, après transformation, comme suit :
𝑥
RSV (Q, D) =
(1−𝑥 𝑖 )
𝑖
𝑛 𝑝 𝑖 (1−𝑝 𝑖 )
𝑥
𝑖=1 𝑞 𝑖 (1−𝑞 )(1−𝑥 𝑖 )
𝑖
𝑖
En se ramenant à la fonction log et après un petit développement, la fonction RSV s’écrit
alors :
RSV (Q, D)=
𝑝 𝑖 (1−𝑞 𝑖 )
𝑖:𝑥 𝑖 =1 𝑙𝑜𝑔 𝑞 (1−𝑝 )
𝑖
𝑖
29
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Différents postulats pour l’estimation de pi et qi produisent différentes fonctions
d’ordonnancement des documents. Par exemple Croft (Croft et al., 1979) considère que pi est
𝑝
la même pour tous les termes de la requête et 1−𝑝𝑖 est constante et peut être ignorée lors du
𝑖
classement. En plus, il considère que la plupart des documents de la collection sont non
𝑛
pertinents et estime par conséquent qi égale 𝑛𝑖 avec n est la taille de la collection et ni est le
nombre des documents qui contiennent le terme i, ce qui nous amène à :
RSV (Q, D) =
𝑖:𝑥 𝑖=1
𝑙𝑜𝑔
𝑛−𝑛 𝑖
𝑛𝑖
Un obstacle majeur avec les modèles de recherche d'information probabilistes est de trouver
des méthodes pour estimer les probabilités utilisées pour évaluer la pertinence qui soient
théoriquement fondées et efficaces au calcul (Crestani et al., 1998). Pour des raisons de
simplicité, l'hypothèse de l'indépendance des termes est utilisée en pratique pour implémenter
ces modèles.
2.4.4 LE MODELE LOGIQUE
(Van Rijsbergen, 1986) modélise la pertinence d’un document répondant à une requête par
une implication logique. Soit x(d) l’information contenue dans le document d et x(q) le besoin
informationnel de l’utilisateur formulé par la requête q. L’expression de l’information est faite
grâce aux formules logiques. Ainsi, le système cherche à évaluer l’ajout minimal
d’information nécessaire pour obtenir l’implication x(d)  x(q), permettant de classer les
documents résultats.
De nombreux modèles logiques ont été proposés depuis. Chevallet (Chevallet, 2004) propose
un certain nombre d’hypothèses pour modéliser la pertinence avec la logique. La première
hypothèse est que le processus de RI est formalisable. Les documents et les requêtes peuvent
être formalisés et la formalisation d’un document est une opération bijective. Nous supposons
qu’il existe un mécanisme de correspondance qui calcule l’ensemble des documents qui sont
pertinents pour une requête.
Par ailleurs, nous supposons qu’il existe une relation de pertinence entre un document et une
requête s’il existe une chaîne de déductions logiques incertaines commençant par le document
pour aboutir à la requête. Le calcul de pertinence se résume alors à prouver que dq, 
représente un lien logique incertain de pertinence entre le document d et la requête q.
La modélisation la plus simple consiste à utiliser la logique des propositions. Si l’on considère
que l’ensemble des termes d’indexation (et que l’ensemble des termes atomiques de la
logique) est {t1,..., tn} et que le document d est indexé par {t1, ...ti} alors nous pouvons
représenter d par la formule suivante: t1 ...ti ti+1 ...tn (d est une interprétation logique
des termes atomiques). d est pertinent pour q si et seulement si |=dq ; avec  l’implication
logique classique.
Le problème de la logique classique est qu’elle n’offre aucune souplesse (un terme est présent
ou non dans un document) et, dès que l’on a moins d’information sur le document, le système
30
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
de RI ne peut plus répondre à des requêtes précises. D’autres modélisations logiques ont été
proposées. Par exemple, nous pouvons utiliser une logique modale. Les documents sont alors
représentés par des mondes et les requêtes sont des formules qui peuvent être vérifiées dans
les mondes. Il existe une relation d’accessibilité entre les mondes. Cette dernière peut par
exemple représenter le fait que deux documents (deux mondes) sont accessibles s’ils
contiennent des termes synonymes ou s’il existe un hypertexte pour passer d’un document à
l’autre. Nous avons alors d pertinent pour q si et seulement si d |= q (: possibilité).
Nous pouvons rajouter une couche de probabilité à ce modèle modal. Cela ajoute une notion
d’incertitude sur la pertinence : par exemple, nous pouvons passer d’un monde à un autre avec
une certaine probabilité. Dans (Crestani et al., 2001), différents modèles logiques incertains
sont décrits.
2.4.5 AUTRES MODELES DE RECHERCHE D’INFORMATION
 Le modèle Latent Semantic Indexing (LSI)
Latent Semantic Indexing (LSI) est une technique mathématique/statistique pour extraire et
représenter le sens entre les termes. Comparativement au modèle vectoriel, la technique LSI
réduit la dimension de l'espace de représentation aux seuls vecteurs de représentation de
l'information sémantique, et ce, en réduisant l'effet de variation d'utilisation des termes. Dans
ce modèle, les documents sont représentés dans un espace de dimension réduit issu de l'espace
initial des termes d'indexation (Deerwester et al., 1990). Les documents partageant des termes
co-occurrents ont des représentations proches dans l'espace de représentation. Ceci permet de
sélectionner des documents pertinents même s'ils ne contiennent aucun terme de la requête.
Ainsi, le LSI est défini comme étant une technique qui tend à implanter partiellement la
recherche sémantique ou orientée concepts (Dumais, 1995) (Bradford, 2006).
L'avantage de la méthode est qu'elle arrive à une représentation pseudo-conceptuelle des
documents de la base, permettant de retrouver des documents même s'ils ne contiennent pas
les mots des requêtes.
Son inconvénient est qu'elle est sensible à la quantité et à la qualité des données traitées. Si
par exemple, le nombre de documents est faible, alors le calcul d’une approximation de la
taille de la collection pourrait aboutir à des faux résultats.
 Le modèle connexionniste
Le premier modèle connexionniste pour la RI a été présenté en 1989. Il constitue un support
formel opportun pour la modélisation de l'apprentissage dans un système de recherche
d'information. Ce type de modèle se base sur le formalisme des réseaux de neurones (Kwork,
1989) (Boughanem, 1992) (Mothe, 1994) (Laskri et al., 2002). Les réseaux de neurones
supportent de nombreux modèles dont l'objectif est d'imiter les fonctions de représentation et
traitement de l'information du système nerveux humain. Un réseau de neurones est composé
de nœuds et de liens. A chaque nœud sont associées des entrées et des sorties pondérées. A
chaque lien est associé un poids traduisant le degré d'interconnexion des nœuds qu'il relie. Le
31
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
fonctionnement du réseau est basé sur la propagation des signaux d'activation depuis les
entrées jusqu'aux sorties.
Le fonctionnement du réseau se fait par propagation de signaux de la couche d'entrée vers la
couche de sortie. Chaque neurone de la couche d'entrée calcule une valeur de sortie et la
transmet aux neurones de la couche suivante. Chaque neurone intermédiaire calcule à son tour
une valeur d'entrée, une valeur de sortie et la transmet à la couche suivante… Ce processus se
reproduit jusqu'à la couche de sortie. Les valeurs dans la couche de sortie servent de critères
de décision (pertinence de documents, expansion de requêtes) (Boughanem et al., 1992)
(Mothe, 1994) (Crestani, 1995).
L'une des propriétés fondamentales d'un réseau de neurones est la dynamique de ses états.
Celle-ci traduit l'apprentissage du réseau par changement de son comportement grâce à
l'évolution des poids de ses connexions en cours du temps.
Les systèmes de RI basés sur l'approche connexionniste utilisent les fondements des réseaux
de neurones tant pour la modélisation des unités textuelles que pour la mise en œuvre du
processus de recherche d'informations. Le modèle offre en effet des atouts intéressants pour la
représentation des relations entre termes (synonymie, voisinage...) entre documents
(similitude, référence...) et entre termes et documents (fréquence, poids...). En outre, sa
propriété intrinsèque d'apprentissage permet de supporter de manière inhérente à son
fonctionnement, le processus de reformulation de requête et/ou réinjection de pertinence
utilisateur.
Il n'existe pas une représentation unique d'un réseau de neurones pour la RI. Cependant,
l'architecture la plus répandue est celle fondée sur l'interconnexion de couches représentant les
éléments d'un système de recherche d'informations (Boughanem et al., 2004).
 Le modèle RI basé-concepts
Un Système de Recherche d'Information basé-concepts se caractérise par la notion d'espace
conceptuel dans lequel les documents et les requêtes sont représentés, par opposition à
l'espace mots simples qu'on trouve dans les modèles classiques (Baeza-Yates et al., 1999).
Depuis la fin des années 1990, les ontologies offrent cet espace conceptuel sur lequel ces
systèmes s'appuient. Ceci permet de saisir une partie de la sémantique présente dans les
documents et les requêtes. Cette sémantique vient de l'utilisation des représentants des
concepts (termes) de l'ontologie comme vocabulaire de référence qui englobe aussi bien le
vocabulaire de l'utilisateur que celui de l'auteur du document. Ceci permet, à l'utilisateur qui
exprime un besoin en information et à l'auteur du document, de "parler le même langage".
Les travaux de (Vallet et al., 2005) se basent sur une recherche d’information basé-concepts
en utilisant une indexation appuyée sur les techniques d’annotation pondérée. Leur approche
peut être considérée comme une évolution du modèle vectoriel classique dans la mesure où
les indices basés sur des mots clefs sont remplacés par une base de connaissance fondée sur
une ontologie. L’annotation semi-automatique des documents et la procédure de pondération
sont équivalentes au processus d’indexation et d’extraction des mots clefs du document.
32
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Dans (Baziz, 2005), le travail s’est focalisé sur l'utilisation (restreinte/partielle ou
avancée/étendue) des ontologies pour une représentation conceptuelle de l'information en RI.
Dans le premier cas, les ontologies sont utilisées en amont d'un moteur de recherche et servent
de ressource sémantique externe pour améliorer la formulation du besoin en information avant
de le soumettre au SRI. Cette méthode peut s'avérer efficace, notamment lorsqu'il s'agit
d'information traitant d'un domaine spécifique (médical par exemple), dans la mesure où elle
permet à l'utilisateur d'exprimer son besoin dans le langage de l'ontologie. Un module de
modification de la requête se charge de la reformulation ou de l'expansion de celle-ci avec des
termes liés sémantiquement aux concepts de l'ontologie, puis de la retranscrire dans le langage
d'indexation du SRI.
Dans le deuxième cas, l'ontologie peut être utilisée de façon plus poussée. Elle sert dans ce
cas, d'espace de représentation conceptuelle dans lequel les documents et les requêtes sont
exprimés par rapport à un référentiel commun : l'information est représentée non pas par
rapport aux mots qu'ils contiennent mais par rapport aux concepts de l'ontologie auxquels ils
renvoient. Dans la même perspective, Safran (Safran, 2005) propose une approche orientée
utilisateur pour améliorer le processus de transfert des connaissances. Cette approche permet
d’assister l’utilisateur dans le processus de conceptualisation en lui fournissant des requêtes
personnalisées et contextualisées lors de la recherche. Ces requêtes sont établies à un niveau
basé-concepts afin de satisfaire le besoin en information de l’utilisateur concernant les
concepts de la base de connaissances.
La section 2.4 décrit une liste non exhaustive des modèles de recherche d’information. A titre
d’exemple, nous pouvons citer les modèles cognitifs (Tricot, 2006), le modèle basé sur les
réseaux possibilistes (Brini, 2005)…
Pour les modèles de recherche d’information, nous ne pouvons pas dire qu’un modèle est
meilleur qu’un autre. Le choix du modèle à utiliser pour un système de recherche
d’information dépend des objectifs et des paramètres utilisés lors de sa conception.
Le tableau qui suit représente un exemple de comparaison entre deux modèles de base de la
RI et met en relief le fait qu’un avantage d’un modèle peut être un inconvénient de l’autre et
vice versa.
Modèles de recherche
Modèle vectoriel
Avantages
Inconvénients

Le langage de requête 
Le modèle considère
est plus simple (liste de mots que tous les termes sont
clés).
indépendants (inconvénient
théorique)

Les performances sont
meilleures
grâce
à
la 
Le
langage
de
pondération des termes.
requête est moins expressif

Les documents restitués
sont triés et classés par
pertinence.
33
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Modèle booléen

Le
modèle
est 
Il
est
difficile
transparent
et
simple
à d'exprimer des requêtes
comprendre pour l'utilisateur.
longues
sous
forme
booléenne.

Raison de sélection d'un
document claire : il répond à 
Le critère binaire
une formule logique.
peu efficace : il est admis
que la pondération des

Adapté
pour
les
termes
améliore
les
spécialistes et les vocabulaires
résultats.
contraints

Le
résultat
est
binaire (les documents
contiennent
les
termes
demandés ou ne les
contiennent pas). Pas de
classement.
2.5 EVALUATION DES SYSTEMES DE RECHERCHE D’INFORMATION
L’évaluation consiste à mesurer la différence entre un résultat obtenu et un résultat attendu.
La performance des systèmes de recherche d’information peut être évaluée à partir de la
pertinence des documents renvoyés. En effet, les SRI ont pour but de retrouver les documents
pertinents et d’éliminer ceux non pertinents.
La notion de pertinence peut être définie selon deux points de vue : pertinence objective et
pertinence subjective. Dans le premier cas, la pertinence est mesurée par rapport au résultat de
la recherche alors que dans le second cas, un document peut être jugé pertinent pour une
requête à un instant t et pour un utilisateur donné.
Ayant une base documentaire et suite à une requête posée par l’utilisateur, nous pouvons
classer, d’une façon générale, le résultat de la recherche d’information comme suit :
Documents
sélectionnés
Documents non
sélectionnés
Documents pertinents
Documents non
pertinents
Documents trouvés en
contexte
Documents trouvés
hors contexte : bruit
(a)
(b)
Documents oubliés :
Silence
Documents non
pertinents non trouvés
(c)
(d)
Total documents
pertinents dans la base
Total documents non
pertinents dans la base
Total
a+b
c+d
a+b+c+d=N
34
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
documentaire
documentaire
a+c
b+d
Deux métriques prédominent dans la littérature pour évaluer les SRI :
 la précision du résultat correspond au pourcentage de documents pertinents, trouvés
en contexte par rapport aux documents sélectionnés par le système.
précision =
Documents trouv és en contexte
Documents sélection nés
=
a
a+b
La précision est la capacité d’un système à ne sélectionner que des documents pertinents.
D’un point de vue opposé, nous pouvons définir la notion du « bruit » qui représente le
pourcentage de termes non pertinents extraits par le système (faux positif):
bruit = 1-précision
 le rappel désigne le pourcentage de documents pertinents renvoyés par le système par
rapport au nombre total de documents pertinents qui se trouvent dans la base
documentaire.
rappel =
Documents trouv és en contexte
Total documents pertinents
=
a
a+c
Le rappel est la capacité du système à sélectionner tous les documents pertinents de la
collection.
D’un point de vue opposé, nous pouvons définir la notion du « silence » qui représente le
pourcentage de termes pertinents n'ayant pas été extraits (faux négatifs).
silence = 1- rappel
Un système de recherche d’information est jugé performant s’il réussit à trouver l’équilibre, le
juste milieu, entre ces deux critères de mesure (précision-rappel).
Autres mesures (Nakache et al., 2005) peuvent être calculées à partir du tableau de
contingence présenté ci-dessus tels que:
pertinence =
a+d
N
;
erreur =
b+c
N
;
d
spécificité = b+d ….
 La F-mesure
À partir de ces mesures, plusieurs indicateurs de synthèse ont été créés, le plus célèbre est la
F-mesure qui est la moyenne pondérée de la précision et du rappel (Van Rijsbergen, 1979).
35
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
F − mesure =
2 ∗ précision ∗ rappel
précision + rappel
Ceci est connu comme mesure F1, car précision et rappel sont pondérés de façon égale. Il
s'agit d'un cas particulier de la mesure générale Fβ (pour des valeurs réelles positives de β):
Fβ − mesure =
(1 + β2 ) ∗ précision ∗ rappel
β2 ∗ précision + rappel
Si par exemple β=2, cela veut dire que la F-mesure donne un poids deux fois plus important
au rappel qu’à la précision. Ceci correspond au fait que l’utilisateur tolère la présence de
quelques termes inappropriés tant qu’il dispose de plusieurs autres termes pertinents (Gay et
al., 2005).
 La précision et le rappel à n documents
Pour étudier la qualité de l’ordonnancement du résultat de la recherche d’information, il est
intéressant de calculer précision Pn ou le rappel Rn du sous-ensemble des documents des n
premiers. Ces deux mesures reflètent, ainsi, la similarité de chaque document avec la requête.
Elles se notent respectivement P@n et R@n.
Ainsi, il est utile d’examiner la précision à 10 documents restitués si l’on s’intéresse à la
capacité du système de restituer des documents pertinents en tête de liste. La précision à 5, 10,
15, 20, 30, … documents restitués présente néanmoins des limites : par exemple, si pour une
requête donnée, nous avons seulement 8 documents pertinents, et que le SRI restitue bien ces
8 documents en tête de liste, le SRI aura une précision à 10 documents restitués égale à 0,8, ce
qui n’illustre pas que tous les documents pertinents disponibles ont été trouvés. De plus, dans
cet exemple, une précision à 10 documents égale à 0,8 ne permet pas de déterminer où se
situent les deux documents non pertinents parmi les dix restitués. Pour pallier ce défaut, nous
pouvons avoir recours à la R-précision
 La précision exacte ou R-précision
La précision exacte représente celle obtenue à l’endroit où elle vaut le rappel. Si la requête
admet n documents pertinents, la R-précision est celle calculée pour les n premiers documents
de la liste ordonnée des documents restituée, où n est égal au nombre total de documents
pertinents de la requête (Boughanem, 2008). Cette mesure est plus réaliste pour l’étude de
l’ordonnancement en tête de liste. Cependant, pour l’avoir, il est nécessaire de connaître au
préalable le nombre de documents pertinents disponibles dans le corpus pour une requête
donnée.
 La précision moyenne
La précision moyenne est une mesure de performance globale, c’est la moyenne des valeurs
de précision à chaque document pertinent de la liste ordonnée.
La précision moyenne MAP (Median Average Precision) se calcule comme suit :
36
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
MAP =
1
n
N
i=1
P@i ∗ R(i)
Avec : R(i) = 1 si le ième document restitué est pertinent ;
R(i) = 0 si le ième document restitué est non pertinent ;
P@i : la précision à i documents restitués ;
n ; le nombre de documents pertinents restitués ;
N ; le nombre total de documents retournés.
 La courbe de rappel-précision
La précision mesurée indépendamment du rappel et inversement est peu significative. Pour
pouvoir examiner les résultats efficacement, nous calculons la paire précision-rappel à chaque
document restitué.
Figure 2.5. courbe précision-rappel pour la requête 157 du corpus Cranfield28 avec la
méthode SimRank
Nous observons généralement que la croissance du rappel entraîne la diminution de la
précision.
 Les campagnes et collections de test
Un des objectifs des campagnes d’évaluation est d’évaluer et de mesurer l’efficacité des
systèmes de recherche d’information, développer la communication entre l’industrie,
l’université et l’état en mettant en place un forum ouvert pour faciliter les échanges d’idées
sur la recherche…
28
Cranfield University. URL: https://dspace.lib.cranfield.ac.uk/community-list
37
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
Parmi les projets les plus ambitieux pour cet effet, nous pouvons citer les campagnes
d’évaluation de CLEF (Cross Language Evaluation Forum)29 qui ont pour objectif de
promouvoir la recherche et le développement dans le domaine de la recherche d’information
multilingue, d’une part en offrant une infrastructure pour tester et évaluer les systèmes de
recherche d’information sur des supports écrits dans les différentes langues européennes, en
mode monolingue, multilingue ou inter langue, et d’autre part en mettant au point des séries
de tests composés de données qui peuvent être réutilisées par les développeurs de systèmes,
pour l’évaluation.
Dans le cadre de ces campagnes CLEF et depuis 2004, ImageCLEFmed (une tâche de
recherche médicale de CLEF) (Müller et al., 2007) a vu le jour permettant l’évaluation de la
performance des systèmes de recherche d’information médicale, fondés sur des collections
d’images décrites en mono ou multilingues. La collection CLEFMedical (Müller et al., 2007),
composée de comptes-rendus médicaux multilingues associés à des images. Ces comptesrendus peuvent être rédigés en anglais, en français ou en allemand.
Le corpus utilisé en 2005 et 2006 comporte 50.412 documents, et celui utilisé en 2007
comporte 55.485 documents. Sur ces trois années, 85 requêtes, avec jugements de pertinence
faits au niveau des images, sont disponibles (chaque année comporte respectivement 25, 30 et
30 requêtes).
La campagne TREC (Text REtrieval Conference)30 est une série d’évaluations annuelles des
méthodes et des outils pour la recherche d’information qui propose un cadre expérimental
pour évaluer différentes applications. Pour chaque session de TREC, un ensemble de
documents et de requêtes sont proposés aux participants. Ces derniers exploitent leurs propres
systèmes sur ces données. Ensuite, ils envoient au NIST31 une liste ordonnée de documents
afin d’être évaluée. À la fin, les participants disposent de la liste des documents pertinents
pour chaque requête ce qui leur permet d’évaluer la performance de leurs systèmes de
recherche d’information.
Cette liste des mesures d’évaluation ne constitue pas une liste exhaustive. En effet, nous
pouvons citer la courbe rappel-précision restreinte à un ensemble de requêtes. Par ailleurs, les
campagnes d’évaluation ne cessent de voir le jour pour juger de l’efficacité des systèmes et
ainsi faire évoluer leur performance, technologiquement mais également par rapport aux
attentes des utilisateurs.
CONCLUSION
Nous avons présenté dans ce chapitre les principales notions et concepts de la recherche
d’information ainsi que les principales étapes d’un processus de recherche d’information.
Nous avons rappelé ce qu’est l’indexation dans ces systèmes : une projection des documents
et des requêtes dans un espace de représentation. Par la suite nous avons mis en relief les
29
URL : http://www.clef-campaign.org/
URL: http://trec.nist.gov/
31
National Institute of Standards and Technology
30
38
Chapitre 2 : Etat de l’art : Introduction à la recherche d’information
principaux modèles de la recherche d’information existants dans la littérature. Et pour finir,
nous avons décrit les différentes mesures d’évaluation des systèmes de RI.
Dans le cinquième chapitre, nous présentons le modèle que nous avons utilisé pour la
recherche d’information dans le catalogue CISMeF. Notre modèle s’inspire largement du
modèle basé–concepts utilisant comme espace conceptuel les principales terminologies
médicales disponibles en français.
39
Chapitre 3 : Contribution à l’Univers multi-terminologique
CHAPITRE 3
LES TERMINOLOGIES MEDICALES
ET
LA
MISE
EN
L’UNIVERS
PLACE
DE
MULTI-
TERMINOLOGIQUE
Introduction .................................................................................................................................................................. 40
3.1 Ontologies, Classifications, Thésaurus, Terminologies, Dictionnaire, Nomenclature .......... 40
3.1.1
Définitions ............................................................................................................................................. 40
3.1.2
Terminologies médicales ................................................................................................................ 44
3.1.2.1 La classification Anatomique Thérapeutique et Chimique ................................... 44
3.1.2.2 Classifications et codes utilisés pour les médicaments .......................................... 47
3.1.2.3 Le Thésaurus MeSH : Medical Subject Headings ........................................................ 50
3.1.2.4 La terminologie CISMeF : une terminologie fondée sur le MeSH ....................... 53
3.1.2.5 Quelques exemples d’autres terminologies médicales ........................................... 56
3.2
Passage du monde mono-terminologique vers un univers multi-terminologique......... 61
Conclusion ..................................................................................................................................................................... 66
INTRODUCTION
Dans ce chapitre, nous définissons le vocabulaire utilisé en tant que terminologies médicales
en se focalisant sur celles qui ont été les plus utilisées dans notre travail. Dans la deuxième
partie du chapitre, nous mettons en relief le passage vers une structure fondée sur plusieurs
terminologies en mettant en avant le processus d’intégration, dans la structure de base de
CISMeF, de toutes ces terminologies selon un modèle générique.
3.1
ONTOLOGIES, CLASSIFICATIONS, THESAURUS, TERMINOLOGIES,
DICTIONNAIRE, NOMENCLATURE
3.1.1 DEFINITIONS
Les langages documentaires permettent de mettre au point l’organisation des connaissances et
de faciliter l’accès à l’information. Leur nécessité dépend de la croissance des volumes
d’information disponible et l’apparition de nouvelles modalités de communication de
40
Chapitre 3 : Contribution à l’Univers multi-terminologique
l’information. Bon nombre d’ouvrages consacrés aux langages documentaires qui font
autorité à l’heure actuelle ont été publiés quasi simultanément à la fin des années quatre-vingt.
Parmi lesquels, nous citons (Chaumier, 1988a), (Maniez, 1987), (Van Slype, 1987)…
Vocabulaire contrôlé : Un vocabulaire contrôlé est une liste établie de termes normalisés
(vocabulaire qui n'a pas l'ambiguïté du langage naturel) à utiliser dans l'indexation et la
recherche documentaire. Un vocabulaire contrôlé assure qu'un sujet sera décrit en utilisant le
même terme préférentiel chaque fois qu'il est indexé, facilitant la recherche d'information sur
un sujet spécifique. Lorsque cette liste de vocabulaire est organisée et régie par des relations
sémantiques, nous parlons de thésaurus.
Thésaurus : D’après (Rector, 1998) un thésaurus est un langage documentaire fondé sur une
structuration hiérarchisée, alphabétique au premier niveau puis thématique. Les termes
normalisés étant reliés à des termes plus précis.
Une autre définition a été relatée par Chaumier (Chaumier, 1988b) pour définir le thésaurus
comme étant un langage documentaire fondé sur une structuration hiérarchisée des termes. Ils
y sont organisés de manière conceptuelle et reliés entre eux par des relations sémantiques. Du
point de vue de sa structure, le thésaurus est un vocabulaire, contrôlé et dynamique, de termes
ayant entre eux des relations sémantiques et génériques et qui s’applique à un domaine
particulier de la connaissance.
Certains thésaurus (par exemple le thésaurus MeSH) sont utilisés dans des systèmes de
recherche d’information, ils permettent d’associer les mots de la requête de l’utilisateur avec
des termes connus pour avoir des sens voisins. Ils permettent, du fait de leur organisation
hiérarchique, de spécialiser les requêtes et de proposer des structures support pour la
navigation dans la base textuelle.
De nombreux thésaurus ont été construits par introspection et consultation d’experts du
domaine, soit sans aucune référence aux applications dans lesquelles le thésaurus sera utilisé.
En fait, historiquement comme l’écrit Lerat (Lerat, 1995), « un thésaurus est surtout un outil
linguistique pour l’indexation des documents dans lequel on peut puiser des mots pour
construire un index par exemple ». Il n’a pas vocation à représenter les connaissances
terminologiques du domaine telles qu’elles sont exprimées dans les textes.
De fait, le thésaurus ne propose pas une vue d’ensemble du domaine que délimitent les textes
d’un système d’information.
Dictionnaire : D’après le dictionnaire Larousse, un dictionnaire est un « Ouvrage didactique
constitué par un ensemble d'articles dont l'entrée constitue un mot, indépendants les uns des
autres et rangés dans un ordre déterminé, le plus souvent alphabétique ». Un Dictionnaire
médical contient des définitions, des termes médicaux et scientifiques, abréviations,
maladies… relatifs au domaine médical.
Classification : D’après le dictionnaire Larousse, la classification est l’« Action de distribuer
par classes, par catégories ».
41
Chapitre 3 : Contribution à l’Univers multi-terminologique
(Rector, 1998) suggère qu’une classification répartit systématiquement en classes, des termes
désignant des êtres, choses ou notions ayant des caractères communs afin d’en faciliter
l’étude.
Quant à (Runciman et al., 2009), il définit une classification comme étant un arrangement des
concepts (ayant ou exprimant un sens ou une signification) dans des classes (des groupes ou
des ensembles de choses similaires) et de leurs subdivisions liées pour exprimer les rapports
sémantiques entre eux (la manière dont ils sont associés les uns avec les autres selon leurs
significations). Chaque classe organise hiérarchiquement des subdivisions composées de
concepts. Les concepts peuvent être représentés par un certain nombre de termes qui tiennent
compte des dialectes régionaux, de différentes langues ou de différentes disciplines.
Nomenclature : D’après le dictionnaire Larousse, une nomenclature est l’« Ensemble des
mots en usage dans une science, un art, ou relatifs à un sujet donné, présentés selon une
classification méthodique » ou encore « une liste, catalogue détaillé et ordonné des éléments
d'un ensemble, permettant de classer celui-ci : La nomenclature des monuments français ».
Dans (ISO, 2000) la nomenclature est définie comme « un ensemble de termes techniques,
présentés selon un classement méthodique ».
Ainsi, une nomenclature peut être définie comme étant un système de mots (ou de concepts)
utilisés dans une discipline particulière, comme dans la médecine et la chirurgie, l'anatomie et
la biochimie, etc. Un système standard de nomenclature présuppose l'existence d'une
classification organisée des entités reliées à ce domaine.
Terminologie : Une terminologie est une liste des termes techniques ou des expressions
utilisées dans un domaine spécifique. Une définition plus précise a été avancée par (Lefevre,
2000) présentant les terminologies comme « des listes de termes d’un domaine ou d’un sujet
donné représentant les concepts ou notions les plus fréquemment utilisés ou les plus
caractéristiques ».
Taxonomie : D’après le dictionnaire Larousse, une taxonomie est « une Classification, une
suite d'éléments formant des listes qui concernent un domaine ou une science ».
Dans la littérature, ils existent plusieurs autres définitions, par exemple la société Lingway32
donne la définition suivante « réseau sémantique dans lequel la seule relation est la seule
hiérarchique ». L’institut Montague33 définit une taxonomie comme « Un système pour
nommer et organiser des objets en groupes qui partagent des caractéristiques similaires».
Quant au glossaire Dublin Core34, il propose « Classification systématique selon des principes
ou lois généraux ». Ce même glossaire affirme de plus que « Un système de classification
comme la Classification de la Bibliothèque du Congrès est un exemple de taxonomie».
Nous sommes donc en présence de conceptions très hétérogènes : nous passons d’une
définition restreinte aux systèmes classificatoires exclusivement hiérarchiques, à tout système
32
Lingway vertical semantic solutions. URL : http://www.lingway.com/
Montahue Institute Review. URL : http://www.montague.com/review/myths.html
34
Dublin Core Metadata Initiative. URL : http://dublincore.org/documents/usageguide/glossary.shtml
33
42
Chapitre 3 : Contribution à l’Univers multi-terminologique
de classification, qu’il soit hiérarchique ou non. La portée du terme est finalement étendue à
tout langage documentaire doté, exclusivement ou non, d’une organisation hiérarchique.
Ontologie : Le terme « Ontologie » est issu du domaine de la philosophie, où il signifie
«explication systématique de l’existence ». Dans le cadre de l’intelligence artificielle, Neches
et ses collègues (Neches et al., 1991) étaient les premiers à en proposer une définition, à
savoir : « une ontologie définit les termes et les relations de base du vocabulaire d’un
domaine ainsi que les règles qui indiquent comment combiner les termes et les relations de
façon à pouvoir étendre le vocabulaire ». Cette définition explicite comment élaborer une
ontologie : repérer les termes de base et les relations entre les termes, identifier les règles
servant à les combiner, fournir des définitions de ces termes et de ces relations. D’après cette
définition, une ontologie inclut non seulement les termes qui y sont explicitement définis,
mais aussi les termes qui peuvent être créés par déduction en utilisant les règles. En 1993,
Gruber (Gruber, 1993) formule la définition suivante : « une ontologie est une spécification
explicite d’une conceptualisation », qui deviendra célèbre et restera la définition la plus citée
dans la littérature scientifique. En 1997, Borst (Borst, 1997) apporte une légère modification à
la définition de Gruber en précisant que « les ontologies se définissent comme une
spécification formelle d’une conceptualisation commune ». Studer et ses collègues (Studer et
al., 1998) ont donné l’interprétation suivante de ces deux définitions : « la conceptualisation
renvoie à un modèle abstrait d’un quelconque phénomène après en avoir relevé les concepts
significatifs ». Ainsi, nous passons à une définition plus normative et abstraite, du fait qu’un
terme est une désignation d’un concept. Par explicite, il faut entendre que le type de concepts
utilisés, ainsi que leurs contraintes d’utilisation, sont définis de façon explicite. L’adjectif
formel exprime le fait que l’ontologie doit être lisible par ordinateur. Commun renvoie à l’idée
qu’une ontologie rend compte d’un savoir consensuel, c’est à- dire qu’elle n’est pas l’objet
d’un individu, mais qu’elle est reconnue par un groupe.
Comme une petite synthèse de ces définitions, nous faisons référence aux travaux de (Lassila
et al., 2001) qui ont situé ces différentes structures de données (terminologie, thésaurus,
ontologie…) dans un continuum dont la dimension principale est le degré de formalisation
(cf. Figure 3.1.1).
Figure 3.1.1. Différentes ressources terminologique et ontologie selon leur degré de
formalisation
De plus en plus de travaux s’intéressent à la formalisation des terminologies et à la
construction des ontologies. (Despres et al., 2008) proposent une méthode de construction
d’ontologies mettant en relief la phase de conceptualisation : du plan linguistique, au plan
43
Chapitre 3 : Contribution à l’Univers multi-terminologique
termino-ontologique pour avoir finalement l’ontologie. L’étude linguistique permet d’extraire
les termes représentatifs du domaine. La construction du réseau termino-ontologique est faite
à partir de l’interprétation des unités linguistiques (termes et relations lexicales les liant)
constituant le réseau terminologique (concepts terminologiques et relations sémantiques les
liant).
Enfin les concepts de l’ontologie et les relations conceptuelles les associant sont construits à
partir des unités termino-ontologiques figurant dans les réseaux termino-ontologiques. Ces
concepts ontologiques sont décrits dans un langage formel, organisés dans une structure
hiérarchique, liés par des relations conceptuelles et contraints par des règles et des axiomes.
3.1.2 TERMINOLOGIES MEDICALES
Dans le cadre de cette thèse, nous avons utilisé la principale classification des médicaments
utilisée en France et en Europe à savoir l’ATC, les différents codes des médicaments et des
substances chimiques (CAS, CIP, CIS et UCD) ainsi que le thésaurus MeSH.
Dans la cadre du projet PSIP, six terminologies ont été utilisées : l’ATC, la CIM-10,
l’IUPAC, la WHO-ICPS, la NCCMERP et la taxonomie du PSIP.
3.1.2.1
CHIMIQUE
LA
CLASSIFICATION
ANATOMIQUE THERAPEUTIQUE
ET
En 1969, le groupe de recherche pour l’utilisation des médicaments (Drug Utilisation
Research Group : DURG) a été constitué d'un groupe d'experts conseillers de l'OMS, suite à
un besoin ressenti pour un système de classification internationalement reconnu et qui
pourrait être employé pour des études concernant des médicaments. En mettant à jour le
système de classification European Pharmaceutical Market Research Association (EPhMRA)
et en collaborant avec le Dépôt Médicinal Norvégien (NMD), les chercheurs norvégiens ont
développé un système baptisé la classification ATC (Anatomique, Thérapeutique et
Chimique). Une unité technique de mesure appelée la Defined Daily Dose (DDD) a été
également développée. Le DDD est défini comme la « dose moyenne journalière pour un
médicament, utilisée pour son indication principale pour les adultes». Le Conseil nordique sur
les médicaments (Nordic Council on Medicines) en collaboration avec le NMD, a développé
le système ATC/DDD. La méthodologie ATC/DDD a été employée pour la première fois en
1976 dans une publication «Nordic Statistics on Medicines» (WHO Collaborating Centre for
Drug Statistics Methodology, 2009).
En 1981, le bureau régional Européen de l'OMS (Organisation Mondiale de la Santé) a
recommandé le système ATC/DDD pour des études internationales concernant l’utilisation
des médicaments. En 1982, un corps responsable de coordination de l'utilisation de la
méthodologie, le Collaborating Centre for Drug Statistics Methodology de l’OMS, a été établi
à Oslo, Norvège. Le centre est maintenant situé à l'institut norvégien de la santé publique et
est financé par le gouvernement norvégien.
Depuis 1996, les sièges sociaux de l'OMS recommandent le système ATC pour des études
portées sur l'utilisation des médicaments. L'OMS recommande le système ATC, qui est
44
Chapitre 3 : Contribution à l’Univers multi-terminologique
également employé pour la détection des effets indésirables des médicaments, pour des
comparaisons internationales. Depuis peu, on a décidé que la liste principale des médicaments
de l'OMS devrait également être basée sur le système de classification ATC pour renforcer
une utilisation plus répandue du système. Les centres de collaboration de l'OMS impliqués
dans la surveillance des médicaments utilisent le système ATC pour la classification et les
statistiques. Le centre de collaboration de l'OMS pour la surveillance internationale des
médicaments (centre de surveillance d'Uppsala) en Suède maintient le dictionnaire des
médicaments de l'OMS, une base de données pour la plupart des médicaments utilisés dans
les pays participant au programme de l'OMS pour la surveillance internationale des
médicaments (Family Medicine Research Center, 2010).
La structure de la classification
La classification ATC (Skrbo et al., 2004) classe des substances chimiques par catégorie à
cinq niveaux différents selon l'organe ou le système sur lesquels elles agissent et selon leurs
propriétés chimiques, pharmacologiques et thérapeutiques.
Le code ATC a la forme générale suivante : LCCLLCC (où L : lettre ; C : chiffre).
Dans ce système, les médicaments sont classés en groupes à cinq niveaux différents :
1er niveau : classe anatomique principale (1 caractère alphabétique).
2ème niveau : sous-classe thérapeutique (2 chiffres).
3ème niveau : sous-classe pharmacologique (1 caractère alphabétique).
4ème niveau : sous-classe chimique (1 caractère alphabétique).
5ème niveau : substance active (2 chiffres).
À chaque niveau de la classification correspond un code et un libellé ATC. Le libellé du
cinquième niveau correspond à la DCI (Dénominations Communes Internationales)35 de la
substance, quand elle existe.
Le tableau ci-dessous illustre les 14 groupes principaux du premier niveau (Groupe
anatomique) de la classification ATC.
A
B
C
D
G
H
J
L
M
N
Voies digestives et métabolisme
Sang et organes hématopoïétiques
Système cardiovasculaire
Médicaments dermatologiques
Système génito-urinaire et hormones sexuelles
Hormones systémiques, hormones sexuelles exclues
Antiinfectieux généraux à usage systémique
Antinéoplasiques et immunomodulateurs
Muscle et squelette
Système nerveux
« Les DCI permettent d’identifier les substances pharmaceutiques ou leurs principes actifs ».
Directives générales pour la formation de dénominations communes internationales applicables aux
substances
pharmaceutiques.
URL :
http://www.who.int/medicines/services/inn/GeneralprinciplesFr.pdf
35
45
Chapitre 3 : Contribution à l’Univers multi-terminologique
P
R
S
V
Insecticides antiparasitaires
Système respiratoire
Organes sensoriels
Divers
Exemple de la hiérarchie de la substance « Metformine » :
Niveau
1
2
3
4
5
Code
A
A10
A10B
A10BA
A10BA02
libellé
Voies digestives et métabolisme
Médicaments du diabète
Antidiabétiques sauf insulines
Biguanides
Metformine
Groupe
Groupe anatomique principal
Sous-groupe thérapeutique
Sous-groupe pharmacologique
Sous-groupe chimique
Substance chimique
Le code ATC est attribué en fonction de son indication principale. Or, cette dernière peut
varier d’un pays à l’autre, ce qui explique qu’il peut exister plusieurs codes ATC pour un
même médicament en fonction du pays concerné. C’est le cas pour environ 10% des
médicaments qui n’ont pas le même code ATC entre la France et le Danemark36.
Ainsi, pour une même substance chimique, nous pouvons avoir plusieurs codes ATC
différents, selon son effet thérapeutique, son effet pharmacologique ou encore son
appartenance anatomique. Par exemple, la substance chimique « acide acétylsalicylique » est
tantôt classée sous le groupe A « Voies digestives et métabolisme» ayant le code A01AD05
lorsqu’elle a un effet antalgique ou anti-inflammatoire et, tantôt sous le groupe B « Sang et
organes hématopoïétiques » ayant le code B01AC06 lorsqu’elle a un effet antiagrégant
plaquettaire.
Figure 3.1.2.1. Les différents codes ATC pour la substance « acide acétylsalicylique » et
ses dérivés
36
Étude interne réalisée par la société Vidal dans le cadre du projet PSIP
46
Chapitre 3 : Contribution à l’Univers multi-terminologique
La classification ATC est la plus utilisée en France et en Europe pour classer les
médicaments. À ce titre, elle a été choisie dans le projet PSIP pour cet objectif 37. Il faut
signaler que la classification ATC est pratiquement inconnue aux États-Unis où RxNorm38 est
utilisée. Pour illustrer ce propos, remarquons que l’ATC n’est pas intégré dans l’UMLS39.
3.1.2.2
CLASSIFICATIONS
ET CODES UTILISES POUR LES
MEDICAMENTS
 La nomenclature CAS
Le numéro CAS (Chemical Abstract Service) d’un produit chimique, polymère, séquence
biologique ou d’un alliage est son numéro d’enregistrement unique auprès de la banque de
données de Chemical Abstract Service (CAS), une division de l’American Chemical Society
(ACS). De plus, CAS maintient et commercialise une base de données de ces substances,
CAS Registry. Cette dernière contient plus de 55 millions de substances organiques et
inorganiques et 62 millions de séquences40. Approximativement, 12.000 nouvelles substances
sont ajoutées chaque jour41. Le but est de faciliter les recherches dans les bases de données,
vu que les produits chimiques ont souvent différents noms. Presque toutes les bases de
données de molécules actuelles permettent une recherche par numéro CAS. En effet, ce
dernier est utilisé à l’échelle mondiale.
Le CAS assigne ces numéros, identifiables par un algorithme qui détermine les diagrammes
structurels et alloue automatiquement un numéro C.A.S. unique, à chaque produit chimique
(molécule, mélange d'isomères, produit industriel…) qui a été décrit dans la littérature.
Compte tenu de la complexité de la nomenclature chimique et la possibilité de désigner une
substance par plusieurs noms, le numéro CAS permet d'identifier les espèces chimiques sans
aucune ambiguïté. Les numéros CAS sont attribués dans un ordre croissant et n’ont pas de
signification particulière. Ce numéro se divise en trois parties, séparées par des tirets :
YYYYYY-XX-X. La première partie peut contenir jusqu’à six chiffres, la deuxième contient
deux chiffres, alors que la troisième contient un chiffre pour la somme de contrôle. La somme
de contrôle se calcule en prenant le 1er chiffre fois 1, le 2eme fois 2, et ainsi de suite en
partant de l'avant dernier (de gauche à droite). La somme de ces résultats intermédiaires est
ensuite additionnée modulo 10. Par exemple, le numéro CAS de l'eau est 7732-18-5 : sa
somme de contrôle vaut (8×1 + 1×2 + 2×3 + 3×4 + 7×5 + 7×6) mod 10 = 105 mod 10 = 5.
Via la NLM42 (US National Library of Medicine), nous pouvons avoir toutes les informations
concernant les médicaments et les substances chimiques. Par exemple, grâce à la page de
recherche structurée ChemIDplus Advanced (Chemical Identification Plus Advanced), il est
Dans le cadre du projet PSIP, l’équipe CISMeF a manuellement accentué la traduction française
(2OOO-homme). Le travail a été délivré au centre Norvégien.
38
National Library of Medicine. URL: http://www.nlm.nih.gov/research/umls/rxnorm/
39
Se référer à la Section 3.2 pour plus de détails.
40
Le Chemical Substance Index URL : http://www.cas.org/
41
CAS:
a
division
of
the
American
Chemical
Society.
URL :
http://www.cas.org/expertise/cascontent/registry/regsys.html#q1
42
National Library of Medicine. URL : http://www.nlm.nih.gov/
37
47
Chapitre 3 : Contribution à l’Univers multi-terminologique
possible d’accéder à plus de 260.000 substances chimiques43. Au sein du MeSH, le numéro
CAS est indiqué comme un registry number44.
Figure 3.1.2.2. Exemple de recherche du code CAS pour la molécule D-glucose
Une particularité avec les numéros CAS est que chaque produit chimique possède un numéro
CAS, permettant de l’identifier d’une manière unique au niveau de la base de données CAS
Registry (Dittmar et al., 1976). Par exemple, les différents isomères d'une molécule ont des
numéros CAS différents : le D-glucose admet comme numéro CAS, le 50-99-7, le L-glucose
est identifié par 921-60-8, alors que le α-D-glucose est désigné par 26655-34-5, etc. À
l'inverse parfois, une classe complète de molécules reçoit un seul numéro : le groupe des
alcools déshydrogénases admet comme code CAS le 9031-72-5.
Lors de recherche par numéro CAS dans les bases de données, il est utile d'inclure le numéro
de composés proches. Par exemple, pour chercher de l'information sur la cocaïne (CAS 5036-2), il faut aussi chercher pour chlorhydrate de cocaïne (CAS 53-21-4), puisque c'est sous
cette forme que la cocaïne est utilisée en tant que drogue.
 Les codes CIS, CIP et UCD 45
Ces trois codes sont exclusivement utilisés en France.
Le code CIS (Code Identifiant de Spécialité) est un code numérique à 8 chiffres identifiant
une spécialité pharmaceutique faisant ou ayant fait l’objet d’une Autorisation de Mise sur le
Marché (AMM) en France.
Le code CIP (Code Identifiant de Présentation) est un identifiant composé de 13 chiffres (7
chiffres jusqu’à 200946), correspondant à l’autorisation de mise sur le marché d’une
43
Environmental Health & Toxicology; specialized information services. URL:
http://sis.nlm.nih.gov/enviro/chemicaldruginformation.html
44
Medical Subject Headings. URL : http://www.nlm.nih.gov/mesh/MBrowser.html
45
Haute Autorité de Santé ; Glossaire Certification des LAP. URL : http://www.hassante.fr/portail/jcms/c_671889/certification-des-lap?id=c_671889&#c_671927
46
Agence
française
de
sécurité
sanitaire
des
produits
de
santé.
URL :
http://www.afssaps.fr/Activites/Autorisations-de-mise-sur-le-marche/Modification-des-codes48
Chapitre 3 : Contribution à l’Univers multi-terminologique
présentation d’un médicament. La présentation d’un médicament est définie comme étant le
conditionnement sous lequel une spécialité pharmaceutique est mise à disposition du public.
Une spécialité pharmaceutique peut être commercialisée sous différentes présentations : selon
la taille ou la contenance du conditionnement. Se référant au tableau qui suit, nous constatons
qu’un médicament peut être identifié par plusieurs numéros CIS, qui font référence à un
dosage et/ou une forme galénique différents pour un médicament spécifique. Pour un même
code CIS, nous pouvons avoir plusieurs codes CIP selon les différentes présentations
existantes (la taille et/ou le conditionnement).
CIS
Dénomination
de la spécialité
Titulaire
de
l’AMM
CIP 7
CIP 13
Nom de la
présentation
61490049
HALDOL, 1 mg, JANSSEN
comprimé
CILAG
3047143
3400930471432
plaquette(s)
thermoformée(s)
PVC-Aluminium
de 40
comprimé(s)
61490049
HALDOL, 1 mg, JANSSEN
comprimé
CILAG
5532977
3400955329770
plaquette(s)
thermoformée(s)
PVC-Aluminium
de 400
comprimé(s)
62237643
HALDOL,
2 JANSSEN
mg/ml, solution CILAG
buvable
en
gouttes
3047172
3400930471722
1 flacon(s)
polyéthylène de
15 ml - avec
compte-gouttes
62237643
HALDOL,
2 JANSSEN
mg/ml, solution CILAG
buvable
en
gouttes
5533008
3400955330080
4 flacon(s)
polyéthylène de
195 ml
Les deux codes (CIP, CIS) sont administrés par l’AFSSAPS (Agence Française de Sécurité
Sanitaire des Produits de Santé)47.
Pour informatiser et /ou automatiser les opérations à effectuer dans une pharmacie
hospitalière, la codification des articles à gérer est indispensable, notamment pour :
identifiants-de-presentation-dans-les-AMM-de-specialites-pharmaceutiques/(offset)/3
47
Haute Autorité de Santé. URL : http://www.has-sante.fr/portail/jcms/c_671889/certification-deslap#c_671986
49
Chapitre 3 : Contribution à l’Univers multi-terminologique
 l'approvisionnement et la gestion des stocks (médicaments, articles, accessoires et
dispositifs médicaux) ;
 la dispensation des médicaments aux malades.
Parmi les codifications qui sont utilisées pour les médicaments, nous pouvons citer la série
900000 qui correspond à l'Unité Commune de Dispensation et/ou de Distribution (UCD).
En effet, à la demande des pharmaciens hospitaliers et en accord avec la DHOS (Direction de
l’Hospitalisation et de l’Organisation des Soins48), la CNAM (Caisse Nationale d’Assurance
Maladie), l’AFSSAPS et le LEEM (Les Entreprises du médicament), le CIP (Club Inter
Pharmaceutique) a développé et a pris en charge de gérer une codification des Unités
Communes de Dispensation (UCD).
Le code UCD caractérise la plus petite unité intègre utilisée pour la dispensation des
médicaments dans les établissements de soins. Le code UCD a été retenu comme norme
d’échange par le Ministère de la Santé dans le cadre de la tarification à l’activité (T2A) et de
la rétrocession. L’arrêté du 2 août 2004 publié au Journal Officiel du 22 août 2004) identifie
les médicaments onéreux par leur code UCD. Il s’agit de la première publication de l’UCD au
Journal Officiel qui devient la référence pour les échanges économiques et la gestion interne
des établissements de soins49.
Les fichiers des médicaments codés en UCD délivrés en établissements de santé, sont
désormais disponibles sur la Base des médicaments à code UCD50. Ils sont mis à jour en
fonction des publications au Journal officiel51.
3.1.2.3 LE THÉSAURUS MESH : MEDICAL SUBJECT HEADINGS52
Le thésaurus MeSH est un vocabulaire contrôlé crée par la NLM et est essentiellement utilisé
pour indexer les articles scientifiques de la base de données bibliographiques MEDLINE53. Il
est employé aussi pour cataloguer et rechercher l'information biomédicale et les documents
relatifs à la santé.
De la première édition du MeSH en 1960, à la deuxième édition en 1963, plusieurs
améliorations ont été faites. En effet, une arborescence des termes du MeSH est établie pour
48
Par décret et arrêté du 15 mars 2010 publiés au journal officiel le 16 mars, la direction générale de
l’offre de soins (DGOS) est créée au sein du ministère chargé de la santé, en lieu et place de la
direction de l’hospitalisation et de l’organisation des soins (DHOS).
49
Site hospitalier Club Inter Pharmaceutique. URL : http://www.ucdcip.org/#menu5
50
Base
des
médicaments
et
informations
tarifaires.
URL :
http://www.codage.ext.cnamts.fr/codif/bdm_it/index_tele_ucd.php?p_site=AMELI
51
Base des médicaments à code UCD. URL: http://www.ameli.fr/professionnels-de-sante/directeurs-detablissements-de-sante/codage/medicaments/base-des-medicaments-a-code-ucd.php. Article mis à
jour le 31 juillet 2008.
52
Introduction to MeSH-2010. URL: http://www.nlm.nih.gov/mesh/introduction.html
53
MEDLINE est une base de données bibliographique qui couvre tous les domaines médicaux de
l'année 1966 à nos jours : plus de 11 millions de références issues de 4 300 périodiques,
principalement en langue anglaise.
50
Chapitre 3 : Contribution à l’Univers multi-terminologique
la première fois qui contient 13 principales hiérarchies et un total de 58 groupes répertoriés en
sous-catégories et en catégories principales.
Ces listes classées par catégorie ont pour but de faciliter la tâche de l'utilisateur à trouver plus
de termes connexes que dans l'ancienne structure de référence. En 1963, le MeSH disposait de
5.700 descripteurs, comparés à 4.400 dans l'édition 1960. En revanche, l'édition 2010 du
MeSH contient 25.588 descripteurs.
Les principales composantes du thésaurus MeSH sont : les descripteurs, les qualificatifs, et les
concepts chimiques supplémentaires (CCSs). Les types de publication, alors que
techniquement considérés comme des descripteurs depuis quelques années, sont également
inclus, puisqu'ils sont employés différemment dans certains cas.
1- Les descripteurs : ils sont employés pour décrire des publications et indexer des
citations dans la base de données MEDLINE de NLM et dans d'autres bases de données.
Les descripteurs sont généralement mis à jour dans une base annuelle mais peuvent,
occasionnellement, être mis à jour plus fréquemment.
Les descripteurs MeSH sont organisés en 16 catégories : par exemple la catégorie A
pour des termes anatomiques, la catégorie B pour des organismes, la catégorie C pour
les maladies, et la catégorie D pour des médicaments et des substances chimiques, etc.54
Chaque catégorie est divisée en sous-catégories. Dans chaque sous-catégorie, des
descripteurs sont rangés hiérarchiquement du plus général au plus spécifique dans
jusqu'à onze niveaux hiérarchiques. Cette structure ne représente pas un système de
classification bien fondé, mais plutôt une organisation utile des descripteurs pour les
indexeurs des articles scientifiques ou les utilisateurs qui emploient le MeSH lors de
leur recherche dans la littérature. La structure représente fréquemment un compromis
entre les besoins des disciplines particulières et des utilisateurs. Chaque descripteur a un
(ou des) numéro d’arborescence qui le positionne dans la hiérarchie et qui le relie à la
catégorie de départ. Un descripteur peut avoir plusieurs numéros d’arborescence du fait
qu’il appartienne à plusieurs catégories (cf. Figure 3.1.2.3). Ces numéros ne servent
qu’à localiser les descripteurs, ils n'ont aucune signification intrinsèque. Par exemple, le
fait que D12.776.641 et D12.644.641 ont, tous les deux, le groupe de trois chiffres 641
n'implique aucune caractéristique commune. Les nombres peuvent changer quand de
nouveaux descripteurs sont ajoutés ou la structure hiérarchique est mise à jour pour
refléter des changements du vocabulaire.
La tâche des indexeurs est de distinguer le descripteur MeSH le plus spécifique et le
plus approprié pour illustrer chaque concept représentatif de l’article.
54
MeSH tree structures. URL: http://www.nlm.nih.gov/mesh/intro_trees.html
51
Chapitre 3 : Contribution à l’Univers multi-terminologique
Figure 3.1.2.3. Exemple illustré par le catalogue CISMeF de deux hiérarchies
différentes pour le terme « actinobacillus pleuropneumoniae»
Chaque descripteur MeSH est identifié par un identifiant unique et peut posséder des
synonymes et être affecté à un ensemble de qualificatifs qui lui donneront un sens
particulier.
2- Les qualificatifs : il y a 83 qualificatifs55 utilisés pour indexer et cataloguer les articles,
en conjonction avec les descripteurs. Les qualificatifs précisent le sens d’un descripteur
et permettent de regrouper ensemble les citations qui se rapportent à un thème
particulier. Par exemple, une indexation du type (descripteur/qualificatif) « foie/action
des médicaments et substances chimiques » indique que la ressource fait référence, plus
précisément, aux effets des médicaments et des substances chimiques sur le foie. Le
nombre de qualificatifs est plutôt stable et rares sont les modifications les concernant.
Chaque descripteur du MeSH a une liste contextuelle de qualificatifs à affilier. Par
exemple, il n’est pas possible d’affilier le qualificatif « diagnostic » au descripteur
« bibliothèque médicale ».
3- Les concepts chimiques supplémentaires (CCSs) : ils sont employés pour indexer des
produits chimiques, des médicaments, et d'autres concepts pour MEDLINE.
À la différence des descripteurs, les CCSs ne sont pas hiérarchisés. Cependant, chaque
concept chimique supplémentaire est lié à un ou plusieurs descripteurs. Ils possèdent
des relations sémantiques avec ces derniers. Pour chaque CCS, le MeSH recommande
une projection vers des descripteurs, mais aussi mentionnerait le ou les descripteur(s)
55
Dans la version 2010 du MeSH
52
Chapitre 3 : Contribution à l’Univers multi-terminologique
correspondant à (aux) l’action(s) pharmacologique(s) de la substance décrite. Par
exemple, suite à cette règle définie par le MeSH, une indexation avec le CCS
«cétuximab », est complétée par une indexation avec le descripteur « anticorps
monoclonal » et « antinéoplasiques » qui représente l’action pharmacologique
correspondante.
Les CCSs sont mis à jour chaque semaine. Il y a actuellement plus de 186.000
enregistrements de CCSs avec plus de 465.000 termes de CCSs56.
4- Les types de publications : ils sont considérés comme étant des descripteurs MeSH et
ont pour but d’indiquer le type de l'article indexé, en d’autres termes, son contenant
plutôt que son contenu, par exemple, « article historique ». Ils peuvent inclure des
composantes d’une publication, tel que graphiques ; Formats de publication, tel que
éditorial ; et caractéristiques d’une étude, tel que essai clinique. Ces données peuvent
être considérées comme des métadonnées de contenant, plutôt que des informations
décrivant le contenu des articles.
Les types de publications du MeSH sont organisés hiérarchiquement que depuis 1997.
3.1.2.4 LA TERMINOLOGIE CISMEF : UNE TERMINOLOGIE FONDEE
SUR LE MESH
La terminologie CISMeF encapsule la version française du thésaurus MeSH (Douyère et al.,
2004) dans la mesure où elle représente une extension des concepts déjà existants, d’une part,
et elle emploie de nouveaux concepts, d’autre part. En effet, dans le but d’adapter le MeSH et
faire face à la problématique de l’indexation des ressources de santé disponibles sur l’Internet,
plusieurs améliorations ont été réalisées depuis la création du catalogue en 1995.
En plus des descripteurs MeSH (termes qui permettent l'indexation des ressources), des
qualificatifs MeSH (qui permettent de préciser le sens d'un descripteur et d'en souligner un
aspect particulier) et des concepts chimiques supplémentaires, les notions de métatermes, de
types de ressources et de stratégies de recherche (requêtes préconstruites) ont été ajoutées.
1.
Les types de ressources (TR) (N=300) sont une extension des types de publication de
MEDLINE. Comme l’a défini Dublin Core Metadata Initiative, « les types de
ressources sont utilisés afin de catégoriser la nature du contenu de la ressource ». Par
exemple, dans le cas d’une ressource constituant un guide de bonnes pratiques
concernant l’intoxication au monoxyde de carbone, le descripteur MeSH
« intoxication au monoxyde de carbone » pour le contenu et, le type de ressource
« recommandation pour la pratique clinique» pour le contenant, sont deux termes
d’indexation (parmi d’autres) pour la ressource.
Les types de ressources de la terminologie CISMeF sont organisés, pareillement que
les descripteurs et les qualificatifs MeSH, hiérarchiquement avec des relations de
subsomption57.
56
Medical Subject Heading; MeSH Record Types. URL:
http://www.nlm.nih.gov/mesh/intro_record_types.html (2009)
53
Chapitre 3 : Contribution à l’Univers multi-terminologique
2.
Les métatermes (MT) (N=126) sont des super-concepts, qui ont été conçus pour
représenter, généralement, une spécialité médicale ou une science biologique. Les
métatermes ont été sélectionnés manuellement par le conservateur des bibliothèques
de l'équipe CISMeF (Benoit Thirion) et ont des liens sémantiques avec un ou plusieurs
descripteurs MeSH, qualificatifs, types de ressources et stratégies de recherche (cf.
Figure 3.1.2.4). Par exemple, le métaterme « oncologie » a des liens sémantiques avec
le type de ressource « service oncologie hôpital », le qualificatif « radiothérapie » et
les descripteurs « cancérogènes », « gènes tumoraux », « cellules souches
tumorales »…
Une étude de l’équipe CISMeF a montré que l'utilisation des MT améliore la
recherche d'information (Gehanno et al., 2007). En effet, les résultats ont montré que
l’utilisation des requêtes avec seulement des descripteurs MeSH ont un rappel de 0,44
par rapport à 1 en cas d’utilisation des métatermes. Par exemple, introduire le terme
« psychiatrie » comme métaterme constitue une stratégie plus efficace pour avoir plus
de résultats : au lieu d’exploser une seule hiérarchie MeSH correspondant au
descripteur MeSH « psychiatrie », une expansion automatique de la requête est
réalisée en explosant les hiérarchies de tous les termes sémantiquement liés à ce MT
« psychiatrie », comme le descripteur MeSH « hôpital psychiatrique » ou encore le
type de ressource « centre public santé mentale ».
3.
Les stratégies de recherche (N=316) sont des requêtes préparées et préconstruites par
l’équipe CISMeF afin de faire face aux ambiguïtés des requêtes des utilisateurs et pour
améliorer la recherche d'informations sur des notions qui n'ont pas d'équivalent dans le
reste de la terminologie CISMeF.
En effet, ils existent des concepts médicaux importants qui ne sont pas représentés par
la terminologie (et notamment par le thésaurus MeSH) tel que « chirurgie du côlon ».
Dans ce cas, la requête de l’utilisateur sera réécrite sous la forme « maladies du
côlon/chirurgie.mc ou colon/chirurgie.mc ou colectomie.mc ou colostomie.mc ou
coloscopie.mc ou coloscope.mc » afin de rechercher, par exemple, les ressources
indexées par le descripteur MeSH « maladies du côlon » et se rapportant au thème de
la chirurgie.
57
La subsomption désigne une relation hiérarchique entre des concepts, dans les logiques de
description. Cette notion est proche de la relation « est impliqué par » en logique classique, ou encore
« contient » en logique ensembliste.
54
Chapitre 3 : Contribution à l’Univers multi-terminologique
Figure 3.1.2.4. La terminologie CISMeF : lien sémantique entre les métatermes et les
descripteurs, qualificatifs MeSH, les types de ressources et les requêtes préconstruites.
En outre, plusieurs autres améliorations autour du MeSH ont été mises en application :
1- dans MEDLINE, la paire (descripteur/qualificatif) décrit le centre d’intérêt de la
ressource. Les qualificatifs MeSH sont associés aux descripteurs pour mieux décrire et
spécifier le centre d’intérêt de la ressource ou un aspect particulier de cette dernière.
Par exemple, une ressource concernant le traitement médicamenteux de l’asthme est
indexée, entre autres, par la paire asthme/traitement médicamenteux.
Dans la même perspective, et pour mieux spécifier l’indexation des ressources et
améliorer par la suite la recherche d’information, l’équipe CISMeF a proposé une
combinaison de triplet « (descripteur/qualificatif)\type de ressource » (Darmoni et al.
2007). Par exemple, si une ressource est indexée par le terme
« asthme/thérapie\recommandation », cela signifie qu’il s’agit d’une recommandation
des méthodes thérapeutiques pour l’asthme ;
2- l’indexation par majeur/mineur pour les types de ressources et les métatermes. En
effet, cette spécificité concerne non seulement les descripteurs MeSH mais aussi les
types de ressources et les métatermes. Une notion peut être majeure lorsqu'elle est
traitée de façon prépondérante. On parle également de pondération, c'est la mesure de
l'importance d'une notion dans un document. Les termes en majeur décrivent les
principales idées abordées dans la ressource, alors que les termes en mineur
représentent les concepts marginaux ;
3- l’enrichissement des concepts chimiques supplémentaires. Depuis leur intégration
dans le serveur de terminologie CISMeF, plus de 8.576 ont été traduits en français et
plus de 10.000 synonymes français ont été créés et intégrés58.
58
Statistiques datant du Septembre 2010.
55
Chapitre 3 : Contribution à l’Univers multi-terminologique
4- Combinaison (« concept chimique supplémentaire/qualificatif ») des concepts
chimiques supplémentaires (CCSs) avec certains qualificatifs (tels que : administration
et posologie, pharmacologie, intoxication…). Dans MEDLINE, cette association n’est
pas possible.
L’objectif de cette nouvelle fonctionnalité est l’amélioration de l’indexation et de la
recherche d’information au sein du catalogue CISMeF.
Toutes ces améliorations sont disponibles sur le portail terminologique CISMeF (URL :
http://terminologiecismef.chu-rouen.fr/) bientôt remplacé par le portail multi-terminologique
de santé (URL : http://pts.chu-rouen.fr/).
3.1.2.5
QUELQUES
EXEMPLES D ’AUTRES TERMINOLOGIES
MEDICALES
Dans le cadre du projet PSIP, six terminologies ont été utilisées pour l’extraction des données
à partir des différentes bases de données ainsi pour l’indexation des documents non
structurés : la CIM-10 a été utilisée pour les diagnostics ; la classification ATC pour les
médicaments ; la nomenclature IUPAC pour les tests cliniques ; la WHO-ICPS pour la
sécurité des patients ; la taxonomie NCCMERP pour la description des effets indésirables des
médicaments et la taxonomie de PSIP pour la description des éventuelles situations
dangereuses de la médication (Darmoni et al., 2010).
 La classification CIM-1059
L'origine de la CIM (Classification Internationale des Maladies) remonte aux années 1850,
avec the International List of Causes of Death de William Farr, qui reprenait, entre autres, les
travaux de John Graunt datant de 1700 (Greenwood, 1948). Elle était adoptée par the
International Statistical Institute en 1893, grâce aux travaux de Jacques Bertillon qui publie la
Nomenclature Internationale des Causes de Décès (Bertillon, 1912). C'est à partir de cette
classification que nait la première révision en 1900 avec comme principe d'une mise à jour
décennale.
La 6ième révision de cette classification est adoptée par l'Organisation Mondiale de la Santé
(OMS) en 1948 ((Organisation Mondiale de la Santé, 1950a), (Organisation Mondiale de la
Santé, 1950b)). Ensuite jusqu’en 1996, la 9ème révision (CIM-9) « Classification
Internationale des Maladies, Traumatismes et Causes de Décès » a été utilisée dans le cadre
du PMSI (Programme de Médicalisation des Systèmes d'Information). En 1993, la 10ème
révision (CIM-10) « Classification statistique internationale des maladies et des problèmes
de santé connexes » a vu le jour (Organisation Mondiale de la Santé, 1993), alors que, la
CIM-9 est encore utilisée dans certains pays tels que les États-Unis, l’Espagne….
En 1994, la CIM-10 analytique (Vol.1 ; V.F) Table analytique a été réalisée. Il s’agit de la
classification elle-même, la classification de la morphologie des tumeurs, les listes pour les
Une version 11 de la CIM est encore d’élaboration. Notre portail multi-terminologique pourrait être
utilisé pour gérer la version française de cette future CIM-11.
59
56
Chapitre 3 : Contribution à l’Univers multi-terminologique
mises en tableaux, les définitions, le règlement. En 1995, le manuel d'utilisation (Vol.2 ; V.F)
de la CIM-10 Mode d'utilisation a été établi. Il s’agit des indications et des instructions pour
l'utilisation du volume 1. En 1996, le manuel d'utilisation (Vol.3 ; V.F) de la CIM-10 Index
alphabétique a été mis en place.
La classification a comme but de permettre l'analyse systématique, l'interprétation et la
comparaison des données de mortalité et de morbidité recueillies dans différents pays ou
régions et à des époques différentes60. (World Health Organizations, 2010)
Ainsi, elle représente l’unique classification diagnostique internationale pour :

l'épidémiologie, et la description des problèmes de prise en charge sanitaire ;
 l'étude des problèmes financiers (recouvrement des coûts, allocation de fond).
La classification est mono-axiale et faite soit par :

systèmes : par exemple, maladies cardio-vasculaires, Digestives ;

étiologies (causes des maladies) : maladies infectieuses, tumeurs.
La CIM-10 est ordonnée en une hiérarchie à héritage simple. Chaque terme possède un
ascendant unique. La hiérarchie de la CIM-10 est organisée jusqu'à 6 niveaux et elle est
partitionnée en 21 chapitres classés par appareil fonctionnel et représentés par une lettre
(exemple : la lettre E est associée au chapitre « Maladies endocriniennes, nutritionnelles et
métaboliques »).
Les chapitres sont divisés en groupes, eux-mêmes divisés en catégories à 3 caractères qui sont
répertoriés en sous-catégories à 4 caractères. Les catégories à 3 caractères représentent l'unité
diagnostique signifiante de base ; c'est-à-dire le niveau minimum de codification dans la
plupart des pays. Enfin, des subdivisions peuvent apparaitre de manière facultative dans
certains chapitres. A chaque niveau (chapitre, catégorie, sous-catégories), la CIM-10 peut
indiquer des inclusions ou des exclusions permettant d’orienter vers une autre partie de la
classification.
 La nomenclature IUPAC61
La nomenclature IUPAC est un système pour nommer les composés chimiques et pour décrire
la science de la chimie en général. Elle est développée et mise à jour sous les auspices de
l’organisme international IUPAC (International Union of Pure and Applied Chemistry).
IUPAC est la nomenclature officielle en chimie organique. La nomenclature en chimie est
l'ensemble des règles, symboles, vocables, destinés à représenter et à prononcer les noms des
corps étudiés.
L'objectif essentiel d'une nomenclature est d'aboutir à des noms de composés chimiques sans
ambiguïté, à savoir qu'un même nom ne doit jamais servir à désigner deux composés
60
Classification statistique internationale des maladies et des problèmes de santé connexes- CIM-10.
URL : http://www.spieao.uhp-nancy.fr/~kohler/CIM10/CIM10.HTM
61
Home page of International Union of Pure And Applied Chemistry; URL:
http://www.chem.qmul.ac.uk/iupac/
57
Chapitre 3 : Contribution à l’Univers multi-terminologique
chimiques différents. Par contre, un même composé chimique suffisamment complexe peut
recevoir plusieurs noms différents provenant de différentes nomenclatures, ou même parfois
provenant de la même nomenclature.
Il est préférable que le nom de la substance chimique contienne quelques informations au
sujet de la structure ou de la composition chimique du composé. Les numéros CAS sont un
exemple extrême de noms qui ne remplissent pas cette fonction : chaque numéro réfère à un
unique composé mais aucun ne contient d'information au sujet de la structure. Par exemple,
nous pouvons être tentés d'ajouter du [7647-14-5] dans son assiette, mais pas du [133-43-9] :
le premier est du chlorure de sodium, le second du cyanure de sodium.
 La WHO-International Patient Safety Classification (ICPS)62
Le but de la ICPS (traduction en français : Classification Internationale pour la sécurité des
patients) est de permettre la catégorisation de l'information sur la sécurité des patients en
utilisant un ensemble normalisé de concepts avec des définitions prédéfinies, des termes
préférés et des relations entre ces derniers en se basant sur une ontologie explicite de
domaine. Elle est conçue pour faciliter la description, la comparaison, la surveillance,
l'analyse et l'interprétation de l’'information afin d’améliorer le soin des patients, et pour des
fins de planification épidémiologique et sanitaire (World Alliance & WHO Health
Information Systems Department, 2009).
L’ICPS n'est pas encore une classification. C'est un projet conceptuel pour une classification
internationale qui fournit une compréhension raisonnable de la sécurité des patients à laquelle
il existe des classifications nationales qui peuvent y faire référence. L’ICPS est multiaxiale et
hiérarchique selon dix classes.
Parmi les utilisations prévues de l’ICPS, nous mentionnons :
 comparer les données des incidents de sécurité des patients pour les différentes
disciplines et entre les organismes locaux, nationaux et internationaux ;
 développer les connaissances concernant les incidents de sécurité des patients ;
 déterminer les problèmes liés à la sécurité des patients dans les différents secteurs
de soin ;
 examiner le rôle des facteurs humains et le rôle des systèmes pour la sécurité des
patients ;
 déterminer les applications et les limitations des stratégies existantes pour réduire
le facteur risque ;
 identifier les éventuels problèmes liés de la sécurité des patients à travers les
recherches basées sur l’évidence ;
 développer des solutions de priorités et de sécurité.
62
World Health Organization; International Classification for Patient Safety (ICPS). URL :
http://www.who.int/patientsafety/implementation/taxonomy/en/index.html
58
Chapitre 3 : Contribution à l’Univers multi-terminologique
 La taxonomie des erreurs médicamenteuses : National Coordinating Council
for Medication Error Reporting and Prevention (NCCMERP)63
Le but de cette taxonomie est de fournir un langage et une structure standards des données
liées aux erreurs médicamenteuses pour le développement des bases de données analysant les
rapports d'erreurs médicamenteuses.
La taxonomie NCCMERP est la classification de référence des conséquences cliniques
d’erreurs médicamenteuses par niveau de gravité et par importance de préjudice (National
Coordinating Council for Medication Errors Reporting and Prevention NCCMERP, 2002).
Cette classification est indispensable à l’analyse approfondie des erreurs médicamenteuses et
conditionne la qualité des échanges entre les programmes de recueil et de prévention des
erreurs médicamenteuses.
Il est recommandé d’utiliser la taxonomie du NCCMERP, classification des causes d’erreur
médicamenteuse employée par la plupart des programmes de recueil et de prévention
d’erreurs médicamenteuses, notamment par le Réseau REEM (Schmitt et al. 2006).
Les causes d’erreur médicamenteuse peuvent être définies comme facteurs (situation,
événement) antérieurs à l’erreur médicamenteuse et peuvent être reconnus comme étant à
l’origine de la survenue d’une erreur médicamenteuse. Chercher la ou les causes d’une erreur
médicamenteuse, c’est répondre à la question : « Pourquoi l’erreur médicamenteuse s’est-elle
produite ? ». Dans le cas d’une cascade d’erreurs médicamenteuses, la cause directe de
l’erreur médicamenteuse est la conséquence d’une erreur primitive.
La taxonomie NCCMERP est multiaxiale et dispose d’une hiérarchie de vingt cinq classes.
 La taxonomie du PSIP
La sureté des médicaments est une composante essentielle de la sécurité des patients. À
l’échelle mondiale, elle dépend de la puissance des systèmes nationaux qui contrôlent la mise
au point et la qualité des médicaments, notifient leurs effets nocifs et fournissent des
informations exactes pour les utiliser sans danger64.
Les réactions nocives et inattendues aux médicaments qui se produisent aux posologies
thérapeutiques habituelles sont appelées effets indésirables des médicaments. Ceux-ci font
partie des principales causes de mortalité dans de nombreux pays.
On appelle pharmacovigilance, la prévention et la détection des effets indésirables des
médicaments. L’évaluation attentive des risques et des bienfaits des médicaments s’applique
tout au long de leur cycle de vie, depuis la phase précédant l’homologation jusqu’à leur
utilisation.
National Coordinating for Medication Error Reporting and Prevention. URL:
http://www.nccmerp.org/
64
Organisation Mondiale de la Santé ; Médicament : sécurité et effets indésirables. URL :
http://www.who.int/mediacentre/factsheets/fs293/fr/index.html
63
59
Chapitre 3 : Contribution à l’Univers multi-terminologique
La circulation des informations à l’échelle mondiale sur les effets indésirables renforce la
sécurité des médicaments dans les pays et peut se traduire par des décisions politiques prises
en temps voulu pour préserver la sécurité des patients lorsqu’un problème surgit.
Pour cet effet, certains des systèmes de détection des incidents, des effets indésirables des
médicaments ou des erreurs médicales étaient spécifiquement conçus pour la détection des
effets indésirables des médicaments et d’identifier les facteurs qui les causent. Tous ces
systèmes de détection sont soutenus, explicitement ou implicitement, par des taxonomies
décrivant une description structurée des effets détectés.
Dans le cadre du projet PSIP, un grand ensemble de données médicales générées par le
modèle de données (Darmoni et al., 2010) est déjà disponible pour décrire les cas susceptibles
d'être des effets indésirables des médicaments. Cependant, le modèle a été conçu pour
l'exploitation et l’extraction des données et, par conséquent, il a besoin d'adaptation pour être
employé comme base pour la conception des différents modules des systèmes d’aide à la
décision clinique.
Par ailleurs, les taxonomies employées pour la détection des effets indésirables des
médicaments expriment moins d'information que le modèle de données de PSIP déjà établi. Il
est alors souhaitable de fusionner ce modèle avec une taxonomie existante pour fournir une
description structurée plus riche et plus complète pour détecter les effets indésirables des
médicaments. Dans un but de trouver la meilleure combinaison, sept taxonomies existantes
concernant les effets indésirables médicaux ont été analysées et employées avec le modèle de
données de PSIP :
 NCC-MERP : National Coordinating Council for Medication Error Reporting and
Prevention: http://www.nccmerp.org
 AAQTE (Bates et al. 2003) : Association for Quality Assurance in Therapeutics and
Evaluation: http://adiph.org/aaqte/index.html
 USP-ISMP (Morimoto et al. 2004) : U.S. Pharmacopeia (USP) - Institute for Safe
Medication
Practices
(ISMP).
URL:
https://www.ismp.org/orderForms/reporterrortoISMP.asp
 MedWatch : US Food and Drug Administration (FDA). Cela concerne les réactions
indésirables, les problèmes de qualité des produits et les erreurs d’utilisation. URL:
http://www.fda.gov/medwatch
 ICPS : International Classification for Patient Safety (ICPS). URL: http://www.whoicps.org/
 DPSD : Danish Patient Safety Database Danish National Board of Health. URL:
www.dpsd.dk.
 JCAHO (Beuscart-Zephir et al. 2009) : Joint Commission on Accreditation of
Healthcare Organizations (US).
60
Chapitre 3 : Contribution à l’Univers multi-terminologique
La combinaison des taxonomies avec le modèle de données de PSIP a permis d’identifier 16
catégories tels que données patientes, données de séjour, diagnostics, procédures, type
d'erreur, cause de l'erreur…
La taxonomie de PSIP a une structure multiaxiale et hiérarchisée.
3.2 PASSAGE DU MONDE MONO-TERMINOLOGIQUE VERS UN UNIVERS
MULTI-TERMINOLOGIQUE
Le besoin de passage d'un monde mono-terminologique (limité au thésaurus MeSH, pour
l'indexation et la recherche) à un univers multi-terminologique (fondée sur plusieurs
terminologies médicales) est ressenti de plus en plus par le fait que chaque terminologie a des
objectifs et des contextes d’utilisation différents, d’une part, et pour pallier les éventuelles
imperfections du thésaurus MeSH en termes d’indexation et de recherche d’information,
d’autre part.
En effet, selon le contexte d’utilisation certaines terminologies peuvent s’avérées plus
appropriées que d’autres. Par exemple, un pharmacien ou un chimiste utilise mieux la
classification ATC ou le code CAS pour rechercher un document spécifique à ses attentes
plutôt qu’une autre terminologie. À l’inverse, un étudiant en médecine pourrait préférer
employer le thésaurus MeSH pour rechercher ses documents bibliographiques.
Ainsi, dans ce cadre multi-contextes et avec un souci d’améliorer le système actuel afin
d’avoir une recherche d’information plus exhaustive et plus efficace, l’équipe CISMeF a pris
la décision stratégique de passer d'un monde mono-terminologique à un univers multiterminologique.
Cet objectif doit prendre en compte la disponibilité de plusieurs terminologies, classifications,
thésaurus et nomenclatures médicaux disponibles en français65 et, la mise en pratique des
interactions existantes entre ces derniers.
Dans le domaine médical, UMLS (Unified Medical Language System) est le programme de
recherche lancé par la NLM pour établir des sources de connaissance afin de faciliter le
développement des systèmes qui aident les professionnels de santé à rechercher une
information biomédicale.
Les sources de connaissance peuvent être employées pour lier les systèmes d'information
hétérogènes et pallier les problèmes d’intégration de plusieurs terminologies à cause de leurs
différences. Les trois sources de connaissance de l’UMLS sont le Métathesaurus, le réseau
sémantique, et un lexique médical Specialist Lexicon66.
Ainsi, l’un des objectifs de l’UMLS est de fournir une plateforme permettant de regrouper
tous les thésaurus, nomenclatures et classifications existants dans le domaine médical
(Bodenreider, 2004).
Il y a 130 terminologies de santé en anglais contre une dizaine en français
National Library of Medicine; Unified Medical Language System (UMLS). URL :
http://www.nlm.nih.gov/research/umls/about_umls.html
65
66
61
Chapitre 3 : Contribution à l’Univers multi-terminologique
Dans le cadre de la recherche médicale, plusieurs liaisons et interactions entre terminologies
ont été réalisées (Merabti, 2010). Parmi lesquelles, nous évoquons :
 l’alignement conceptuel en passant par l’UMLS. Par exemple, la mise en
correspondance des terminologies disponibles dans le méta thésaurus UMLS ;
 l’alignement manuel : exemple MeSH-CCAM ; MeSH-ATC ;
 l’alignement automatique avec les outils du TAL : exemple Orphanet-CIM-10.
Figure 3.2.1. Relations existantes entre les terminologies médicales
En effet, grâce aux différentes relations terminologiques nous pouvons améliorer la recherche
d’information et mieux répondre à la requête de l'utilisateur et ce via l'expansion ou la
reformulation de la requête. Les relations inter et intra terminologiques permettent d'assurer la
navigation entre les terminologies. Nous pouvons chercher toutes les liaisons possibles entre
les termes de la requête appartenant à une terminologie donnée et tous les termes des autres
terminologies qui ont une correspondance avec les termes en question. Cette procédure
permet d'élargir le champ de la recherche de l'utilisateur selon son contexte, sans néanmoins
mettre en cause la pertinence thématique de l'information ni le degré de précision du système.
Par exemple, grâce à la correspondance entre le terme MeSH « appareil correction auditive »
et le terme SNOMED « prothèse auditive », nous pouvons enrichir notre résultat et retrouver
toutes les ressources indexées par l’un ou l’autre de ces termes.
Le passage à un univers multi-terminologique67 se traduit par l'intégration, dans le back-office
de CISMeF, des terminologies principales de santé disponibles en français (cf. Figure 3.2.2) :
Ce passage a nécessité l’intervention de trois ingénieurs de l’équipe CISMeF assisté par deux
équipes de huit ingénieurs de l’INSA de Rouen.
67
62
Chapitre 3 : Contribution à l’Univers multi-terminologique
 le thésaurus MeSH ;
 la SNOMED 3.5 ((Coté, 1986) ; (Cornet et al., 2008) ; (Lussier et al., 1998)) ;
 la CIF (Classification Internationale du Fonctionnement, du handicap et de la santé)68
(Baron, 2008) ;
 la CIM-10 (World Health Organizations, 2010) ;
 la CCAM (Classification Commune des Actes Médicaux) ((Hanser et al., 2006) ;
(Zaiss et al., 2007)) ;
 la CISP2 (Classification Internationale des Soins Primaires, deuxième édition) (Soler
et al., 2008) ;
 le DRC (Dictionnaire des Résultats de Consultation) (Morel, 1996) ;
 la classification ATC (Anatomical Therapeutic Chemical) ;
 le MedDRA (Medical Dictionary for Regulatory Activities) ((Bousquet et al,. 2004) ;
(Santé Canade, 2010)) ;
 Medline plus (Miller et al., 2000) ;
 la WHO-ART (World Health Organisation – Adverse Reaction Terminology)69
(Brown, 2002) ;
 la WHO-ICPS (International Classification for Patient Safety) ;
 le thésaurus Orphanet pour décrire les maladies rares (Aymé et al., 1998).
68
World Health Organization International Classification of Functioning, Disability and Health. URL:
http://www.who.int/classifications/icf/en/
69
World Health Organization Adverse Reactions Terminology. URL : http://www.umcproducts.com/DynPage.aspx?id=4918
63
Chapitre 3 : Contribution à l’Univers multi-terminologique
Figure 3.2.2. Intégration des terminologies médicales dans le back-office de CISMeF
Lors de cette intégration, il a fallu prendre en compte les formats d’origine (forme SQL,
fichiers texte, bases de données,…) de toutes ces terminologies, afin de générer un modèle
générique et uniforme. Cette tâche est réalisée en développant des parseurs générant le format
RDF70.
Pour réunir dans une même structure des terminologies, des thésaurus, des nomenclatures et
des classifications de natures différentes ayant chacun des spécificités particulières, il a fallu,
d'abord, modéliser chacune de ces terminologies71. Ensuite, nous avons créé un modèle
générique qui tient compte de toutes ces particularités, pour avoir la possibilité d'intégrer
d'autres terminologies en cas de besoin.
Le modèle générique obtenu est décrit ci-dessous (cf. Figure 3.2.3) :
70
71
Voir Annexe A pour le parseur ATC
Voir Annexe A pour quelques exemples de modélisations de quelques terminologies médicales.
64
Chapitre 3 : Contribution à l’Univers multi-terminologique
Figure 3.2.3. Le modèle générique dans le cadre de la recherche d’information multiterminologique
Ce modèle est centré sur l'entité Descripteur. Celle-ci inclut tous les termes, les mots clés, les
qualificatifs, les types de ressources, les métatermes, les éléments, les noms de catégories, les
groupes, les blocs, les chapitres qui peuvent exister au niveau des terminologies. Cette classe
définit les attributs communs aux différentes terminologies. Les attributs spécifiques sont
représentés par l'entité DescripteurAttribut, ce qui permet d'être plus générique et plus
souple, lors de la mise à jour du modèle. Les définitions des descripteurs sont multilingues et
de types différents (DRC, MeSH, Vidal…) et sont décrites par l'entité
Descripteur_Definition. Les synonymes sont illustrés par l'entité Descripteur_UF. N'étant
pas considérés comme des termes d'indexation, les synonymes permettent de représenter un
terme de plusieurs façons et, par la suite, un enrichissement de la requête de l'utilisateur lors
du processus de recherche d'information.
Un descripteur peut avoir plusieurs synonymes. Chaque descripteur appartient à une des
terminologies
intégrées.
Ces
dernières
sont
représentées
par
l'entité
DescripteurTerminologie, dont la structure est définie par l'identifiant de la terminologie
(id_Terminologie) et le nom de la terminologie (nom_Terminologie). La relation
Descripteur_BT_NT est définie entre deux descripteurs et réservée pour les relations
hiérarchiques au sein d'une même terminologie, à l'inverse de l'association
Descripteur_Relation qui décrit les relations non hiérarchiques intra-terminologiques (si les
deux descripteurs appartiennent à la même terminologie) et les relations inter-terminologiques
(si les deux descripteurs appartiennent à des terminologies distinctes). Ces derniers types de
relations permettent de relier des terminologies entre elles, inspiration faite du réseau
sémantique et du méta-thésaurus d'UMLS. L'entité Descripteur_Nature_Relation a pour but
de définir les types de relations non hiérarchiques, elle contient les noms et les types des
toutes les relations existantes entre deux descripteurs quelconques appartenant à la même
terminologie ou non, telles que ne pas confondre, voir aussi, inclusion, exclusion, ...
65
Chapitre 3 : Contribution à l’Univers multi-terminologique
La validation de notre modèle générique se traduit par l’implantation d’une recherche
d’information multi-terminologique dans notre système d’information CISMeF et la mise en
place du Portail Terminologique de Santé (PTS). Des études seront menées (suite à
l’utilisation de CISMeF et du PTS) permettront de vérifier et discuter le modèle.
Ainsi, l’application du modèle nous a permis d’enrichir et d’améliorer la recherche
d’information. Par exemple, en mono-terminologie avec le thésaurus MeSH une recherche
concernant la requête « appareil locomoteur » fournit 1.013 ressources tandis que cette même
requête en multi-terminologie fournit 1.505 ressources (cf. Figure 3.2.4 et Figure 3.2.5).
Figure 3.2.4. Résultat de la recherche d’information mono terminologique pour la requête
« appareil locomoteur »
Figure 3.2.5. Résultat de la recherche d’information multi-terminologique pour la requête
« appareil locomoteur »
Par ailleurs, grâce au modèle générique de l’univers multi-terminologique, nous avons mis en
œuvre le PTS qui permet un accès groupé aux principales terminologies de santé disponibles
66
Chapitre 3 : Contribution à l’Univers multi-terminologique
en français sans se soucier, ni de leur gestion, ni de leur mise à jour.
Figure 3.2.6. Page de recherche multi-terminologique au sein du Portail de Terminologies
de Santé (PTS)
À partir de cette page de recherche multi-terminologique au sein du PTS, nous pouvons
mettre en relief quatre onglets :
 description permettant de définir le terme recherché ;
 hiérarchie permettant d’accéder aux hiérarchies de toutes les terminologies ;
 relation permettant de connaître toutes les relations intra et inter-terminologies
favorisant la navigation entre ces dernières ;
 ressources donnant accès contextuel à 50 sites de bases d’information en français
(CISMeF) et en anglais (Pub Med).
CONCLUSION
A travers ce chapitre, nous avons donné un aperçu sur les définitions et les caractéristiques
des terminologies médicales que nous avons manipulé au cours de la thèse et, celles utilisées
dans le cadre du projet PSIP.
Le passage du monde mono-terminologique fondé essentiellement sur le thésaurus MeSH vers
l’univers multi-terminologique enrichi par les différentes classifications, nomenclatures et
thésaurus nous a permis d’améliorer la recherche d’information et d’avoir une information
médicale plus appropriée pour l’utilisateur du catalogue CISMeF. Nous expliquons dans le
cinquième chapitre, plus en détails, l’algorithme de recherche d’information multiterminologique ainsi que l’apport présumé de cet univers.
67
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
CHAPITRE 4
APPROCHE
DE
AUTOMATIQUE
L’INDEXATION
POUR
LES
MEDICAMENTS
Introduction .................................................................................................................................................................. 68
4.1
Création du Portail d’Information sur les Médicaments ........................................................... 69
4.1.1
Étude de l’existant ............................................................................................................................. 69
4.1.2
Le Portail d’Information sur les Médicaments de l'équipe CISMeF .............................. 70
4.2
Conception de l’approche de l’indexation automatique par la classification ATC .......... 74
4.2.1
Principe de fonctionnement : trois étapes séquentielles................................................... 76
4.2.1.1. La mise au point des prétraitements .................................................................................... 77
4.2.1.2. Conception de l’approche .......................................................................................................... 79
4.2.1.3. Règles de post coordination ..................................................................................................... 80
4.2.1.4. Le corpus d’application............................................................................................................... 81
4.2.1.5 Implémentation de l’approche................................................................................................. 82
4.2.2
Résultat : Évaluation de l’approche ............................................................................................ 82
4.2.2.1 Evaluation de l’appariement du prétraitement ................................................................ 83
4.2.2.2 Evaluation des résultats de l’approche d’indexation...................................................... 83
4.2.3 Discussion ...................................................................................................................................................... 85
4.3
Amélioration de la recherche d’information par extension MeSH-ATC .............................. 86
4.3.1
Enoncé de l’étude ............................................................................................................................... 86
4.3.2
Résultats ................................................................................................................................................ 89
4.3.3
Discussion ............................................................................................................................................. 92
Conclusion ..................................................................................................................................................................... 93
INTRODUCTION
Dans ce chapitre, nous présentons la première réalisation faite autour de l’univers multiterminologique ; à savoir la création d’un Portail d’Information bilingue sur les Médicaments
(PIM). Cette réalisation nous a permis, par la suite, une exploitation plus analytique des
informations concernant les médicaments, en mettant en place une approche d’indexation
automatique par la classification ATC. Enfin, nous concluons ce chapitre par l’exposition des
résultats de l’étude réalisée, mettant en avant les avantages de la correspondance entre le
thésaurus MeSH et la classification ATC pour améliorer la recherche d’information.
68
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
4.1 CREATION DU PORTAIL D’INFORMATION SUR LES MEDICAMENTS
4.1.1 ÉTUDE DE L’EXISTANT
D’après le dictionnaire Larousse, en informatique, un portail est « un site conçu pour être le
point d'entrée sur Internet et proposant aux utilisateurs des services thématiques et
personnalisés ». Se focalisant sur le domaine de la santé, un portail doit avoir certaines
propriétés spécifiques et respecter des standards de qualité (Koch, 2000). En France, la
référence utilisée pour certifier les sites de e-santé est le Health On the Net code (Boyer,
2007) qui a été sélectionné par la Haute Autorité de Santé en 2007. Ainsi, pour avoir une
information précise concernant le domaine de la santé et en particulier pour les médicaments,
un utilisateur pourrait bien avoir recours à ce type de mode d’accès.
En 2008, la NLM a mis en place le « Drug Information Portal»72. Ce portail représente une
passerelle pour les utilisateurs afin d’avoir les informations concernant les médicaments de la
NLM et d’autres agences gouvernementales. Il permet d’accéder aux informations concernant
plus de 12.000 médicaments. La recherche peut s’y effectuer à partir du nom générique ou du
nom commercial (ex. « phénol ») ou par catégorie (ex. « analgésiques » ou « antiinfectieux »). À notre connaissance, la recherche par les codes relatifs aux médicaments, tel
que le code ATC, n’est pas possible.
Depuis 2009, en France, le portail public du médicament du gouvernement français
MedicFrance est accessible en ligne sur « http://www.portailmedicaments.sante.gouv.fr ».
Ce portail devrait permettre au grand public de retrouver une information fiable, objective et
récente sur les médicaments. La page de navigation présente les attributions des instances
publiques nationales responsables des décisions en matière de médicaments ainsi que des
liens vers ces sites et oriente l’internaute vers les informations pouvant être trouvées sur
chacun de ces sites. Nous pouvons ainsi accéder au site de l’Agence française de sécurité
sanitaire des produits de santé (AFSSAPS) qui évalue les bénéfices et les risques des
médicaments, ou encore au site de la Haute Autorité de santé (HAS) qui évalue les
médicaments en vue de leur remboursement… Enfin, à partir de cette même page de
navigation, il est encore possible de consulter en ligne la base de données sur les médicaments
de l’Assurance maladie qui porte sur les produits commercialisés en France.
Un moteur de recherche, ciblant les liens vers les sites institutionnels à partir des recherches
formulées sur le portail, devrait progressivement être développé pour permettre des
recherches de plus en plus précises, sans toutefois modifier les informations sources établies
par les instances responsables des décisions.
72
Drug Information Portal. URL : http://druginfo.nlm.nih.gov/drugportal/drugportal.jsp
69
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
4.1.2 LE PORTAIL
CISMEF
D’INFORMATION SUR LES
MEDICAMENTS
DE L'EQUIPE
Pendant la période (2007-2009) et dans le cadre du projet européen Patient Safety Through
Intelligent Procedures in Medication (PSIP) (voir chapitre 1), nous nous sommes intéressés à
mettre au point un Portail d’Information sur les Médicaments (PIM) (cf. Figure 4.1.2.1),
permettant de faciliter l’accès aux principales ressources francophones concernant les
médicaments (Letord et al., 2008). Le PIM est un portail d’information bilingue
(français/anglais) sur les médicaments, dans un contexte multi-terminologique dans la mesure
où les recherches peuvent s’effectuer grâce à plusieurs terminologies et/ou différents codes
relatifs aux médicaments précédemment décrits. Le PIM se restreint, par un choix éditorial de
l’équipe CISMeF aux informations médicamenteuses qui émanent d’institutions ou de
sociétés savantes. Il s’est largement inspiré du back office de CISMeF et du moteur de
recherche Doc’CISMeF. Le PIM est le résultat d’une collaboration entre l’équipe CISMeF et
la société privée Vidal73, spécialiste de l’information sur les médicaments.
Pour s’adapter à l’information sur les médicaments, l’équipe CISMeF a amélioré son serveur
de terminologie, de façon à ce que les utilisateurs du PIM puissent accéder à toutes les
substances chimiques (y compris médicamenteuses), aux actions pharmacologiques, ainsi
qu’aux types de ressources liés aux médicaments.
En effet, au sein du thésaurus MeSH74, les noms des substances chimiques (y compris les
substances médicamenteuses) peuvent correspondre soit à des descripteurs hiérarchisés, soit à
des concepts chimiques supplémentaires non hiérarchisés, soit à des synonymes de ces
termes. Si l’on considère l’« information médicamenteuse », le plus important désormais est
de retenir la notion de substance et non plus la notion du concept chimique supplémentaire ou
descripteur MeSH. C’est pourquoi, pour les besoins du PIM, nous avons créé le concept
« Substance » qui permet de regrouper l’ensemble des substances chimiques.
Au sein du thésaurus MeSH, comme au sein du serveur de terminologie CISMeF, la plupart
des termes correspondant à des substances sont reliés à des actions pharmacologiques. Selon
la NLM, une action pharmacologique est une « catégorie d’actions chimiques et d’utilisations
qui ont comme conséquence la prévention, le traitement ou le diagnostic de la maladie. Sont
inclus les produits chimiques qui agissent en changeant des fonctions normales du corps et
les effets des produits chimiques sur l’environnement ». Ainsi, une action pharmacologique
peut correspondre à un concept particulier qui permet de regrouper l’ensemble des substances
(qu’il s’agisse de descripteurs (Des) ou de concepts chimiques supplémentaires (CCS)) ayant
une action pharmacologique commune. Par exemple, l’action pharmacologique «
antianémiques » permet de regrouper les substances suivantes : acide folique (Des), composés
de fer III (Des), darbépoétine alfa (CCS), dextriferron (Des), époétine alfa (Des), extraits
hépatiques (Des), ferric oxide, saccharated (CCS), gluconate ferreux (CCS), gluconate
ferrique (CCS), hexaméthylène bisacétamide (CCS), hydroxocobalamine (Des), iron protein
succinylate (CCS) et le téferrol (CCS).
73
74
VIDAL | L'information de référence sur les produits de santé. URL : http://www.vidal.fr/
Se référer au Chapitre 3, pour plus de détails concernant le thésaurus MeSH
70
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
À ce jour75, 374 actions pharmacologiques provenant du MeSH ont été intégrées au serveur de
terminologie CISMeF.
La terminologie CISMeF a dû aussi être adaptée à la nature des informations sur les
médicaments et ce, grâce à l’ajout de types de ressources spécifiques du médicament. Une
définition de chacun de ces types de ressources a été fournie soit par l’équipe CISMeF, soit
par une institution (le plus souvent l’Agence française de sécurité sanitaire des produits de
santé (AFSSAPS)). Ainsi, une arborescence spécifique sur les médicaments a été créée, avec
en tête d’arborescence, le type de ressource le plus général « information sur le médicament ».
L’arborescence spécifique des types de ressources sur les médicaments :
Information sur le médicament
Avis de vigilance sanitaire
Évaluation médicament
Avis de la commission de transparence
Formulaire pharmaceutique
Monographie pharmacie
Notice médicamenteuse
Recommandation de bon usage du médicament
Résumé des caractéristiques du produit
La mise en place d’une terminologie adaptée aux médicaments se fait aussi par l’intégration
des noms commerciaux, des Dénominations Communes Internationales (DCI) et des
différents codes nationaux et internationaux, liés aux médicaments et aux substances
chimiques tels que le Code Identifiant de Présentation (CIP), le Code Identifiant de Spécialité
(CIS) et l’Unité Commune de Dispensation (UCD) pour les codes nationaux et les codes de la
classification Anatomique, Thérapeutique et Chimique (ATC), Chemical Abstract Service
(CAS)76, European Inventory of Existing Commercial Substances ou encore Inventaire
Européen des Substances Commerciales Existantes (EINECS/ELINCS)77 pour les codes
internationaux. Ces fichiers nous ont été fournis, en partie, par la société Vidal.
Une fois la phase de prétraitement achevée, grâce à l’adaptation du serveur terminologique de
CISMeF (intégration des actions pharmacologiques et les codes spécifiques aux médicaments,
adaptation des types de ressources…), la construction du PIM (http://doccismef.churouen.fr/servlets/PIM) a pu être réalisée. Le PIM s’inspire largement du portail CISMeF, bien
qu’il ait des fonctionnalités spécifiques et plus orientées médicaments. Il a été développé en
quatre étapes :
75
Statistiques datant de Janvier 2010
Se référer au chapitre 4
77 Les codes EINECS/ELINCS sont représentés par un inventaire qui définit la liste définitive de
toutes les substances chimiques censées se trouver sur le marché communautaire entre le 1er janvier
1971 et le 18 septembre 1981. Quant aux numéros European LIst of Notified Chemical Substances
(ELINCS), ils sont décrits par une liste qui complète la liste EINECS et qui attribue un numéro aux
nouvelles substances mises sur le marché européen après le 18 septembre 1981. Les nouvelles
substances sont incluses au fur et à mesure de leur notification et paraissent lors des mises à jour de
l’ELINCS.
76
71
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Étape 1
La première étape a été de créer le métaterme78 « Médicaments » permettant de regrouper les
descripteurs, les qualificatifs et les types de ressources qui correspondent à la thématique du
médicament. Pour ce faire, nous avons rattaché manuellement au métaterme « médicaments »
tous les descripteurs MeSH en rapport avec le médicament, tels que « actions
pharmacologique »s, « agrément de médicament », « contamination de médicaments »79 . . .
Ensuite, nous avons sélectionné les qualificatifs qui sont utilisés pour l’indexation des
documents relatifs à des médicaments, à savoir : action des médicaments et substances
chimiques, pharmacocinétique, traitement médicamenteux et administration et posologie.
Enfin, nous avons relié, à ce métaterme, les types de ressource concernant l’«information sur
le médicament ».
De plus, de fait de l’organisation hiérarchique de la terminologie CISMeF (descripteurs,
qualificatifs et types de ressources), tous les termes, hiérarchiquement inférieurs à l’ensemble
de ces termes précédemment rattachés manuellement, sont ainsi annexés implicitement au
métaterme.
Le regroupement de l’ensemble de ces termes au niveau du métaterme « Médicaments »
permet d’élargir le champ de recherche de la requête des utilisateurs, dans la mesure où nous
aurons tous les documents indexés par tous ces concepts relatifs au médicament. La création
du métaterme « Médicaments » a permis de regrouper plus de 14.000 ressources80.
Exemple d’expansion de requête concernant le métaterme « Médicaments » :
Requête : médicaments.mt
Reformulation de la requête : traitement médicamenteux.mc ou coût médicament.mc ou
médicament orphelin.mc ou pharmacologie.mc ou toxicité des médicaments.mc ou utilisation
médicament.mc ou phénomènes chimiques et pharmacologiques.mc ou préparations
pharmaceutiques.mc ou évaluation préclinique médicament.mc ou voies d’administrations
des médicaments.mc ou actions pharmacologiques.mc ou malformations dues aux
médicaments et aux drogues.mc ou agrément de médicament.mc ou évaluation
médicament.mc ou hypersensibilité médicamenteuse.mc ou produits biopharmaceutiques.mc
ou système distribution médicaments.mc ou technologie pharmaceutique.mc ou
contamination de médicaments.mc ou rythme administration médicament.mc ou surveillance
médicament.mc ou stents à élution de médicament.mc ou biomarqueurs
pharmacologiques.mc ou information sur le médicament.tr ou action des médicaments et
substances chimiques.qu ou traitement médicamenteux.qu ou administration et posologie.qu
ou pharmacocinétique.qu
mc : code booléen correspondant à un descripteur MeSH; qu : code booléen correspondant à
un qualificatif ; tr : code booléen correspondant à un type de ressource ; les caractères gras
pour mettre en relief les codes booléens ; le caractère italique (ou) pour signaler l’opérateur
booléen permettant l’expansion de requête.
Se référer au Chapitre 3 ; Section 3.1.2.4 pour plus d’information sur la notion métaterme.
Se référer à l’Annexe B pour la liste exhaustive des descripteurs.
80 Statistiques datant de l’année 2008, aujourd’hui (2010) à peu près 25.000 ressources.
78
79
72
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Étape 2
La deuxième étape a été de créer le site portail et d’y associer des formulaires de recherche
simple et avancée bilingues.
Respectant la définition et les caractéristiques d’un portail, le PIM contient un moteur de
recherche qui est inspiré largement du celui de CISMeF « Doc’CISMeF », mais avec quelques
spécificités centrées sur le médicament. L’outil de recherche de PIM contient une recherche
simple et une recherche avancée, les deux sous forme bilingue (français et anglais). Le choix
d’avoir ces deux modes de recherche s’est fondé sur le fait de vouloir avoir un portail quasi
international, d’une part, et de s’adapter à certaines spécificités des codes, notamment les
codes ATC, d’autre part. En effet, dans certains cas, nous pouvons avoir des codes ATC
variant d’un pays à l’autre pour un même médicament81.
La recherche simple peut se faire sur le nom commercial ou la DCI, ou sur n’importe quel
code relatif aux médicaments et aux substances chimiques (code ATC, code CAS, code CIP,
code CIS…) ou encore sur un terme MeSH.
La recherche avancée, quant à elle, permet une recherche spécifique grâce à une combinaison
de ces codes : nous pouvons affiner notre champ de recherche en spécifiant à la fois, par
exemple la Dénomination Commune Internationale (DCI) et l’action pharmacologique.
Étape 3
La troisième étape permet la mise en place des liens contextuels vers des banques de données
médicamenteuses anglophones, en particulier Drug Information Portal de la NLM82 et, Entrez,
outil de recherche du NCBI (National Center for Biotechnology Information) dans les
sciences de la santé qui englobe, notamment, PubMed83 et PubChem Substance 84.
Étape 4
La quatrième étape s’est achevée par la mise au point d’un « Google sélection PIM »
permettant d’effectuer une recherche Google limitée à une sélection de sites éditeurs de
qualité concernant les médicaments, déjà recensés par les documentalistes de l’équipe
CISMeF. Nous avons utilisé « Google TM Custom Search Engine » (Google CSE), en
utilisant la plateforme « Google Co-opTM »85.
Du fait que le moteur de recherche de Google récupère au moins toutes les pages statiques
d’un site, le corpus de « Google sélection PIM » inclut toutes les ressources de PIM, mais
aussi d’autres pages qui n’ont pas été sélectionnées manuellement par l’équipe CISMeF.
81
Se référer au Chapitre 3; Section 3.1.2.1 pour plus de détails
US NLM Drug Information Portal. URL: http://druginfo.nlm.nih.gov/drugportal/drugportal.jsp
83
PubMed est un service de la Bibliothèque nationale de la médicine des USA qui inclut plus de 19
millions de citations de MEDLINE et d'autres journaux des sciences de la vie. URL :
http://www.ncbi.nlm.nih.gov/pubmed/
84
Entrez, The Life Sciences Search Engine. URL: http://www.ncbi.nlm.nih.gov/sites/gquery
85
Google Coop. URL: http://www.google.com/coop/
82
73
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Ainsi, grâce à ces quatre étapes décrites ci-dessus, nous avons mis en place le Portail
d’Information sur les Médicaments permettant de recenser et d’organiser les ressources web
de qualité dédiées aux médicaments, afin d’en faciliter l’accès.
Figure 4.1.2.1. Page d’accueil du Portail d’Information sur les Médicaments
Les résultats d’une requête dans le PIM sont présentés sous forme de notices descriptives,
inspirées du catalogue CISMeF86. Au sein de chaque notice, un champ nommé « substance »,
(équivalent au « Substance Name » de PubMed), a été mis en place permettant de regrouper et
de repérer les substances impliquées dans l’indexation des ressources, ainsi que leurs actions
pharmacologiques contextuelles.
Ce portail est, actuellement, d’accès restreint (identification = CISMeF ; mot de
passe=demoweb) jusqu’à la fin du projet PSIP (juin 2011). Ensuite, plusieurs scénarios sont
possibles :
(a) accès libre sur le portail CISMeF ;
(b) commercialisation par la société VIDAL.
4.2 CONCEPTION DE L’APPROCHE DE L’INDEXATION AUTOMATIQUE PAR
LA CLASSIFICATION ATC
S’intéressant du plus près au domaine médicamenteux (Sakji et al., 2009b) et se souciant
d’améliorer la recherche d’information concernant les médicaments, nous avons conçu une
approche permettant l’indexation des ressources CISMeF avec la classification ATC. Nous
avons appliqué cette indexation sur le corpus restreint aux médicaments de CISMeF, à savoir
celui du PIM.
86
Se référer au Chapitre 1; Section 1.1.2 pour plus de détails concernant les notices descriptives.
74
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Le choix de la classification ATC pour l’indexation est justifié par le fait qu’elle représente le
système le plus utilisé en France et en Europe pour classer les médicaments et, par le fait
qu’elle
soit
contrôlée
et
actualisée
sous
la
responsabilité
de
l'OMS
(http://www.whocc.no/atcddd).
Par ailleurs, grâce à l’indexation par la classification ATC, nous pouvons pallier le manque du
thésaurus MeSH en fournissant une information complémentaire aux utilisateurs, en terme
d’indexation des ressources, d’une part et concernant la substance chimique elle-même,
d’autre part. À travers la figure 4.2.1, nous pouvons remarquer que la ressource restituée est
indexée par le descripteur MeSH « acide acétylsalicylique », ayant comme action
pharmacologique « anti-inflammatoires non stéroïdiens ». En plus, moyennant la
classification ATC, nous avons une information complémentaire concernant l’indexation et la
substance chimique « acide acétylsalicylique » dans la mesure où cette dernière appartient au
groupe thérapeutique « analgésiques » et au groupe pharmacologique « autres analgésiques et
antipyrétiques » et qu’elle agit sur le système nerveux. En effet, l’acide acétylsalicylique peut
avoir plusieurs effets thérapeutiques et agit sur différents organes anatomiques. Par exemple,
il agit sur le système nerveux lorsqu’il a un effet thérapeutique analgésique ou encore sur les
voies digestives et métabolisme lorsqu’il a un effet thérapeutique des préparations
stomatologiques. De ce fait, la substance chimique peut avoir plusieurs codes ATC.
Figure 4.2.1. Indexation bi-terminologique (thésaurus MeSH et classification ATC) d’une
ressource : des informations complémentaires concernant les substances chimiques
Afin de fournir plus de connaissances concernant le système de la classification ATC, d’une
part, et de contextualiser autant que possible l’information sur les médicaments, nous avons
choisi d’afficher la hiérarchie complète de la substance chimique qui indexe les ressources
(cf. Figure 4.2.2). Ainsi, d’un point de vue pédagogique, les utilisateurs et en particulier les
étudiants en médecine peuvent obtenir des informations plus exhaustives sur les médicaments,
leurs caractéristiques thérapeutiques et chimiques et les organes ou les systèmes sur lesquels
ils agissent.
75
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Dans le même contexte et pour faciliter l’accès aux connaissances sur le médicament, des
travaux similaires ont été réalisés par (Lamy et al., 2009) afin de mieux détecter les contreindications et les effets indésirables des médicaments, ainsi, que les interactions
médicamenteuses par les professionnels de santé. Pour ce faire, les auteurs ont conçu une
interface graphique s'appuyant sur un langage iconique et repose sur des techniques de
visualisation d'information.
Figure 4.2.2. Résultat de la recherche d’information dans le PIM mettant en relief les
différents champs permettant de décrire une ressource ainsi que la hiérarchie de la
classification ATC
4.2.1 PRINCIPE DE FONCTIONNEMENT : TROIS ETAPES SEQUENTIELLES
L'approche de l'indexation automatique par la classification ATC, étant appliquée au PIM,
peut être résumée en trois étapes séquentielles (voir la section 4.2.1.2) :
 méthode par titre : la recherche du code ATC au niveau du titre de la ressource ;
 méthode par nom commercial : la recherche du nom commercial (NC) de la substance
au niveau du titre de la ressource. Ensuite, l'attribution du code ATC correspondant ;
 méthode par indexation : la recherche du code ATC selon l'indexation de la ressource
(indexation par les descripteurs et/ou les concepts chimiques supplémentaires du
thésaurus MeSH).
76
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
4.2.1.1.
L A MISE AU POINT DES PRETRAITEMENTS
Pour mettre au point cette stratégie, des prétraitements ont été réalisés. En effet, les libellés du
cinquième niveau de la classification ATC ont été automatiquement appariés avec les
descripteurs MeSH, d'une part, et les concepts chimiques supplémentaires (CCSs) d'autre part.
Ce prétraitement permet de mettre en corrélation le système de la classification ATC et le
thésaurus MeSH.
Pour ce faire, nous avons procédé à un traitement automatique basé essentiellement sur les
techniques de traitement de langage naturel (TAL). Le TAL est une discipline qui a été
développée depuis plusieurs années et classée depuis les années 60 comme un domaine de
l’intelligence artificielle et de la linguistique dans le but de mieux cerner les problèmes de la
compréhension du langage naturel (Vallez et al., 2007). Suite à ce traitement réalisé entre les
termes de la classification ATC et les concepts qui représentent les substances chimiques du
MeSH, les seuls résultats obtenus correspondaient à une correspondance exacte entre les
termes
Une évaluation de cette étape a été nécessaire afin de valider le traitement automatique
d’appariement. La documentaliste-pharmacienne de l’équipe CISMeF, notre expert humain
(considérée comme notre gold standard pour cette approche), a validé cet appariement ce qui
nous a permis de le mettre au point, le compléter ou corriger des erreurs non distinguables
automatiquement.
Cette validation nous a permis de déceler quelques anomalies du processus. Les modifications
majeures qui ont été implémentées concernaient essentiellement les « associations
médicamenteuses » et les substances chimiques inorganiques comme les dérivés du
« Potassium », par exemple. En effet, le traitement automatique
 n’associait, dans la plupart des cas, les termes ATC contenant le mot « potassium »
qu’au descripteur MeSH « potassium ».
Le complément de cet appariement était d’ajouter le descripteur MeSH « composés du
potassium » à ce type d’association.
 ne prenait pas en compte les associations médicamenteuses dans la mesure où ces
dernières ne sont pas facilement détectables.
Pour pallier ce manque, il était nécessaire d’ajouter le descripteur MeSH « association
médicamenteuse » si le terme en association était présent dans le libellé ATC, ou si le
libellé ATC représente une association de plusieurs substances chimiques. Ce dernier
cas a posé un problème puisque les libellés des associations de substances chimiques
n’ont pas une représentation standard (par exemple : « fludrocortisone et
antiinfectueux »; « sulfate ferreux-glycine »; « fer, vitamine B12 et acide folique »).
Par exemple, avec la première version du traitement automatique d’appariement, nous
n’avons pu relier le terme ATC « ENALAPRIL ET DIURETIQUES » qu’avec les
descripteurs MeSH « diurétiques » et « énalapril ».
77
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
 ne permettait de réaliser, d’une façon générale, qu’un appariement syntaxique. Or dans
certains cas, ce type de correspondance peut s’avérer faux.
En effet, un appariement entre un code ATC et un concept chimique supplémentaire
(CCS) est favorisé à un appariement entre un code ATC et un descripteur MeSH
puisqu’il est considéré plus précis. Comme exemple d’ambiguïté, nous pouvons citer
l’association (1..n) du code ATC J07CA02 ayant le libellé « Diphtérie-coqueluchepoliomyélite-tétanos » avec les descripteurs MeSH « coqueluche », « diphtérie »,
« poliomyélite » et « tétanos » au lieu du CCS « vaccin DTCP », un vaccin contre la
diphtérie, la tétanos, la poliomyélite et le coqueluche.
D’un point de vue syntaxique et traitement du langage naturel, un tel appariement est
parfaitement correct. Cependant, d’un point de vue sémantique et dans un cadre
spécifique au domaine médical et médicamenteux, une telle association conduit à une
erreur.
La validation et les corrections d'erreurs et/ou d’ambiguïtés ont été réalisées par la
documentaliste-pharmacienne de l’équipe CISMeF.
De plus, nous avons étendu le traitement automatique d’appariement en ajoutant le principe
de l’explosion87 notamment pour les descripteurs MeSH qui correspondent aux actions
pharmacologiques. Cette amélioration est faite grâce à l’expertise de notre pharmacienne.
L’automatisation d’une telle procédure semble être impossible du fait que nous n’appliquons
pas l’explosion à tous les descripteurs, ce qui justifie le travail fastidieux de cette étape. Par
exemple, le terme ATC « dexaméthasone et anti-infectieux » ayant le code S01CA01 doit être
apparié, soit avec les descripteurs MeSH « anti-infectieux », « association médicamenteuse »
et « dexaméthasone », soit avec les descripteurs MeSH « association médicamenteuse »,
« dexaméthasone » et tous les descripteurs MeSH qui subsument « anti-infectieux ». Par
conséquent, grâce à ce principe, le terme ATC « dexaméthasone et anti-infectieux » sera aussi
apparié avec les descripteurs MeSH « association médicamenteuse », « dexaméthasone » et
« anti-infectieux urinaires » puisque ce dernier est hiérarchiquement inférieur à « antiinfectieux » (cf. Figure 4.2.1.1).
87
L’explosion des descripteurs se traduit par la recherche de tous les termes qui subsument [[philo.]
Fait de considérer une chose comme faisant partie d'un tout] le descripteur le plus haut de la
hiérarchie.
78
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Figure 4.2.1.1. Arborescence MeSH du descripteur « Anti-infectieux »
4.2.1.2.
C ONCEPTION DE L ’ APPROCHE
L’algorithme se résume en trois étapes séquentielles :
1ère étape : détection automatique du code ATC du cinquième niveau (à 7 caractères) au
niveau du titre de la ressource. Si c’est le cas, la ressource est indexée avec ce dernier ;
Autrement, 2ème étape : détection automatique du nom commercial du médicament au niveau
du titre de la ressource. Si c’est le cas, le code ATC associé au nom commercial est assigné à
la ressource.
Pour ce faire, nous disposions d’une table reliant le nom commercial des médicaments et le
code ATC. Elle est partiellement fournie par le système d'information de l'hôpital de Rouen,
complétée par des données en provenance du Vidal.
À cette étape, une amélioration a dû être réalisée puisque certains noms commerciaux sont
reliés à plusieurs codes ATC, ce qui a entravé l’attribution du code ATC le plus adéquat à la
ressource. Ces noms commerciaux correspondent généralement aux médicaments génériques
et peuvent se différencier par leur forme galénique. Exemple : DICLOFENAC TEVA 1 %
gel a pour code ATC M02AA15 et le DICLOFENAC TEVA 25 mg cp enr gastrorésis a pour
code ATC M01AB05 ;
Sinon, 3ème étape : indexation automatique par le code ATC grâce à l’indexation MeSH
(descripteurs et/ou CCSs) de la ressource. Un code ATC est attribué à la ressource s’il est en
correspondance avec les termes d’indexation MeSH de cette dernière.
Cette étape se base sur le prétraitement réalisé précédemment mettant en relation les
descripteurs MeSH et les CCSs avec les termes ATC. Cette étape est largement perfectionnée
par les règles de post-coordination (cf. section 4.2.1.3).
En revanche et étant donné qu’une ressource peut être indexée par plusieurs descripteurs et/ou
CCSs MeSH, plusieurs codes ATC peuvent être candidats. Pour résoudre ce problème, un
calcul de score, basé sur la fréquence de chaque code ATC en liaison avec l'indexation,
79
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
permet de départager ces candidats. En effet, plus un code ATC admet une pondération
élevée, plus il est susceptible d’être le bon candidat pour l’indexation ATC.
4.2.1.3.
R EGLES DE POST COORDINATION
Afin d’affiner le résultat de la méthode de l’indexation automatique, nous avons eu recours à
des règles de post-coordination. En effet,
 pour améliorer l'indexation automatique des associations des médicaments par la
classification ATC, la pharmacienne nous a recommandé des mesures à respecter qui nous
ont permis de construire la règle suivante : une ressource est indexée par un code ATC si,
et seulement si, tous les termes MeSH (descripteurs et CCSs) associés au terme ATC
correspondant à ce code, sont également des termes d’indexation de la ressource. Par
exemple, une ressource devrait être indexée par le code ATC S01CA01 si, et seulement si,
la ressource est indexée par tous les descripteurs MeSH « association médicamenteuses »,
« dexaméthasone » et « anti-infectieux ».
 comme nous l’avons mentionné auparavant, pour chaque concept chimique
supplémentaire (CCS), le MeSH recommande une projection vers des descripteurs
MeSH. Pour notre approche, l’application de cette règle est occultée dans la mesure où
la ressource ne devrait être indexée que par le code ATC qui est apparié avec le CCS,
sans prendre en compte la projection vers le(s) descripteur(s) MeSH. Par exemple, le
MeSH recommande d'utiliser le descripteur « aciclovir » pour le CCS « Valaciclovir ».
Cependant, si une ressource est indexée avec le CCS « Valaciclovir », elle devrait être
indexée seulement par le terme ATC « Valaciclovir » ayant comme code J05AB11 et
non pas aussi avec les codes ATC D06BB03, J05AB01, J05AB01 et S01AD03
correspondants à l’ « aciclovir ». Toutefois, cette règle ne s'applique pas aux termes
ATC qui sont des associations de substances.
80
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Figure 4.2. Résumé de l’approche de l’indexation automatique par la classification ATC
4.2.1.4.
L E CORPUS D ’ APPLICATION
Il faut noter qu’au moment de la réalisation de cette approche d’indexation automatique par la
classification ATC, nous étions encore dans un monde mono-terminologique dans la mesure
où les ressources n’étaient indexées (manuellement ou automatiquement) que par le thésaurus
MeSH. Dès lors, cette méthode permettait de compléter l’indexation pour être biterminologique.
L’approche de l’indexation automatique par la classification ATC a été réalisée sur le corpus
du Portail d’Information sur les Médicaments (PIM) constitué, alors, de 10.250 ressources :
81
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
5.177 ressources sont manuellement indexées à l’aide du thésaurus MeSH et 5.073 l’étaient
automatiquement.
En fait, au moment de l’implémentation de notre approche, nous avons eu le choix de
l’appliquer, soit sur le corpus du catalogue CISMeF, soit sur celui du PIM. Cependant, se
focalisant sur les médicaments, il était plus judicieux de se concentrer sur le deuxième vu
qu’il a été conçu à cet effet.
4.2.1.5
I MPLEMENTATION DE L ’ APPROCHE
Étant donné que nous disposons d’un système de gestion de base de données (SGBD) Oracle
(actuellement en version 11g) et que l’équipe CISMeF utilise entre autres le PL/SQL
(Procedural Language/SQL) pour les procédures stockées88, nous avons choisi d’implanter
notre approche avec le même langage.
PL/SQL est un langage procédural de quatrième génération d’Oracle corporation étendant
SQL. Il permet de combiner les avantages d’un langage de programmation classique, avec les
possibilités de manipulation de données offertes par SQL. Parmi ses avantages, nous pouvons
noter les instructions procédurales et la gestion des erreurs. Le langage PL/SQL intègre
parfaitement le langage SQL en lui apportant une dimension procédurale. Certes, SQL
permet d'exprimer des requêtes dans un langage relativement simple, mais il n'intègre aucune
structure de contrôle permettant, par exemple, d'exécuter une boucle itérative.
PL/SQL autorise la manipulation complexe des données contenues dans une base Oracle en
transmettant un bloc de programmation au SGBD au lieu d'envoyer une requête SQL. De
cette façon, les traitements sont directement réalisés par le système de gestion de bases de
données. Cela a pour effet, notamment, de réduire le nombre d'échanges à travers le réseau et
donc d'optimiser les performances des applications. Les structures de PL/SQL sont similaires
à celles des langages évolués et fournissent une méthode souple, pour manipuler l'information
d'une base de données.
Le langage PL/SQL définit, aussi, en standard un grand nombre d'exceptions (ou d’erreurs), il
offre un moyen de les identifier et de les traiter à l'aide du mécanisme des exceptions. De
plus, l’utilisateur peut définir ses propres exceptions, ce qui offre de nombreuses possibilités.
4.2.2 RESULTAT : ÉVALUATION DE L’APPROCHE
Pour mesurer le degré de pertinence et l’apport de notre approche, nous avons été amenés à
effectuer une double évaluation : la première se porte sur l’appariement entre la classification
ATC et le thésaurus MeSH, puisque ce prétraitement intervient dans le processus d’indexation
et peut, par conséquent, influencer le résultat. La deuxième évaluation est faite sur le résultat
de la méthode elle-même : la pertinence ou non de l’indexation des ressources par la
classification ATC.
88
Une procédure stockée (ou stored procedure en anglais) est un ensemble d'instructions SQL précompilées, stockées sur le serveur, directement dans la base de données. Elles peuvent être exécutées
sur demande : lancées par un utilisateur, un administrateur DBA ou encore de façon automatisée par
un événement déclencheur.
82
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
4.2.2.1
E VALUATION DE L ’ APPARIEMENT DU PRETRAITEMENT
Pendant le module d’appariement, la correspondance entre les termes ATC et les termes
MeSH (descripteurs et CCSs) nous a permis de réaliser la troisième étape de l’approche
(méthode par indexation).
Au cours du processus de l’appariement, nous n’avons pas réussi à avoir une correspondance
parfaite de tous les termes du cinquième niveau de la classification ATC (correspondants aux
substances chimiques). Les cas de non-correspondance détectés sont principalement dus au
fait que :
 le thésaurus MeSH ne couvre pas forcément toutes les substances chimiques. De ce
fait, certains termes de la classification ATC n’ont pas de correspondance avec des
termes du thésaurus MeSH ;
 au moment de la réalisation de cette approche, certains descripteurs ou CCSs MeSH
n’étaient pas été encore créés (passage de la version 2008 à celle de 2009) ;
 plusieurs concepts chimiques supplémentaires (CCSs) n’étaient pas encore traduits en
français.
A part ces quelques lacunes, la performance du module d’appariement entre la classification
ATC et le thésaurus MeSH (descripteurs et CCSs), en termes de précision et rappel, est jugée
bonne avec 90% de précision et 87% de rappel.
4.2.2.2
E VALUATION DES RESULTATS DE L ’ APPROCHE D ’ INDEXATION
Pour l’évaluation de notre approche, nous avons mesuré, en premier temps, le nombre de
ressources (à partir du corpus de PIM) qui ont pu être indexées par la classification ATC.
Ensuite, nous avons la qualité des ressources en terme de besoin informationnel.
Sur les 5.177 ressources indexées manuellement par le thésaurus MeSH, 3.634 ressources ont
été indexées automatiquement par la classification ATC. Sur ces 3.634 ressources, nous avons
2.608 ressources indexées grâce à la méthode par spécialités ; soit 71,76%, 722 indexées par
la méthode par titre ; soit 19,86% et finalement 304 ressources indexées par la méthode par
indexation ; soit 8,26%.
Sur les 5.073 ressources indexées automatiquement par le thésaurus MeSH, 1.341 ont été
indexées automatiquement par la classification ATC. Sur ces 1.341 ressources, nous avons
1.261 ressources indexées par la méthode par spécialités ; soit 94,03%, suivi par la méthode
par indexation (5,96%) avec 80 ressources et ensuite la méthode par titre.
Ressources indexées
manuellement avec le
thésaurus MeSH
Ressources indexées
automatiquement avec le
thésaurus MeSH
Méthode par titre
722 (19,86%)
0 (0%)
Méthode par spécialités
2.608 (71,76%)
1.261 (94,03%)
Méthode par indexation
304 (8,36%)
80 (5,96%)
83
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
3.634 sur 5.177
(70,2%)
Total
1.341 sur 5.073
(26,4%)
Tableau 4.2.2.2.1. Résultat de l’indexation automatique par la classification ATC selon les
trois méthodes de l’approche
Ressources indexées manuellement
avec le thésaurus MeSH
Méthode par titre
Méthode par spécialités
Ressources indexées automatiquement
avec le thésaurus MeSH
Méthode par titre
Méthode par spécialités
Méthode par indexation
Méthode par indexation
6%
8%
20%
72%
94%
L'indexation automatique par la classification ATC est principalement effectuée par la
méthode par spécialités. Cela est dû au fait que l'indexation automatique par l’ATC est
appliquée sur le corpus du PIM. Au sein de ce dernier, les types de ressources sont relatifs à
l’« information sur les médicaments » et les titres des ressources mentionnent souvent les
noms commerciaux des médicaments.
Le résultat « nul » de l'indexation automatique par la classification ATC, par la méthode par
titre, est dû à l’absence des codes ATC dans les titres des ressources indexées
automatiquement.
Le bon score, pour les ressources indexées manuellement par le thésaurus MeSH concernant
la méthode par titre, s’explique par l’ajout manuel par les indexeurs des codes ATC au niveau
des titres des ressources.
L'évaluation du résultat a été réalisée par notre gold standard (documentaliste-pharmacienne
experte du domaine) sur 200 ressources choisies aléatoirement. Ces dernières sont
répertoriées en ressources manuellement et automatiquement indexées avec le thésaurus
MeSH. La pertinence globale était estimée à 76%, alors que la non pertinence à seulement
20,5% (cf. Tableau 4.2.2.2.2)
L’indexation des ressources du PIM par la classification ATC est jugée selon quatre critères
qui nous ont permis d’établir une évaluation qualitative :
 pertinent quand le code ATC est correct ;
 non pertinent quand le code ATC est complètement erroné ;
 partiel quand il y a potentiellement plusieurs codes ATC et la fonction nous retourne
seulement un seul code ATC ;
84
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
 incomplet quand le code ATC affiché est relatif à un code de niveaux supérieurs de la
substance chimique (le cinquième niveau, composé de 7 caractères), en d’autres
termes, si l’indexation de la ressource est faite par un code relatif aux actions
thérapeutiques/pharmacologiques de la substance chimique.
Ressources indexées
manuellement avec le
thésaurus MeSH
Ressources indexées
automatiquement avec le
thésaurus MeSH
Total
Pertinent
91 (91%)
61 (61%)
152 (76%)
Non pertinent
5 (5%)
36 (36%)
41 (20,5%)
Partiel
3 (3%)
0 (0%)
3 (1,5%)
Incomplet
1 (1%)
3 (3%)
4 (2%)
Tableau 4.2.2.2.2. L’évaluation de l’indexation automatique par la classification ATC
4.2.3 DISCUSSION
De façon générale, pour les 200 ressources évaluées, la pertinence a été estimée à 76%, alors
que la non pertinence était à 20,5%. Pour illustrer les résultats non pertinents, prenons par
exemple, une ressource qui a été indexée par la « méthode par indexation » avec le code ATC
G04BE03 qui correspond au « sildénafil » (administré comme médicament utilisé pour les
troubles de l’érection). Cependant, même si la ressource a été indexée par le terme MeSH
« sildénafil », dans ce document, le médicament est administré pour le traitement de
l'hypertension artérielle pulmonaire et, non pas pour le dysfonctionnement érectile. Ainsi
l'indexation ATC devrait être avec le terme « autres vaso-dilatateurs périphériques » ayant le
code C04AX.
Cet exemple d’erreurs illustre, bel et bien, l’intérêt d’une évaluation manuelle par un expert
afin de se focaliser sur le contexte et d’améliorer l’algorithme d’indexation automatique par la
classification ATC.
Les résultats partiels sont détectés lorsqu’il y a plusieurs codes ATC candidats et, en résultat,
nous avons eu seulement un code ATC. Par exemple, le nom commercial thiovalone admet
deux codes ATC à savoir le R02AA05 et le R01AD07. Une indexation partielle est illustrée
quand une ressource est indexée par l’un ou l’autre.
Les résultats incomplets sont détectés quand le code ATC d’indexation n'est pas le code du
cinquième niveau qui représente le principe actif du médicament. Par exemple, une ressource
était indexée par « vaccins contre les diarrhées à rotavirus » ayant le code ATC J07BH au
lieu de « rotavirus, pentavalent, virus vivant » ayant le code ATC J07BH02.
Parmi les autres types d’erreurs auxquelles nous avons dû faire face, nous trouvons celles
liées à la représentation des codes. Par exemple, dans la figure 4.4.1, même si le code ATC est
présent au niveau du titre, l'indexation de la ressource n’était faite qu’à la troisième étape de
85
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
l’algorithme « méthode par indexation ». Le code ATC n'a pas été détecté au premier niveau
de l'approche due à sa mauvaise représentation.
Figure 4.2.3. Résultat de l’indexation automatique par la classification ATC
4.3 AMELIORATION DE LA RECHERCHE D’INFORMATION PAR EXTENSION
MESH-ATC
4.3.1 ENONCE DE L’ETUDE
Dans le but d’améliorer la recherche d’information concernant les médicaments, nous avons
mis au point une approche permettant la construction de requêtes basées sur un alignement de
la classification ATC avec le thésaurus MeSH. Ceci a pour but de placer les substances
chimiques dans leurs contextes et, par-là même, de minimiser les erreurs qu’on a eues lors de
l’évaluation de nos résultats antérieurs.
L’étude se base sur l’appariement des différents codes et libellés des différents niveaux de la
classification ATC avec le thésaurus MeSH. Pour cela, nous avons complété l’appariement
fait précédemment avec une mise en correspondance des libellés de premier, deuxième,
troisième et quatrième niveaux de la classification ATC avec des stratégies de recherche
CISMeF89. L’appariement est fait exclusivement d’une manière manuelle par la
documentaliste-pharmacienne de l’équipe CISMeF. Le choix d’un tel appariement se base sur
le fait que les stratégies de recherche sont plus concises ce qui peut contextualiser les
substances chimiques (un problème déjà rencontré et expliqué à la section précédente).
89
Se référer au Chapitre 3, Section 3.1.2.4 pour plus d’information sur les stratégies de recherche
86
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Exemple d’appariement manuel :
Code
ATC
A
A01
A01A
A01AA
A01AB
A01AC
A01AD
Libellé ATC
Appariement MeSH
(maladie de l'appareil digestif/traitement médicamenteux.mc
sauf tumeurs.mc) ou agents gastro-intestinaux.mc ou maladies
voies digestives
métaboliques et nutritionnelles/traitement médicamenteux.mc
et métabolisme
ou maladies du système stomatognathique/traitement
médicamenteux.mc
maladies du système stomatognathique/traitement
préparations
médicamenteux.mc ou préparations pharmaceutiques en
stomatologiques
odontologie.mc ou bains de bouche.mc
maladies du système stomatognathique/traitement
préparations
médicamenteux.mc ou préparations pharmaceutiques en
stomatologiques
odontologie.mc ou bains de bouche.mc
médicaments
prophylactiques cariostatiques.mc ou caries dentaires/prévention et contrôle.mc
anti-caries
(maladies du système stomatognathique/traitement
anti-infectieux
médicamenteux.mc ou préparations pharmaceutiques en
pour traitement
odontologie.mc ou bains de bouche.mc) et anti-infectieux.mc et
oral local
administration topique.mc
((stéroïdes.mc et anti*inflammatoires.mc) ou hormones
corticosurrénaliennes.mc ou glucocorticoïdes.mc ou
corticoïdes pour
minéralocorticoïdes.mc) et (maladies du système
traitement oral
stomatognathique/traitement médicamenteux.mc ou
local
préparations pharmaceutiques en odontologie.mc ou bains de
bouche.mc)
((maladies du système stomatognathique/traitement
médicamenteux.mc et administration topique.mc) ou
autres
préparations pharmaceutiques en odontologie.mc ou bains de
médicaments
bouche.mc) sauf (cariostatiques.mc ou caries
pour traitement
dentaires/prévention et contrôle.mc ou anti-infectieux.mc ou
oral local
(stéroïdes.mc et anti-inflammatoires.ap) ou hormones
corticosurrénaliennes.mc ou glucocorticoïdes.ap ou
minéralocorticoïdes.ap)
Exemple d’appariement automatique du 5ème niveau :
Code
Libellé ATC
Appariement MeSH
ATC
A01AD01
EPINEPHRINE
épinéphrine
A01AD05 ACETYLSALICYLIQUE ACIDE acide acétylsalicylique
A01AD06
ADRENALONE
adrénalone
A01AD07
AMLEXANOX
amlexanox
Type terme
MeSH
descripteur
descripteur
CCS
CCS
Après une étude des correspondances mises en place (tableau ci-dessus), nous avons choisi
celles des trois derniers niveaux de la classification ATC à savoir : le cinquième niveau
correspondant à la substance chimique, le quatrième niveau correspondant au sous-groupe
87
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
chimique et le troisième niveau correspondant au sous-groupe pharmacologique. Nous avons
exclu le premier niveau (groupe anatomique principal) et le deuxième niveau (sous-groupe
thérapeutique) car ils représenteraient un appariement trop général pour notre étude.
Afin d’évaluer la valeur ajoutée d’un tel appariement pour la recherche d’information, nous
avons eu recours aux différents types de requêtes, selon les différents niveaux de la
classification ATC.
Pour le troisième et le quatrième niveaux, nous avons trois types de requêtes :
 requête1 : le code ATC ;
 requête2 : l’appariement MeSH du code ATC ;
 requête3 : le code ATC OU l’appariement MeSH (requête1 ou requête2).
Pour le cinquième niveau, nous avons ajouté à ces trois types de requêtes deux autres
permettant de contextualiser la substance chimique. À ce niveau, il faut remarquer, comme
nous l’avons mentionné dans le chapitre précédent, qu’ils existent des substances chimiques
ayant plusieurs codes ATC selon leurs caractéristiques chimiques, thérapeutiques et selon
l’organe sur lequel elles agissent (nous les avons nommés ATC multiples) et d’autres
substances chimiques ayant un seul code ATC (nous les avons nommés ATC unique). Ainsi,
nous avons :
 requête4 : l’appariement MeSH du libelle ATC du 5ème niveau ET l’appariement
MeSH du libelle ATC du 1er niveau ;
 requête5 : (l’appariement MeSH du libelle ATC du 5ème niveau ET l’appariement
MeSH du libelle ATC du 1er niveau) OU code ATC du 5ème niveau. (requête1 ou
requête4).
Exemples de requêtes pour le 3ème niveau : P01A - médicaments contre l'amibiase et autres
protozooses
Requête1:
code ATC
Requête2:
appariement MeSH
Requête3:
requête1 ou requête2
P01A.ca
antitrichomonas.mc ou antiamibiens.mc ou
coccidiostatiques.mc
(P01A.ca) OU (antitrichomonas.mc ou antiamibiens.mc ou
coccidiostatiques.mc)
Exemples de requêtes pour le 4ème niveau : G04BD - antispasmodiques urinaires
Requête1:
code ATC
Requête2:
appariement MeSH
Requête3:
requête1 ou requête2
G04BD.ca
parasympatholytiques.mc et
maladies urologiques/traitement médicamenteux.mc
(G04BD.ca) OU (parasympatholytiques.mc et maladies
urologiques/traitement médicamenteux.mc)
88
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Exemples de requêtes pour le 5ème niveau (ATC multiple) : M01AB05 - diclofénac
Requête1:
M01AB05.ca
code ATC
Requête2:
diclofénac.mc
appariement MeSH
(M01AB05.ca) OU (diclofénac.mc)
Requête3:
requête1 ou requête2
(diclofénac.mc) ET (maladies
Requête4:
ostéomusculaires/traitement médicamenteux.mc ou
appariement MeSH du
libellé ATC du 5ème antirhumatismaux.mc ou agents de maintien de la densité
osseuse.mc ou agents neuromusculaires.mc)
niveau ET appariement
MeSH du libellé ATC du
1er niveau.
Requête5:
requête1 ou requête4
(M01AB05.ca) OU ((maladies
ostéomusculaires/traitement médicamenteux.mc ou
antirhumatismaux.mc ou agents de maintien de la densité
osseuse.mc ou agents neuromusculaires.mc) et
diclofénac.mc)
Exemples de requêtes pour le 5ème niveau (ATC unique) : R06AD08 - oxomémazine
Requête1:
R06AD08.ca
code ATC
Requête2:
oxomémazine.sc
appariement MeSH
Requête3:
(R06AD08.ca) OU (oxomémazine.sc)
requête1 ou requête2
Requête4:
appariement MeSH du
libellé ATC du 5ème
niveau ET appariement (oxomémazine.sc) ET (agents de l'appareil respiratoire.mc
ou maladies de l'appareil respiratoire/traitement
MeSH du libellé ATC du
médicamenteux.mc)
1er niveau.
(R06AD08.ca) OU ((oxomémazine.sc) ET (agents de
l'appareil respiratoire.mc ou maladies de l'appareil
Requête5:
respiratoire/traitement médicamenteux.mc))
requête1 ou requête4
4.3.2 RESULTATS
Lors de l’évaluation des résultats de la recherche d’information grâce à ces différents types de
requêtes, nous avons distingué les ressources indexées manuellement (avec le thésaurus
MeSH) et celles indexées automatiquement. Cette distinction se base sur le fait que les
premières sont plus pertinentes en termes d’indexation90.
90
Se référer au Chapitre 1 pour plus de détails
89
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Ainsi, pour un nombre de réponses global concernant une requête, nous obtenons le nombre
de réponses issues de l'indexation manuelle, le nombre de réponses issues de l'indexation
automatique, ainsi que le nombre de réponses correctes respectives. Ce qui nous a conduits
au calcul d’une précision moyenne.
Étant donné que l’évaluation du résultat a été faite exclusivement manuellement, nous avons
dû choisir un échantillon. Ce dernier est pris au hasard et est constitué de 6 codes ATC du 4ème
niveau, 6 codes ATC du 3ème niveau, 10 codes ATC uniques du 5ème niveau et 10 codes ATC
multiples du 5ème niveau).
 Sur les six codes ATC du 4ème niveau, nous avons obtenu le résultat suivant:
Requête1
Requête2
Requête3
Précision moyenne
0,61
1,00
0,73
Tableau 4.3.2.1. Précision moyenne des
ressources indexées manuellement par les
codes ATC du 4ème niveau
Requête1
Requête2
Requête3
Précision moyenne
0,70
1,00
0,70
Tableau 4.3.2.2. Précision moyenne des
ressources indexées automatiquement par les
codes ATC du 4ème niveau
 Sur les six codes ATC du 3ème niveau, nous avons obtenu le résultat suivant :
Requête1
Requête2
Requête3
Précision moyenne
0,82
0,74
0,72
Tableau 4.3.2.3. Précision moyenne des
ressources indexées manuellement par les
codes ATC du 3ème niveau
Requête1
Requête2
Requête3
Précision moyenne
0,78
0,76
0,77
Tableau 4.3.2.4. Précision moyenne des
ressources indexées automatiquement par les
codes ATC du 3ème niveau
 Sur les dix codes ATC uniques du 5ème niveau, nous avons obtenu le résultat suivant:
Requête1
Requête2
Requête3
Requête4
Requête5
Précision moyenne
1,00
0,99
0,99
1,00
1,00
Tableau 4.3.2.5. Précision moyenne des
ressources indexées manuellement par les
codes ATC uniques du 5ème niveau
Requête1
Requête2
Requête3
Requête4
Requête5
Précision moyenne
1,00
0,90
0,98
1,00
1,00
Tableau 4.3.2.6. Précision moyenne des
ressources indexées automatiquement par les
codes ATC uniques du 5ème niveau
90
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
 Sur les dix codes ATC multiples du 5ème niveau, nous avons obtenu le résultat suivant:
Précision moyenne
0,34
0,25
0,25
0,73
0,29
Requête1
Requête2
Requête3
Requête4
Requête5
Précision moyenne
0,37
0,21
0,24
0,84
0,33
Requête1
Requête2
Requête3
Requête4
Requête5
Tableau 4.3.2.7. Précision moyenne des
ressources indexées manuellement par les
codes ATC multiples du 5ème niveau
Tableau 4.3.2.8. Précision moyenne des
ressources indexées automatiquement par les
codes ATC multiples du 5ème niveau
Pour mettre en relief un exemple de corrélation entre la précision et le rappel du système de
recherche d’information, notamment celui du PIM, nous avons mesuré le rappel pour les dix
requêtes de type « code ATC » (pour les codes ATC multiples du 5ème niveau).
Pour ce faire, pour chaque code ATC, la pharmacienne-documentaliste a comptabilisé le
nombre de ressources (indexées manuellement et automatiquement) qui auraient dû être
retrouvées ; en d’autres termes, le total de documents pertinents dans le corpus.
Les résultats obtenus sont illustrés dans les figures ci-dessous :
Les courbes de la précision et du rappel pour les dix
requêtes d'ATC multiples avec des ressources indexées
manuellement
précision
1
rappel
1
1
1
1
1
1
0
0
0,83
0,67
0,67
0,5
0,5
0,36
0,13
R1
R2
0,33
0,22
R3
R4
0,14
R5
0,14
R6
R7
R8
R9
R10
Figure 4.3.2.1. Illustration de la corrélation entre la précision et le rappel pour les requêtes
ayant code ATC multiple sur un corpus indexé manuellement
91
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
Les courbes de la précision et du rappel pour les dix
requêtes d'ATC multiples avec des ressources indexées
automatiquement
précision
rappel
1
1
0,74
R2
0
0
0,38
0,27
0,33
0,13
0,05
R1
1
0,63
0,59
0,57
0,33
1
0
R3
0
R4
R5
R6
R7
R8
R9
R10
Figure 4.3.2.2. Illustration de la corrélation entre la précision et le rappel pour les requêtes
ayant code ATC multiple sur un corpus indexé automatiquement
4.3.3 DISCUSSION
Les résultats, concernant les codes ATC du 4ème niveau, mettent en relief l’avantage de
l’appariement de la classification ATC avec le thésaurus MeSH. Dans ce cas, une recherche
d’information sur les médicaments grâce au descripteur (ou au concept chimique
supplémentaire) MeSH parait plus pertinente.
Contrairement au premier cas, les résultats des codes ATC du 3 ème niveau montrent qu’une
recherche par code ATC pour les actions pharmacologiques des médicaments (3ème niveau de
la classification ATC) donne un meilleur résultat.
Pour les codes ATC uniques, les résultats ne suggèrent pas une grande différence entre les
différents modes de recherche. Ceci peut être expliqué par le fait que les substances
chimiques, ayant un code ATC unique, ne représentent pas des cas de confusions lors de
l’indexation et la recherche d’information.
Pour les codes ATC multiples, une jointure, entre le terme MeSH correspondant au code ATC
du 5ème niveau et celui correspondant au code ATC du 1er niveau, révèle un résultat bien
meilleur que les autres modes de recherche. Effectivement, une telle requête se focalise sur le
contexte de la substance chimique, en d’autres termes, sur quel organe elle agit. Ce cas, est
très intéressant pour notre approche d’indexation automatique des ressources du PIM par la
classification ATC, dans la mesure où nous pouvons nous inspirer d’un tel appariement pour
résoudre l’ambiguïté engendrée par les codes ATC multiples.
Les figures résumant les courbes de la précision et du rappel pour les codes ATC multiples en
utilisant les requêtes de type « code ATC » montrent bien que, d’une manière générale pour
les ressources indexées manuellement, nous avons un bon rappel mais cela reste au détriment
de la précision. Néanmoins, cette différence est moins importante pour les ressources
indexées automatiquement.
92
Chapitre 4 : Approche de l’indexation automatique pour les médicaments
CONCLUSION
Le Portail d’Information sur les Médicaments (PIM), conçu et mis en œuvre pendant cette
thèse, respecte la définition et les caractéristiques de base d’un portail informatique qui peut
être défini comme étant « un site Web qui catalogue les principales ressources disponibles
pour un domaine particulier, qui comporte généralement un moteur de recherche et offre des
services thématiques et personnalisés ».
La construction de ce portail nous a permis, par la suite, d’effectuer nos travaux de recherche
sur les médicaments, afin d’améliorer leur exploitation.
A notre connaissance, l’indexation par la classification ATC est une réalisation innovante
appliquée à un site web sur les médicaments. Notre approche nous a permis une meilleure
indexation des ressources du PIM par une terminologie autre que le thésaurus MeSH, ce qui
lui a donné son aspect multi-terminologique (bi-terminologie).
Les résultats prometteurs de l’étude sur l’extension de la classification ATC par le thésaurus
MeSH nous laissent optimistes pour consolider notre approche et améliorer l’indexation des
ressources par la classification ATC notamment dans le PIM.
93
Chapitre 5 : Recherche d’Information Multi-Terminologique
CHAPITRE 5
RECHERCHE
D’INFORMATION
MULTI-TERMINOLOGIQUE
APPLIQUEE AU DOMAINE MEDICAL
Introduction .................................................................................................................................................................. 94
5.1
La recherche d’information de l’équipe CISMeF ........................................................................... 94
5.1.1
Etude de l’existant ............................................................................................................................. 94
5.1.2
Stratégie de recherche d’information mono terminologique de l’équipe CISMeF .. 97
5.1.3
Stratégie de recherche d’information multi-terminologique de l’équipe CISMeF 101
5.1.3.1 Algorithmique .............................................................................................................................. 101
5.1.3.2 Implémentation de l’algorithme .......................................................................................... 105
5.1.3.3 Evaluation de la plus value de la multi-terminologie .................................................. 106
5.1.3.3.1 Méthode ............................................................................................................................... 106
5.1.3.3.2 Résultats .............................................................................................................................. 108
5.1.3.3.3 Discussion ........................................................................................................................... 110
5.2 Classement du résultat de la recherche d’information ..................................................................... 113
Conclusion .................................................................................................................................................................. 115
INTRODUCTION
Ce chapitre décrit notre algorithme de recherche d’information multi-terminologique. Nous
présentons, tout d’abord, une panoplie de travaux et de systèmes de recherche d’information
du domaine de la santé basés sur l’expansion de requêtes et de la sémantique. Nous détaillons
par la suite les algorithmes de recherche d’information mono-terminologique et multiterminologique, appliqués au sein du catalogue CISMeF. Ensuite, nous exposons l’évaluation
qui a été faite, afin de mettre en relief la valeur ajoutée de notre approche. Enfin, nous
décrivons le classement du résultat de la recherche d’information.
5.1 LA RECHERCHE D’INFORMATION DE L’EQUIPE CISMEF
5.1.1 ETUDE DE L’EXISTANT
S’appliquant, particulièrement au domaine de la santé, plusieurs approches et systèmes
d’information et de recherche ont été mis en place permettant d’améliorer et/ou d’assister les
utilisateurs au moment de la recherche d’information. (McCray et al., 2004) ont développé un
moteur de recherche qui utilise un serveur terminologique. Les requêtes des utilisateurs sont
94
Chapitre 5 : Recherche d’Information Multi-Terminologique
analysées et étendues avec des variantes orthographiques et des synonymes, et des
suggestions sont offertes à l’utilisateur pour modifier sa requête.
Le système HIQuA (Zeng et al., 2006) propose des termes aux utilisateurs pour affiner leurs
requêtes. Pour cela, les requêtes sont appariées avec les concepts de l’UMLS, puis, grâce aux
relations sémantiques existantes dans l’UMLS et aux cooccurrences entre concepts dans la
littérature médicale, les concepts les plus proches sont identifiés. L’inconvénient de ce
système est que l’appariement entre les concepts des utilisateurs et les concepts d’UMLS
n’était pas toujours faisable ce qui a limité la performance du processus d’enrichissement des
requêtes.
WRAPIN, un moteur de recherche en santé proposé par (Gaudinat et al. 2006), permet de
mettre à disposition des citoyens, des sites Internet de santé de qualité accrédité. WRAPIN
propose un processus de recherche d’information fondé sur une reformulation de requêtes.
Ces dernières sont enrichies par une liste pertinente de termes du thésaurus MeSH et du
domaine médical. Ceci permet d’obtenir une requête plus précise. Par exemple, une requête
concernant une « maladie » aboutit à une recherche se rapportant à ces catégories :
« complications », « traitement », « prévention »…Par rapport à notre approche de recherche
multi-terminologique, nous pouvons considérer une limite de ce travail est l’utilisation d’une
seule terminologie médicale (notamment le thésaurus MeSH) pour l’expansion de requêtes.
(Bratsas et al. 2007) ont mis au point une méthodologie et une procédure pour définir une
expansion, fondée sur la logique floue, du modèle d’ontologie et des requêtes. De plus, ils ont
construit un modèle d’espace vectoriel fondé sur les ontologies permettant un appariement
pertinent entre les critères de recherche, prédéfinis par l’utilisateur, et les connaissances, déjà
acquises, concernant un problème de santé. L’expansion de requête se fait en ajoutant les
concepts ayant même CUI (Concept Unique Identifier), les synonymes, les types sémantiques,
les relations de subsomption de l’UMLS.
En 2008, (Abdou et al., 2008) proposent, pour une recherche dans la base de données
Medline, un modèle d’expansion de requêtes basé sur le modèle d’espace vectoriel tf-idf91.
Pour cela, ils construisent un premier ensemble de recherche formé par tous les termes de la
requête initiale de l’utilisateur et tous les termes d’indexation appartement aux premiers
documents les mieux classés. Par la suite, à chaque terme est associé un poids qui reflète son
degré d’importance. À la deuxième étape, le nouvel ensemble est formé par les termes ayant
les poids les plus élevés. Et ainsi de suite… Les expérimentions réalisées sur une collection de
Medline, mettent en relief la performance du modèle probabiliste utilisé par rapport aux
modèles d’espace vectoriel.
En 2009, une étude a été réalisée par (Lu et al., 2009) permettant d’évaluer l’expansion des
requêtes en utilisant le MeSH lors de la recherche d’information dans PubMed/Medline. En
effet, les auteurs ont essayé d’étudier l'efficacité d'employer le MeSH dans PubMed grâce à
son processus d'expansion automatique de requête : appariement automatique des termes
(ATM). Pour cela, ils ont construit automatiquement, en premier lieu, une requête en
91
Se référer au Chapitre 2 pour plus de détails sur le modèle vectoriel
95
Chapitre 5 : Recherche d’Information Multi-Terminologique
choisissant des mots-clés à partir de la requête initiale. Après, chaque requête est étendue par
l’ATM. Les résultats expérimentaux suggèrent que l'expansion des requêtes en utilisant le
MeSH dans PubMed peut généralement améliorer la performance des résultats. Dans la même
année, l’équipe CISMeF a proposé une optimisation de l’algorithme ATM de PubMed pour
améliorer la recherche d’information dans Medline (Thirion et al., 2009). Les nouvelles
requêtes construites pour cet effet sont plus précises que les requêtes PubMed actuelles
(54.5% vs. 27%)92. En effet, la nouvelle approche permet de restituer de nouveaux documents
pertinents grâce à la manière d’introduire les synonymes des descripteurs MeSH dans les
requêtes.
 Représentation des textes en sac de mots
Le sac des mots est la représentation de textes la plus simple qui a été introduite dans le cadre
du modèle vectoriel. Il s’agit de transformer les textes des documents en vecteurs dont chaque
composante représente un mot. Les mots ont l'avantage de posséder un sens explicite. Nous
pouvons le considérer comme étant une suite de caractères appartenant à un dictionnaire, ou
bien, de façon plus pratique, comme étant une séquence de caractères non délimiteurs
encadrés par des caractères délimiteurs (la ponctuation). Pour cela, il faut alors gérer les
sigles, ainsi que les mots composés, ce qui nécessite un prétraitement linguistique. Par
exemple, nous pourrons conserver les majuscules pour aider à la reconnaissance de noms
propres, mais dans ce cas il faut résoudre le problème des débuts de phrases.
La notion de sac de mots fait référence au fait que la représentation des textes exclut toute
analyse grammaticale et toute notion de distance entre les mots. En effet, les composantes du
vecteur sont en fonction de l'occurrence des mots dans le texte. D'autres auteurs parlent
d'«ensemble de mots » lorsque les poids associés sont binaires.
Dans ce modèle, chaque flexion93 d’un mot est considérée comme un descripteur différent et
donc, une dimension de plus. Ainsi, les différentes formes d’un verbe constituent autant de
mots. Par exemple, les mots « déménageur, déménageurs, déménagement, déménagements,
déménager, déménage, déménagera, etc. » sont considérés comme des descripteurs différents
alors qu’il s’agit de la même racine «déménage ».
Pour faire face à ce problème, les techniques de désuffixation (troncature ; stemming) et de
lemmatisation peuvent être appliquées94.
Lors de la représentation en sac de mots, chacun des mots d’un corpus est un descripteur
potentiel. Ceci peut poser le problème de la grande dimension de l’espace de représentation.
Or, pour un corpus de taille raisonnable, ce nombre peut être de plusieurs dizaines de milliers.
Pour beaucoup d’algorithmes d’apprentissage, la sélection d’un sous-ensemble de
descripteurs peut être indispensable afin de faire face :
92
De nouvelles optimisations ont été développées en 2010. Je participerai après ma thèse à les évaluer
dans le cadre d’amélioration de la recherche d’information.
93
Variation de la forme des unités lexicales en fonction de facteurs grammaticaux ; nous distinguons
traditionnellement la déclinaison (nom, adjectif, pronom) et la conjugaison (verbe).
94
Se référer au Chapitre 2 ; Section 2.3.3.2 pour plus de détails de la désuffixation et de la
lemmatisation.
96
Chapitre 5 : Recherche d’Information Multi-Terminologique
 au coût du traitement car le nombre des termes intervient dans l’expression de la
complexité de l’algorithme ; plus ce nombre est élevé, plus le volume de calcul est
important ;
 à la faible fréquence de certains termes : nous ne pouvons pas construire des règles
fiables à partir de quelques occurrences dans l’ensemble d’apprentissage.
Pour réduire la dimension de l’espace de représentation, nous pourrons supprimer les mots les
plus fréquents, puisqu’ils n’apporteraient pas d’information sur la catégorie d’un document.
De même, les mots très rares, qui n’apparaissent qu’une ou deux fois dans un corpus, sont
supprimés, car leurs faibles fréquences ne permettent pas de construire des règles stables.
Cependant, même après la suppression de ces deux catégories de mots, le nombre de
candidats peut rester élevé. Dans ce cas, nous pouvons utiliser une méthode permettant de
choisir les mots ayant un sens sémantique (appartenant à des terminologies) pour représenter
les documents.
Dans le cadre de cette approche, nous présentons, dans les paragraphes qui suivent,
l’interprétation de la requête de l’utilisateur en utilisant les concepts des terminologies
médicales intégrées dans notre système d’information CISMeF.
Par ailleurs, nous décrivons la migration de notre modèle de recherche du monde monoterminologique vers l’univers multi-terminologique. Notre modèle est inspiré du modèle
basé-concepts (cf. Chapitre2).
En effet, une des définitions des ontologies, nous pouvons citer celle de (Zweigenbaum, 1999)
qui présente l’ontologie comme « l’aboutissement formel de la définition d’une
terminologie ». Les principales caractéristiques de la terminologie CISMeF par rapport à une
ontologie sont :
 le vocabulaire est bien connu des documentalistes et des professionnels de la santé et il
correspond à celui du domaine médical ;
 chaque concept a un terme préférentiel (descripteur) pour l’exprimer en langage
naturel, un ensemble de propriétés, une définition, un ensemble de synonymes, un
ensemble de règles et de contraintes ;
 les concepts sont organisés selon une relation de subsumption allant du concept le plus
général au plus spécifique.
Cependant, ce qui manque à la terminologie CISMeF c’est la dimension formelle qui
caractérise plus spécifiquement les ontologies.
5.1.2 STRATEGIE DE RECHERCHE D’INFORMATION MONO TERMINOLOGIQUE DE
L’EQUIPE CISMEF
Le but de la recherche d’information est d’apparier la requête de l’utilisateur avec les
ressources du catalogue CISMeF les plus représentatives du besoin informationnel de
l’utilisateur.
97
Chapitre 5 : Recherche d’Information Multi-Terminologique
Pour cela, les ressources sont indexées en amont d’une manière manuelle, supervisée ou
automatique permettant d’avoir une représentation dans un espace conceptuel.
Étant donné une requête de l’utilisateur exprimée en langage naturel, trois étapes essentielles
sont appliquées permettant d’obtenir sa représentation dans un espace conceptuel :
 1ère étape : normalisation et découpage en mots
Cette étape consiste à analyser la requête initiale de l’utilisateur, la normaliser (enlever la
ponctuation, rendre les termes minuscules et sans accents), ensuite la découper en mots et
enfin, enlever les mots vides et ranger les mots, ayant un sens sémantique, par ordre
alphabétique. Les mots vides sont des termes non significatifs qui peuvent générer du bruit
lors du processus de la recherche d’information. Par exemple, dans la requête « le rouge et le
noir », nous devrons éliminer les termes « le» et «et » si nous ne souhaitons pas avoir les
documents indexés par « le corbeau et le renard » à cause de la présence de ces termes vides.
Les termes rares dans un document ne peuvent pas le représenter et les termes qui
apparaissent fréquemment dans tous les documents ne peuvent pas être utilisés pour les
différencier. Ainsi, ils sont assimilés à des mots vides. L’ensemble des termes à retenir sont
les termes qui ont un poids entre le seuil des termes rares et le seuil des mots vides (Luhn,
1958). Une autre hypothèse, qui peut être prise en considération, suggère que les poids des
termes dans les documents sont définis en appliquant des méthodes statistiques. Selon ces
poids, les termes les plus descriptifs sont retenus (Zipf, 1949).
Pour notre traitement des requêtes, nous avons recours à une liste des mots vides obtenue à
partir de Lexique95. Cette liste est régulièrement maintenue par notre équipe afin d’ajouter et
de mettre à jour les termes qui peuvent être reconsidérés (ou non) comme pertinents pour la
recherche d’information. S’ajoute à cet ensemble, une liste d’expressions vides (tel que « tout
d’abord ») développée au fur et à mesure, dans le but de diminuer le bruit tant que possible.
À la fin de cette étape, nous avons donc tous les termes significatifs de la requête rangés par
ordre alphabétique.
 2ème étape : désuffixation des termes
Disposant du sac de mots constitué de l’ensemble des mots les plus significatifs de la requête,
rangés par ordre alphabétique, un deuxième traitement est appliqué afin de supprimer la trop
grande variabilité des mots. En effet, les variabilités flexionnelles (pluriel, conjugaison) et les
variabilités dérivationnelles (passage d’une catégorie morphosyntaxique à une autre)
introduisent un grand nombre de termes différents raccordés à une même racine et donc, dans
la plupart des cas, à un même sens.
Dans l’équipe CISMeF, nous avons utilisé une technique qui repose sur une liste de suffixes
et un ensemble de règles de désuffixation construites à priori et qui permettent de retrouver
95
Lexique. Lexique 3 est une base de données qui fournit pour 135 000 mots du français: les
représentations orthographiques et phonémiques, la syllabation, la catégorie grammaticale, le genre et
le nombre, les fréquences, les lemmes associés… URL : http://www.lexique.org/
98
Chapitre 5 : Recherche d’Information Multi-Terminologique
les radicaux des termes. L’idée générale est d’éliminer ou remplacer, au fur et à mesure, les
suffixes rencontrés selon des règles de désuffixation dépendant de la taille du mot, du suffixe
et du mot. L’ordre de traitement des suffixes dépend de leurs tailles en favorisant les plus
longs en premier. Par exemple, pour le mot « fonctionnelles », nous obtenons le radical
« fonc » suite à trois passages par la liste des suffixes et en respectant les règles de
désuffixation.
 3ème étape : identification des descripteurs MeSH
La troisième étape consiste à identifier les potentiels descripteurs MeSH à partir du sac des
mots de la requête de l’utilisateur.
En effet, nous cherchons la combinaison des termes (Nb = nombre de mots non vides de la
requête) la plus longue qui pourrait être identifiée comme un descripteur. Ensuite, nous
examinons la combinaison de longueur (Nb-1) et, ainsi de suite jusqu’à l’épuisement de toutes
les combinaisons possibles.
Exemple : Soit la requête de l’utilisateur « maladie de l'appareil digestif ». Après
l’élimination des mots vides et la désuffixation des termes les plus significatifs (1ère et 2ème
étapes), le sac de mots est constitué de cet ensemble {appareil ; digestif ; maladi}. La
combinaison la plus longue, à trois termes nous permet d’identifier le descripteur « maladie
de l'appareil digestif » du thésaurus MeSH. En conséquence, le processus s’arrête à ce stade
sans chercher d’autres termes d’indexation de longueur inférieure.
Une fois les descripteurs du thésaurus MeSH identifiés, cette 3ème étape pourrait être enrichie
par l’identification des termes devant être indexés avec les descripteurs ainsi identifiés, tels
que l’affiliation des qualificatifs, l’application des règles d’indexation du MeSH et des actions
pharmacologiques (cf. Chapitre2). Par exemple, si la requête est indexée par le concept
chimique supplémentaire « Racécadotril », elle doit aussi être indexée par le descripteur
« Antidiarrhéiques » représentant son action pharmacologique.
Figure 5.1.2. Résumé du traitement pour représenter la requête de l’utilisateur dans un
monde mono-terminologique
99
Chapitre 5 : Recherche d’Information Multi-Terminologique
Ainsi, à ce stade, nous avons la représentation de la requête de l’utilisateur d’une part, et celle
des ressources du catalogue CISMeF (déjà indexées), d’autre part, dans un même espace
conceptuel.
Afin de trouver la meilleure correspondance entre les ressources du catalogue CISMeF et la
requête de l’utilisateur, l’algorithme de recherche de l’équipe CISMeF (Soualmia et al. 2006)
était basé sur trois étapes largement inspirées des heuristiques de PubMed permettant l’accès
à la base de données bibliographique MEDLINE (PubMed help, 2005):
1ère phase : la recherche au niveau des termes d’indexation ou au niveau des titres des
ressources. Si les termes représentatifs de la requête de l’utilisateur correspondent à
des termes au niveau du titre de la ressource ou aux termes d’indexation de cette
dernière, le processus s’arrête. Nous aurons, comme résultat, non seulement les
ressources indexées par les descripteurs ainsi identifiés, mais aussi les ressources
indexées par les descripteurs qui les subsument directement ou indirectement et au
niveau de toutes les hiérarchies possibles96 ;
2ème phase : la recherche dans les métadonnées des ressources. Si la première étape ne
donne aucun résultat, la recherche s’effectue au niveau des métadonnées (résumé,
auteurs, éditeur…) des ressources avec une mesure d’adjacence fixée empiriquement à
n ; n étant 5*(nombre des mots de la requête -1) ;
3ème phase : la recherche en plein texte. Si la deuxième étape ne donne pas de résultat,
la recherche s’effectue en plein texte avec une mesure d’adjacence fixée
empiriquement égale à n termes ; n étant 10*(nombre des mots de la requête-1). Pour
cette phase, nous utilisons l’outil d’oracle Oracle text97 qui permet l’indexation,
l’interrogation et la présentation des documents.
En cas d’échec de ces trois étapes de recherche de l’algorithme CISMeF, nous avons mis au
point une recherche complémentaire :
4ème phase : la recherche d’information étendue à Google-CISMeF. Google-CISMeF98
consiste à indexer les pages de Google en se restreignant aux sites éditeurs de CISMeF
(Gehanno et al. 2009). Le corpus de CISMeF est d’environ 105 pages (pour 73.800
ressources ; plusieurs ressources ont plusieurs URL) alors que le corpus de Google est
d’environ 106 pages. Nous avons utilisé le moteur de recherche personnalisé de
Google99 qui a permis d’inclure plusieurs sites et pages web et d’effectuer des
recherches automatiques rapides dans les liens. Le résultat de la recherche est affiché
selon l’algorithme PageRank (Brin et al., 1998). L’évaluation de la pertinence des
96
En effet, un descripteur MeSH peut appartenir à plusieurs hiérarchies tel que « Fluorure de
phosphate acidulé » appartenant tantôt à l’arborescence D « Produits chimiques, biologiques et
pharmaceutiques » tantôt à l’arborescence J « Technologie aliments et boissons ».
97
Introduction to Oracle text. URL :
http://download.oracle.com/docs/cd/B10500_01/text.920/a96517/cdefault.htm
98
CISMeF,
Outils
de
recherche
personnalisés.
URL :
http://www.churouen.fr/documed/cismefgoogle.htm
99
Google recherche personnalisée. URL : http://www.google.com/cse/
100
Chapitre 5 : Recherche d’Information Multi-Terminologique
ressources restituées avec Google-CISMeF et notre moteur de recherche nous a permis
d’enregistrer une meilleure couverture en faveur de Google-CISMeF (100% vs. 96%).
5.1.3 STRATEGIE DE RECHERCHE D’INFORMATION MULTI-TERMINOLOGIQUE DE
L’EQUIPE CISMEF
À la différence du précédent algorithme mono-terminologique, notre nouvelle stratégie de
recherche au sein du catalogue CISMeF est basée, non seulement sur une expansion de
requêtes s’appuyant sur l’enrichissement par synonymie et hiérarchisation, mais aussi par
appariement entre les différentes terminologies présentes dans notre base de données (back
office CISMeF)100.
En effet, grâce au passage du monde mono-terminologique vers l’univers multiterminologique, nous avons pu réaliser une recherche d’information médicale multiterminologique qui a permis l’enrichissement de l’information fournie à l’utilisateur selon ses
propres connaissances terminologiques.
Notre nouvel algorithme se différencie principalement, de ce qui précède au niveau de
l’indexation de la requête de l’utilisateur. Le sac de mots, déjà employé par (Soualmia, 2004)
(Pereira, 2008), a été modifié selon nos propres besoins. S’ajoute à ceci, la mise à jour de la
méthode de désuffixation. Une étude, permettant de comparer différents algorithmes de
désuffixation a été faite par (Pereira, 2008) et a permis de mettre en relief les avantages de
l’algorithme de Lucene (Hatcher et al., 2004) qui s’inspire des travaux de Porter (Porter,
1980). L’évaluation a été réalisée avec trois algorithmes, à savoir celui de l’équipe CISMeF
que nous avons utilisé jusqu’à maintenant, celui de Carry (Paternostre et al. 2002) et celui de
Lucene. Bien que, d’une manière générale, le principe de désuffixation est à peu près le
même, la différence observée entre les trois algorithmes est due aux règles appliquées. Le
résultat de l’évaluation enregistre une F-mesure à 77,9% pour l’algorithme de Lucene, 70,4%
pour celui de CISMeF et enfin 66,7% pour celui de Carry.
5.1.3.1
A LGORITHMIQUE
 1ère étape : normalisation et découpage en mots
Les mêmes traitements de base sont réalisés pour la requête de l’utilisateur. À la fin de cette
étape, nous avons donc tous les termes significatifs de la requête rangés par ordre
alphabétique
 2ème étape : désuffixation des termes
L’algorithme de Lucene se déroule en 6 étapes permettant l’élimination des suffixes
standards, le traitement des suffixes verbaux, des formes particulières et des caractères
100
Se référer au Chapitre 3 pour plus de détails sur le back office CISMeF
101
Chapitre 5 : Recherche d’Information Multi-Terminologique
doubles… Pour chaque étape, une liste de règles est appliquée, dépendant d’une ou de
plusieurs conditions101.
 3ème étape : identification des descripteurs des terminologies
La troisième étape consiste à identifier les potentiels descripteurs à partir du sac des mots de
la requête de l’utilisateur. Ces descripteurs appartiennent aux différentes terminologies
intégrées dans la base de données CISMeF.
En effet, pour chaque terminologie, nous cherchons la combinaison des termes (Nb = nombre
de mots non vides de la requête) la plus longue qui pourrait être identifiée comme un
descripteur. Si c’est le cas, le processus d’identification de descripteurs s’arrête, pour cette
terminologie.
Si pour une terminologie donnée, un descripteur de longueur (Nb) n’a pas pu être identifié,
nous examinons la combinaison de longueur (Nb-1) ; et, ainsi de suite, jusqu’à l’épuisement
de toutes les combinaisons possibles.
Exemple : Soit la même requête de l’utilisateur « maladie de l'appareil digestif » et le sac de
mots correspondant {appareil ; digestif ; maladi} ; Nb=3.
En procédant aux trois étapes de l’algorithme, pour les différentes terminologies disponibles
(une à une), nous obtenons les descripteurs avec la combinaison des termes la plus longue
{appareil ; digestif ; maladi} « maladie de l'appareil digestif » du thésaurus MeSH,
« maladies de l'appareil digestif » de la classification MedlinePlus, « maladies de l'appareil
digestif » de la CIM-10 et « maladies de l'appareil digestif » de la nomenclature SNOMED.
S’ajoute à cet ensemble, le descripteur « appareil digestif » du dictionnaire DRC et de la
CCAM obtenu avec la combinaison des termes de longueur (Nb-1=2), {appareil ; digestif},
{appareil ; maladi}, {digestif ; maladi}, soit deux termes.
Figure 5.1.3.1.1. Identification des descripteurs des terminologies médicales
Comme avec la version mono-terminologique de l’indexation, cette phase est complétée par
l’identification des termes devant être indexés avec les descripteurs ainsi identifiés, tels que
101
Se référer à l’Annexe C, pour l’algorithme Lucene
102
Chapitre 5 : Recherche d’Information Multi-Terminologique
l’affiliation des qualificatifs, l’application des règles d’indexation du MeSH et des actions
pharmacologiques.
Figure 5.1.3.1.2. Résumé du traitement pour représenter la requête de l’utilisateur dans un
monde multi-terminologique
Ainsi, à partir de la représentation de la requête, notre algorithme de recherche d’information
multi-terminologique s’applique selon trois phases :
1ère phase : Identification des descripteurs par rapport aux termes d’indexation de la
ressource ou au niveau du titre de la ressource. En effet, nous jugeons que retrouver des
ressources qui sont indexées (ou leurs titres représentés) par des descripteurs identifiables
au niveau de la requête de l’utilisateur est la première phase la plus pertinente en terme
d’appariement termes/ressources.
Par exemple, étant donnée la requête de l’utilisateur « asthme de l’enfant », le résultat de
la requête booléenne est le suivant :
Requête : asthme de l’enfant
Résultat : ((asthme.mr[ART][CIM][CIP][DRC][MSH][SNO]
(enfant.mr[MSH][SNO] ou enfant.ti))
ou
asthme.ti)
et
ou (asthme chez l’enfant.mr[MED] ou asthme enfant.ti)
Note : mr : mot réservé (métaterme + descripteur + qualificatif + type de ressources),
rechercher le terme comme un terme d’indexation de la ressource ; ti : rechercher le
terme au niveau du titre de la ressource ; ART : la terminologie WHO-ART ; CIM : la
classification CIM-10 ; CIP : la terminologie CISP2 ; DRC : la terminologie DRC ;
MSH : le thésaurus MeSH ; SNO : la nomenclature SNOMED ; MED : la terminologie
MedlinePlus.
Dans ce cas, tous les termes de la requête de l’utilisateur sont identifiés comme
103
Chapitre 5 : Recherche d’Information Multi-Terminologique
descripteurs dans une ou plusieurs terminologies.
Si un terme de la requête initiale n’a pas été identifié comme un descripteur d’une
terminologie, la requête booléenne est transformée afin de rechercher le terme au niveau
du titre de la ressource.
Par exemple,
Requête : développement psychomoteur de l'enfant
Résultat : (developpement de l'enfant.mr[MSH] et psychomoteur.ti ) ou
(developpement psychomoteur.mr[SNO] et enfant.mr[SNO]) Ou (developpement de
l'enfant.mr[MED] et psychomoteur.ti)
Note : mr : mot réservé (métaterme + descripteur + qualificatif + type de ressources),
rechercher le terme comme un terme d’indexation de la ressource ; ti : rechercher le
terme au niveau du titre de la ressource ; MSH : the MeSH thesaurus ; MSH : le
thésaurus MeSH ; SNO : la nomenclature SNOMED ; MED : la terminologie
MedlinePlus.
Dans cet exemple, tous les termes de la requête ont été identifiés comme des descripteurs
SNOMED « développement psychomoteur » et « enfant ». En prenant le thésaurus
MeSH, le terme psychomoteur n’a pas été identifié comme un descripteur, donc la
requête booléenne est complétée par une recherche dans le titre, d’où la recherche
suivante : developpement de l'enfant.mr[MSH] et psychomoteur.ti.
2ème phase : Identification des descripteurs au niveau des métatermes. En effet, si un
terme de la requête n’a pas été reconnu comme un descripteur ou présent dans le titre de
la ressource, la recherche est faite au niveau des métadonnées de la ressource (les champs
caractérisant la ressource tels que la description, l’éditeur, la date…) avec une mesure
d’adjacence égale à 5. En d’autres termes, la distance en termes de nombre de mots entre
les termes de la requête est égale à 5.
Par exemple,
Requête : association formotérol corticostéroïde
Résultat : (((corticosteroides.sr ou corticosteroide.ti)) et (association.mr[CIS][MSH] ou
association.ti)) et (formoterol.mr[MSH] ou formoterol.ti) = 0
-> ((((corticosteroides.sr ou corticosteroide.tc)) et (association.mr[CIS][MSH] ou
association.tc)) et (formoterol.mr[MSH] ou formoterol.tc)) ou (l'association formoterol
corticosteroide.at)
Note : mr : mot réservé (métaterme + descripteur + qualificatif + type de ressources),
rechercher le terme comme un terme d’indexation de la ressource ; ti : rechercher le
terme au niveau du titre de la ressource ; tc : tous les champs, rechercher le terme au
niveau des métadonnées ; CIS : la terminologie CISMeF ; MSH : le thesaurus MeSH.
Le résultat met en relief la recherche en deux phases.
104
Chapitre 5 : Recherche d’Information Multi-Terminologique
3ème phase : Identification des descripteurs en plein texte. Dès lors, un terme de la requête
n’est pas reconnu comme un descripteur, ni présent dans le titre de la ressource, ni au
niveau des métadonnées de la ressource, la recherche est appliquée en plein texte avec
une mesure d’adjacence égale à 10.
Par exemple,
Requête : bronchite asthmatiforme
Résultat : ((bronchite.mr[ART][MED][MSH][SNO]
asthmatiforme.ti = 0
ou
bronchite.ti))
ET
-> (((bronchite.mr[ART][MED][MSH][SNO] OU bronchite.tc)) ET asthmatiforme.tc)
OU (bronchite asthmatiforme.at) = 0
-> bronchite asthmatiforme.aj
Note : mr : mot réservé (métaterme + descripteur + qualificatif + type de ressources),
rechercher le terme comme un terme d’indexation de la ressource ; ti : rechercher le
terme au niveau du titre de la ressource ; tc : tous les champs, rechercher le terme au
niveau des métadonnées ; at : adjacence tous champs ; aj : adjacence plein texte ; ART
: la terminologie WHO-ART ; MSH : le thésaurus MeSH ; SNO : la nomenclature
SNOMED ; MED : la terminologie MedlinePlus.
Pour cet exemple, nous avons un résultat grâce à la recherche en plein texte. Ce qui veut
dire que les termes « bronchite » et « asthmatiforme» sont présents dans le texte du
document et distants de moins de10 mots.
4ème phase : la recherche d’information étendue à Google-CISMeF. Les descripteurs
identifiés de la requête sont appariés avec les concepts UMLS ayant le même CUI
(Concept Unique Identifier). Un CUI regroupe tous les termes des différentes
terminologies médicales qui partagent le même sens. L’expansion de requête peut être,
par la suite, enrichie, par transitivité, par d’autres synonymes de concepts. Par
exemple, le descripteur MeSH « avortement provoqué » est apparié avec le descripteur
MedDRA « interruption de la grossesse » ou encore le descripteur de la CIM10 « interruption de la grossesse affectant le fœtus et le nouveau-né » ayant le même
CUI UMLS. Ainsi, la recherche dans Google permet de retrouver tous les documents,
des sites éditeurs CISMeF, indexés par ces trois termes.
5.1.3.2
I MPLEMENTATION DE L ’ ALGORITHME
Le passage du monde mono-terminologique vers l’univers multi-terminologique et, par
conséquent, la mise à jour de la base de données et l’implémentation de l’algorithme a été
réalisé en collaboration avec une équipe de 8 ingénieurs de l’Institut National des Sciences
Appliqués (INSA) de Rouen dans le cadre d’un PIC (Projet INSA Certifié) 2008-2009.
Dans le même cadre d’implémentation, l’algorithme de recherche d’information multiterminologique est programmé en Java et disponible dans la version R&D de Doc’CISMeF.
105
Chapitre 5 : Recherche d’Information Multi-Terminologique
5.1.3.3
E VALUATION DE LA PLUS VALUE DE LA MULTI - TERMINOLOGIE
Pour évaluer notre approche, nous avons réalisé une étude, fin 2009, permettant de mesurer la
valeur ajoutée de l’univers multi-terminologique par rapport au monde mono-terminologique
lors de la recherche d’information dans le catalogue CISMeF.
La figure 5.1.3.3 illustre un exemple de recherche d’information multi-terminologique au sein
du catalogue CISMeF et met en relief l’apport d’une telle recherche. En effet, le descripteur
CCAM « JQQM003 - échographie de surveillance de la croissance fœtale avec échographiedoppler des artères utérines de la mère et des vaisseaux du fœtus » présente pour l’utilisateur
une information plus précise que le descripteur MeSH « échographie prénatale ».
Figure 5.1.3.3. Exemple du résultat de la recherche d’information multi-terminologique
5.1.3.3.1
Méthode
Pour cela, nous avons analysé les requêtes des utilisateurs les plus fréquentes de Doc’CISMeF
(analyse des logs), les avons classifiées en requêtes à un seul terme, requêtes à deux termes et
requêtes à trois termes. Ces types de requêtes mettent en relief la complexité croissante de
l’algorithme de recherche d’information multi-terminologique. Avec des requêtes à plus de
trois termes, nous n’avons pas eu un résultat significatif permettant d’évaluer notre stratégie
de recherche.
106
Chapitre 5 : Recherche d’Information Multi-Terminologique
L’étude (sakji et al. 2010b) est réalisée sur le corpus du catalogue CISMeF composé de
36.107 ressources indexées manuellement et 22.240 ressources indexées automatiquement102.
La recherche est effectuée en deux temps :
1. lancer les requêtes en mono terminologie avec le thésaurus MeSH ;
2. lancer les requêtes en multi-terminologie avec toutes les terminologies présentes dans
le back-office de CISMeF.
Néanmoins, face au problème d’interprétation de requêtes par le moteur de recherche
Doc’CISMeF et, voulant se concentrer sur la valeur ajoutée de la multi-terminologie, nous
avons dû transformer la requête interprétée selon notre algorithme de recherche. Pour cela
nous avons restreint l’ensemble des requêtes sélectionnées à celles ayant des réponses selon la
première phase de l’algorithme (identification des descripteurs et recherche dans le titre de la
ressource) et ne gardant, par la suite, que l’identification des descripteurs.
Ainsi, nous avons comme résultat :
maladie de l'appareil digestif
Requêtes
à 3 termes
Requête
monoterminologique
maladie de l'appareil
digestif.mr[MSH]
Requête
multi-terminologique
non MeSH
Requête
multi-terminologique
(maladie
de
l'appareil
digestif.mr[MSH]) Ou (appareil
digestif.mr[DRC] et maladie.ti)
Ou (appareil digestif.mr[CCA]
et maladie.ti) OU (maladies de
l'appareil digestif.mr[CIM]) OU
(maladies
de
l'appareil
digestif.mr[MED])
OU
(maladies
de
l'appareil
digestif.mr[SNO])
((appareil digestif.mr[DRC] et
maladie.ti)
Ou
(appareil
digestif.mr[CCA] et maladie.ti)
OU (maladies de l'appareil
digestif.mr[CIM]) OU (maladies
de l'appareil digestif.mr[MED])
OU (maladies de l'appareil
digestif.mr[SNO])) sauf (maladie
de l'appareil digestif.mr[MSH])
L’évaluation a été réalisée par trois experts : une documentaliste-pharmacienne de l’équipe
CISMeF, un médecin senior de santé publique et un médecin junior de médecine de travail
(assistante hospitalière universitaire en médecine du travail). Nous avons essayé de choisir
des évaluateurs du domaine aussi diversifiés (en spécialités) que possible afin, non seulement,
d’avoir un jugement objectif, mais aussi de voir les différents points de vue des utilisateurs
selon leurs contextes et leurs attentes en recherche d’information.
Pour déterminer l’apport de la multi-terminologie, les experts ont mesuré la qualité, en termes
de besoin informationnel, des ressources distinctes entre les deux modes de recherche. Les
résultats ont été répertoriés comme pertinent si la ressource correspond, bel et bien, au thème
de la recherche, non pertinent si la ressource n’a pas de relation avec le sujet de la requête et
intermédiaire sinon.
102
Les chiffres datant de Décembre 2009, lors de la réalisation de l’étude
107
Chapitre 5 : Recherche d’Information Multi-Terminologique
Ainsi, pour chaque type de requêtes (à 1 terme, à 2 termes ou à 3 termes), chaque évaluateur
classe son jugement selon les trois modalités citées plus haut.
5.1.3.3.2
Résultats
La première colonne du tableau 5.1.3.3.2.1 met en évidence le nombre des ressources
restituées par le mode de recherche mono-terminologique pour chaque type de requête. La
deuxième colonne énumère le nombre des ressources recueillies par le mode de recherche
multi-terminologique. Par construction, toutes les ressources retournées en monoterminologie sont également restituées en multi-terminologie. Dans la troisième colonne, nous
enregistrons le pourcentage des différences entre les deux modes de recherche en terme de
couverture. Nous remarquons que le pourcentage le plus élevé est observé pour les requêtes à
deux termes avec 44,88%.
Nombre des ressources par
Recherche monoterminologique
Recherche multiterminologique
Pourcentage des
différences
Requête à 1 terme
2.942
3.432
16,65%
Requête à 2 termes
3.353
4.858
44,88%
Requête à 3 termes
7.864
7.993
1,64%
Total
14.159
16.283
15%
Tableau 5.1.3.3.2.1. Nombre des ressources selon les différents modes de recherche et les
différents types de requêtes ainsi que le pourcentage de différence entre les deux modes de
recherche
8000
7000
6000
5000
4000
3000
2000
1000
0
Nombre des ressources par
recherche monoterminologique
Nombre des ressources par
recherche multiterminologique
Requête à 1
terme
Requête à 2
termes
Requête à 3
termes
Figure 5.1.3.3.2.1. Illustration de la différence entre les deux modes de recherche selon
chaque type de requête
108
Chapitre 5 : Recherche d’Information Multi-Terminologique
Le tableau 5.1.3.3.2.2 décrit l’évaluation des trois spécialistes que nous avons considérés
comme des gold standard. Leur évaluation se focalise sur les ressources qui ont été restituées
par la recherche multi-terminologique et absentes pour la mono-terminologie. Les valeurs
enregistrées dans le tableau représentent les pourcentages des ressources qui ont été jugées par
les évaluateurs comme pertinentes, intermédiaires ou non pertinentes selon les trois types de
requêtes et les trois spécialistes.
Pour les requêtes à 1 terme, le pourcentage des résultats pertinents est évalué à 67,11%, alors
que l’intermédiaire était à 10,35% contre 21,43% pour les non pertinents.
Pour les requêtes à 2 termes, le résultat global était un peu différent dans la mesure où le
meilleur pourcentage est toujours enregistré pour le pertinent avec 57,81% suivi du résultat
intermédiaire avec 31 ,47% ensuite par le résultat non pertinent avec 10,71%.
Pour les requêtes à 3 termes, les ressources pertinentes enregistrent un taux de 43,66%, les
ressources intermédiaires un taux de 32,44% et les non pertinentes sont à 23,9%.
La moyenne des résultats selon les trois types de requêtes est mise en relief au niveau du
tableau 5.1.3.3.2.3 : d’une manière générale, le premier expert juge les résultats pertinents à
53,8% des cas, le deuxième expert à 68,3% et le troisième expert à 47,7% des cas.
Intermédiaire
(%)
Non
pertinent(%)
pertinent (%)
Intermédiaire
(%)
Non
pertinent(%)
Expert 1 73,03
5,31
21,66
47,17
33,20
19,63
41,12
21,44
37,44
71,66
4,82
20,19
75,94
18,58
5,47
53,87
41,00
5,13
Expert 3 56,65
20,92
22,43
50,33
42,63
7,04
35,99
34,88
29,13
Moyenne 67,11
10,35
21,43
57,81
31,47
10,71
43,66
32,44
23,90
pertinent (%)
pertinent (%)
Requête à 3 termes
Non
pertinent(%)
Requête à 2 termes
Intermédiaire
(%)
Requête à 1 terme
Expert2
Tableau 5.1.3.3.2.2. Résultat de l’évaluation des ressources disparates entre la recherche
d’information multi-terminologique et la recherche d’information mono-terminologique
109
Chapitre 5 : Recherche d’Information Multi-Terminologique
Le résultat moyen par expert pour les différents types de requêtes
pertinent (%)
Intermédiaire (%)
Non pertinent (%)
Expert 1
53,8
20,0
26,3
Expert 2
68,3
21,5
10,2
Expert 3
47,7
32,8
19,5
Moyenne
56,6
24,7
18,7
Tableau 5.1.3.3.2.3. Évaluation des résultats de la recherche d’information multiterminologique par expert
La figure ci-dessous met en relief les courbes décroissantes en termes de pertinence des
résultats de l’évaluation selon les trois experts. L’évaluation est réalisée pour les ressources
restituées distinctes entre les deux modes de recherche d’information : mono-terminologique
et multi-terminologique.
Figure 5.1.3.3.2.2. Évaluation des résultats de la recherche multi-terminologique
5.1.3.3.3
Discussion
Les résultats observés (cf. Tableau 5.1.3.3.2.1) montrent la valeur ajoutée de la recherche
multi-terminologique à la mono-terminologique en terme de couverture : 16.283 ressources
restituées par le premier mode de recherche vs. 14.159 par le deuxième, soit +15%.
Malgré la différence de jugement des trois experts dans certains cas, globalement, les résultats
sont homogènes : nous avons, en tête de liste, les ressources jugées pertinentes (56,6%)
suivies des moins pertinentes (24,7%) et enfin les non pertinentes (18,7%).
Pour cette évaluation, le rappel est incalculable étant donné que nous ne connaissons pas le
nombre des ressources pertinentes pour une requête donnée, dans la base de données.
La pertinence de la multi-terminologie pour les requêtes à trois termes (43,66%) est assez
110
Chapitre 5 : Recherche d’Information Multi-Terminologique
faible à cause de la difficulté de la mise en correspondance entre la représentation de la
requête de l’utilisateur et les concepts des terminologies, alors qu’elle est meilleure pour les
requêtes à un et deux termes (respectivement 67,11% et 57,81%).
L’évaluation de la valeur ajoutée de la multi-terminologie a été faite fin 2009. Depuis ce
temps, nous avons ajouté plusieurs terminologies médicales à notre système d’information
CISMeF et nous avons amélioré et enrichi l’indexation (manuelle et automatique) des
ressources ce qui nous incite à refaire cette étude avec un ensemble plus important de
requêtes.
En effet, la limite de cette évaluation est le nombre de requêtes étudiées, dû au fait que la
validation des résultats est faite d’une manière exclusivement manuelle. Du coup, chaque
expert dispose de plusieurs centaines de ressources à étudier et à juger.
Par ailleurs, étant donnée la connaissance peu développée des indexeurs concernant les
nouvelles terminologies médicales intégrées dans notre système, le nombre des ressources
indexées manuellement dans l’univers multi-terminologique demeure assez restreint, par
rapport aux ressources indexées automatiquement, d’une part, et par rapport au nombre de
ressources indexées manuellement dans le monde mono-terminologique, d’autre part.
Actuellement, parmi les 38.237 ressources du catalogue CISMeF indexées manuellement,
32.970 (86,22%) sont indexées par le thésaurus MeSH seulement, 3.866 (10,11%) sont
indexées par deux terminologies, 1.397 (3,65%) sont indexées par trois terminologies et 4
(0,02%) sont indexées par quatre terminologies.
Le tableau qui suit résume le nombre des ressources indexées manuellement et
automatiquement par les différentes terminologies médicales du back-office CISMeF :
CCAM
Nombre de ressources
indexées manuellement
345
Nombre de ressources
indexées automatiquement
4.642
CIM-10
3
5.956
CISP2
2
2.608
CLADIMED
2
5.438
Codes médicaments
1.462
15.314
DRC
1
11.331
LPP
4
4.956
MedDRA
11
11.165
MedlinePlus
2
6.167
MeSH
38.237
33.935
Orphanet
0
10.944
Terminologies
111
Chapitre 5 : Recherche d’Information Multi-Terminologique
SNOMED
55
25.568
WHO-ART
3
4.594
WHO-ATC
4.785
12.937
WHO-CIF
0
2.485
WHO-ICPS
0
2.588
Pour les premiers pas, dans la démarche d’intégration de l’univers multi-terminologique dans
le catalogue CISMeF, nous avons essayé de mettre au point cette « preuve de concept » afin
de mesurer la présumée valeur ajoutée de la recherche d’information multi-terminologique.
Comme exemple illustrant la valeur ajoutée de la multi-terminologie, nous pouvons citer la
recherche concernant le syndrome de Rokitansky ou MRKH. Il s’agit d’une maladie qui se
manifeste par une absence partielle ou totale du vagin et de l'utérus.
En effet, la requête de l’utilisateur « mrkh » permet de récupérer quatre ressources indexées
avec ce concept en utilisant le thésaurus MeSH. Les ressources restituées ayant l’abréviation
« mrkh » dans le titre étant donné que ce terme n’est pas un concept MeSH (cf. Figure
5.1.3.3.3.1). À travers une recherche d’information employant toutes les terminologies
médicales présentes dans le back-office CISMeF, nous avons un résultat constitué de six
ressources indexées avec ce concept. L’identification des ressources est faite, en plus de la
recherche en titre, grâce au descripteur MedDRA «Mayer-rokitansky-kuster-hauser
syndrome » qui est un terme d’indexation (cf. Figure 5.1.3.3.3.2).
Figure 5.1.3.3.3.1. Résultat de la recherche d’information mono-terminologique
112
Chapitre 5 : Recherche d’Information Multi-Terminologique
Figure 5.1.3.3.3.2. Résultat de la recherche d’information multi-terminologique
5.2 CLASSEMENT DU RESULTAT DE LA RECHERCHE D’INFORMATION
Classer les résultats de la recherche d’information implique un ordonnancement des
documents, du plus ressemblant au besoin informationnel de la requête de l’utilisateur au
moins pertinent.
La masse d’informations disponibles sur le Web peut conduire, dans la plupart du temps, à
des résultats pléthoriques, ce qui déroute les utilisateurs. Face à ce constat, plusieurs travaux
ont vu le jour concernant la mise au point des méthodes de tri automatiques, des résultats de la
recherche (Courtois et al ., 1999).
Le but du classement est d’afficher dans les 10 à 20 premières réponses les documents
répondant au mieux à la requête de l’utilisateur. Généralement, si nous ne trouvons pas ce que
nous cherchons dans les toutes premières pages du résultat, nous reformulons notre question.
(Lardy, 2000) résume les méthodes de tri en trois catégories :
 le tri par pertinence (relevance ranking). Cette méthode repose sur des travaux de
recherche déjà anciens de Robertson et Sparckjones (Robertson et al., 1976). Les
résultats d’une requête sont affichés selon un ordre déterminé par le calcul d’un score
pour chaque réponse. La pertinence est fondée sur :
1. le poids d’un mot dans un document qui est déterminé par sa place dans le
document : il est maximum pour le titre et le début du texte; à l’intérieur il
est plus important si le mot est en majuscule ;
113
Chapitre 5 : Recherche d’Information Multi-Terminologique
2. la densité qui est basée sur la fréquence d’occurrence dans un document par
rapport à la taille du document. Si deux documents contiennent le même
nombre d’occurrences, le document le plus petit sera favorisé ;
3. le poids d’un mot dans la base qui est basé sur la fréquence d’occurrence
pour toute la base de données. Les mots peu fréquents dans le corpus sont
favorisés. Les mots vides sont soit éliminés soit sous-évalués ;
4. la correspondance d’expression qui est basée sur la similarité entre la
représentation de la requête et la représentation des documents. Un document
contenant une expression identique à celle de la requête reçoit le poids le
plus élevé ;
5. la relation de proximité qui est basée sur l’adjacence des termes de la requête
dans le document.
 le tri par popularité avec 2 variantes : en fonction du nombre de liens pointant sur une
page (algorithme PageRank ; méthode de Google). Google évalue l'importance d'une
page par les liens qu'elle reçoit mais analyse en plus la page qui contient le lien.
L’autre possibilité de tri par popularité est celle en fonction du nombre de visites et du
temps passé (méthode de DirectHit103) ;
 le tri par calcul dynamique de catégories : classement des documents trouvés dans des
dossiers (clustering) constitués automatiquement en fonction des réponses (méthode de
NorthernLight104).
Dans la même perspective d’orienter l’utilisateur vers le résultat le plus pertinent par rapport
sa requête initiale, nous citons le travail de (Sakji et al. 2008) qui définissent un contexte
conceptuel fondé sur un treillis de Galois, construit à partir de pages web, en association avec
des ontologies. L’utilisateur peut trouver les pages web qui répondent mieux à sa requête en
naviguant dans le treillis grâce à la mesure de similarité proposée entre ses concepts.
S’inspirant des travaux de (Lardy, 2000), nous avons modifié le classement du résultat de la
recherche d’information dans CISMeF, en prenant en compte le poids des termes
d’indexation.
Même si la date de publication des ressources (et spécialement du domaine de la santé) est
importante pour restituer, aux utilisateurs, les plus récentes, nous avons constaté que
l’introduction de la notion de pondération des termes devient requise pour notre classement.
Avant cette thèse, les résultats de la recherche d’information dans le catalogue CISMeF
étaient affichés uniquement par ordre chronologique. Une fois les documents restitués ayant
des représentations correspondantes à celle de la requête de l’utilisateur, ils sont affichés du
plus récent au plus ancien (date de publication). Ce critère d’affichage est inspiré de la
stratégie de PubMed.
103
104
Moteur de recherche DirectHit. URL : www.directhit.com
Le portail de recherche NorthernLight. URL : www.northernlight.com
114
Chapitre 5 : Recherche d’Information Multi-Terminologique
Pendant cette thèse, nous avons introduit de nouvelles heuristiques permettant un classement
plus pertinent du résultat de la recherche. Ce tri, qui prend en compte les ressources
restituées indexées manuellement mais aussi celles indexées automatiquement, repose sur un
calcul de pertinence. Cette pertinence est fonction linéaire du nombre de descripteurs indexant
la ressource et/ou présents dans le titre et de leur pondération (majeur/mineur).
Figure 5.2. Classement du résultat de la recherche d’information selon la pertinence des
documents restitués
CONCLUSION
À travers ce chapitre, nous avons relaté la nouvelle approche de l’équipe CISMeF fondée sur
une recherche d’information multi-terminologique grâce aux différentes terminologies
médicales intégrées dans le système d’information.
Les améliorations qui ont été apportées au catalogue CISMeF ont été rendues possible grâce à
la modification de stratégie de recherche et à la mise en application les résultats de l’étude
effectuée concernant la désuffixation.
115
Chapitre 5 : Recherche d’Information Multi-Terminologique
Notre premier souci était d’adapter le catalogue CISMeF (Sakji et al. 2009a) aux besoins et
aux connaissances terminologiques des utilisateurs, dont le nombre ne cesse d’augmenter
depuis sa création en 1995.
À notre connaissance et jusqu’à aujourd’hui, une recherche d’information multiterminologique, dans un site web de santé, est appliquée pour la première fois au sein de notre
catalogue CISMeF.
116
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
CHAPITRE 6
TRAVAUX CONNEXES A LA THESE
DANS LE CADRE DU PROJET PSIP
Introduction ............................................................................................................................................................... 117
6.1
Intégration de nouvelles terminologies pour F-MTI ................................................................ 117
6.2
Recherche d’information sémantique : application de SPARQL.......................................... 118
6.2.1
Le format RDF................................................................................................................................... 118
6.2.2
Application du format RDF au catalogue CISMeF .............................................................. 119
6.3
Indexation des dossiers médicaux : adaptation de l’outil du Pr Peter Elkin .................. 120
Conclusion .................................................................................................................................................................. 121
INTRODUCTION
Dans ce chapitre, nous décrivons les travaux connexes aux principaux thèmes de la thèse,
notamment le passage du monde mono-terminologique vers l’univers multi-terminologique, la
recherche d’information multi-terminologique et l’indexation automatique bi-terminologique
des médicaments. Toutefois, ils restent au centre du domaine de la recherche d’information
multi-terminologique. Notre participation à ces travaux a donné suite à d’autres perspectives
prometteuses pour améliorer l’indexation et la recherche d’information médicale.
6.1 INTEGRATION DE NOUVELLES TERMINOLOGIES POUR F-MTI
Le F-MTI (French Multi-Terminology Indexer) a été conçu afin d’indexer les dossiers
médicaux en utilisant plusieurs terminologies médicales à savoir la CIM-10, la CCAM, le
thésaurus MeSH, la terminologie interne de la société Vidal ainsi que la nomenclature
SNOMED (Pereira et al., 2009).
Dans le cadre du projet PSIP, nous étions amenés à enrichir cet outil afin d’améliorer
l’indexation des comptes-rendus médicaux pour l’extraction et l’exploitation des données. Pour
ce faire, nous avons intégré des terminologies médicales dédiées aux médicaments : la
classification ATC (N=5.514), les noms commerciaux et la Dénomination Commune
Internationale105 des médicaments (N=22.662) ainsi que les concepts chimiques
supplémentaires (N=7.104) et les actions pharmacologiques du MeSH traduits en français par
l’équipe CISMeF et le thésaurus Orphanet pour les maladies rares (N=7.421).
105
La dénomination commune internationale est utilisée pour faciliter l’identification des substances
pharmaceutiques ou les ingrédients pharmaceutiques actifs. La dénomination commune est connue
comme le nom générique des médicaments
117
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
Pour l’intégration des terminologies, nous avons eu besoin de formater leurs structures selon le
dictionnaire déjà établi durant la thèse de Suzanne Pereira sans, pour autant, perdre les
informations utiles de chaque terminologie. En effet, comme nous l’avons mentionné
précédemment chacune est présente selon un format spécifique.
Ensuite, la principale tâche d’optimisation du temps de réponse a été réalisée par un ingénieur
de l’équipe CISMeF qui a permis de diminuer celui-ci, d’une manière considérable. Dans le
cadre de PSIP, nous avons lancé le F-MTI sur 4.000 comptes-rendus, le temps de traitement
était d’environ 2 heures (soit 1,9 secondes par compte rendu au lieu de 45 secondes).
6.2 RECHERCHE D’INFORMATION SEMANTIQUE : APPLICATION DE
SPARQL
Le but de cette section est de décrire une application qui a marqué notre recherche. Nous
présentons un « proof of the concept » de la recherche d’information, en utilisant le langage
SPARQL et, en particulier, l’implémentation faite par Oracle 106.
6.2.1 LE FORMAT RDF
Dans la cadre du web sémantique, le Consortium du World Wide Web (W3C) chargé de
développer des technologies pour le Web, a validé une application du format XML pour la
description du contenu sémantique, appelé RDF (Ressource Description Framework). RDF
est un formalisme basé sur un modèle sémantique de graphes étiquetés et orientés. RDF est
basé sur une relation de métadonnées sous la forme (propriété, valeur) qui décrivent une
description des ressources. Ainsi, RDF décrit le graphe sous la forme d’un ensemble de
triplets {ressource, propriété, valeur}. Les ressources sont des entités d’informations pouvant
être référencées par un nom symbolique ou un identifiant (par exemple un URI : Unique
Resource Identifier). Les propriétés sont les étiquettes des arcs orientés reliant un premier
nœud étiqueté par une ressource à un second nœud qui peut être, soit une valeur atomique,
soit une autre ressource.
Considérons cette phrase « Quatre-vingt treize est un roman de Victor Hugo publié en 1874,
ayant pour thème la révolution française » exprimée en langage naturel. Une telle description
peut être analysée en plusieurs phrases mettant en relief la paire (propriété, valeur) appliquée
à un sujet, en d’autres termes une métadonnée et sa valeur :
1. “Quatre-vingt treize est un roman”
2. “Quatre-vingt treize est écrit par l’auteur Victor Hugo”
3. “Quatre-vingt treize est publié en 1874”
4. “Quatre-vingt treize a comme thème la révolution française”
La forme abstraite en triplets s’écrit sous cette forme :
1. (Quatre-vingt treize, type, roman)
2. (Quatre-vingt treize, auteur, Victor Hugo)
106
Ces outils d’Oracle nous ont été fournis dans le cadre du projet PSIP dont Oracle est partenaire.
118
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
3. (Quatre-vingt treize, année de publication, 1874)
4. (Quatre-vingt treize, thème, révolution française)
Pour avoir ces informations sous la forme du RDF, il est important que le sujet en commun
soit identifié par un URI, comme étant un identifiant unique. Un tel URI est présent, par
exemple, dans la base de données DBpedia107, qui fournit des descriptions RDF concernant
les sujets des articles de Wikipedia. Le roman Quatre-vingt treize est identifié par l’URI
suivant : http://dbpedia.org/resource/Ninety-Three. Par convention, cette même représentation
peut être décrite comme suit : dbpedia: Quatre-vingt treize.
Le premier triplet définit le type du sujet. La valeur du « roman » est identifiée par la base
DBpedia par l’URI: http://dbpedia.org/class/yago/Novel106367879,(yago: Novel106367879).
Les types utilisés par DBpedia font référence à l’ontologie Yago ontology, qui est un
représentant du vocabulaire générique Wordnet, dans lequel 106367879 identifie le concept
“roman”.
dbpedia: Quatre-vingt treize
rdf:type
yago:Novel106367879
6.2.2 APPLICATION DU FORMAT RDF AU CATALOGUE CISMEF
Le langage d’interrogation du RDF est basé sur la structure des triplets et la sémantique des
vocabulaires. Parmi ces langages, nous pouvons citer SPARQL108 considéré comme un
langage standard de requêtes. SPARQL permet l’interrogation du graphe sémantique en
sélectionnant les ressources qui répondent à une partie de la structure.
Pour la « preuve de concept » de notre recherche, nous avons transformé la base de données
CISMeF en un graphe RDF, constitué d’un ensemble de triplets RDF qui décrivent les
ressources intégrées dans le catalogue, ainsi que quelques terminologies du back-office afin
de constituer une partie de l’univers multi-terminologique.
Notre première expérience a commencé avec Sésame109, un serveur en libre accès, de
stockage, d’inférence et interrogation des données RDF110.
Ensuite, une collaboration avec Oracle, nous a permis d’utiliser les outils sémantiques
d’Oracle tels que Joseki un moteur http open source qui supporte le langage SPARQL et les
requêtes SPARQL permettant d’accéder aux modèles RDF Oracle stockés dans la base de
données Oracle 11g111.
Ainsi, après la construction de notre base de données sémantique et l’installation d’Oracle
WebLogic112, nous pouvons interroger nos données avec Joseki.
107
DBpedia, querying Wikipedia as a data base. URL: http://wiki.dbpedia.org
Sparql Query Language for RDF. URL: http://www.w3.org/TR/rdf-sparql-query
109
URL : http://www.openrdf.org/
110
Se référer à l’Annexe D, pour un exemple de requête
111
RDF Semantic Data Management Using the Oracle Spatial 11g Option. URL:
http://www.oracle.com/technology/obe/11gr1_db/datamgmt/nci_semantic_network/nci_Semantics_les
01.htm
112
Oracle WebLogic Suite 11g. URL : http://www.oracle.com/appserver/weblogic/weblogicsuite.html
108
119
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
Grâce au graphe RDF et les outils d’interrogation SPARQL, nous pouvons, par exemple,
avoir les ressources décrites par le descripteur SNOMED « pression cardiovasculaire ».
La requête SPARQL s’écrit comme suit :
PREFIX owl: <http://www.w3.org/2002/07/owl#>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX xsd: <http://www.w3.org/2001/XMLSchema#>
PREFIX skos:<http://www.w3.org/2004/02/skos/core#>
PREFIX cismef: <http://www.chu-rouen.fr/cismef#>
select ?s ?f
where {
?s
cismef:decritPar
?d.
?d
cismef:appartientA cismef:Terminologie_SNOMED.
?d
rdfs:label
"pression cardiovasculaire"@fr.
}
Vu la structure hiérarchique des terminologies médicales, notamment la SNOMED que nous
avons utilisée pour notre exemple, nous pouvons retrouver aussi toutes les ressources
indexées par les concepts SNOMED qui subsument « pression cardiovasculaire », à savoir
« tension artérielle », « pression veineuse »…
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
xmlns:publishing="http://www.mondeca.com/system/publishing#"
PREFIX owl: <http://www.w3.org/2002/07/owl#>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX xsd: <http://www.w3.org/2001/XMLSchema#>
PREFIX skos:<http://www.w3.org/2004/02/skos/core#>
PREFIX cismef: <http://www.chu-rouen.fr/cismef#>
select ?s ?f
where {
?s
cismef:decritPar
?d.
?d
cismef:appartientA cismef:Terminologie_SNOMED.
?d
rdfs:label
"pression cardio vasculaire"@fr.
?d
publishing:BT
?f.
}
Ce travail sur SPARQL sera poursuivi pendant six mois en 2011 dans le cadre d’un post-doc
au sein de l’équipe CISMeF.
6.3 INDEXATION DES DOSSIERS MEDICAUX : ADAPTATION DE L’OUTIL DU
PR PETER ELKIN
Le professeur Peter Elkin (Mount Sinaï School of Medicine (MSSM)) est un des six membres
de l’advisory Board du projet PSIP. Les sujets de recherche de son équipe et de l’équipe
120
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
CISMeF étant très proches, il m’a proposé de passer trois mois au MSSM, NYC à la marge du
projet PSIP. L’objectif était d’appliquer ses outils à une autre langue, en l’occurrence le
français.
Dans le cadre de la tâche « semantic mining » du projet PSIP, (Elkin et al. 2008) présente ses
travaux de recherche concernant la détection des maladies et des troubles dans les dossiers
médicaux. Son système repose sur une indexation fondée sur les concepts de la nomenclature
SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms), une terminologie
médicale couvrant la plupart des domaines de l'information clinique, tels que les maladies, les
résultats, les procédures, les micro-organismes, les produits pharmaceutiques etc. Cette
terminologie est la plus utilisée aux Etats-Unis.
L’identification des concepts dans les dossiers médicaux, comme étant des assertions
négatives (tel que : no evidence of pneumonia) ou des assertions positives, est le but ultime du
médecin lui permettant de mieux comprendre les implications des textes médicaux.
Grâce à notre collaboration avec l’équipe du professeur Elkin, nous avons essayé de mettre au
point ce système pour nos dossiers médicaux d’autant que nous avons déjà eu une première
expérience d’indexation des dossiers médicaux, avec quelques terminologies médicales durant
la thèse de Suzanne Pereira (Pereira, 2008) et une continuation de ce travail avec la thèse en
cours d’Ahmed Diouf Dirieh Dibad.
Pour ce faire, la tâche principale, durant ce stage de trois mois aux Etats-Unis, a été de
comprendre le fonctionnement du système afin de permettre une adaptation française (Sakji et
al., 2010a).
Le traitement de la version française du parseur s’est déroulé selon ces quatre étapes :
 la création du modèle du langage : cette phase nous a permis de détecter les différentes
formes d’assertions : négatives, positives et incertaines, afin de les intégrer dans le
processus de traitement ;
 la construction du serveur terminologique : étant donné que la SNOMED CT n’est pas
disponible en français, nous avons utilisé la CIM-10. La correspondance qui a été
créée entre les deux terminologies ce qui nous a permis d’effectuer une indexation
équivalente dans les dossiers médicaux français traduits en anglais ;
 l’adaptation de la procédure du désuffixation : nous avons utilisé l’algorithme de
Lucene vu ses performances par rapport à d’autres algorithmes de désuffixation ;
 la traduction des synonymes et des expressions régulières impliquées dans le
traitement.
CONCLUSION
Dans ce chapitre, nous avons décrit les travaux connexes à cette thèse, dans le cadre d’une
amélioration de la recherche d’information médicale multi-terminologique dans le catalogue
CISMeF.
121
Chapitre 6 : Travaux connexes à la thèse dans le cadre du projet PSIP
Par ailleurs, mon expérience aux Etats-Unis, m’a permise d’exploiter d’autres structures
d’application, notamment la recherche d’information dans les dossiers médicaux des patients.
En effet, repérer les principaux concepts d’indexation et les différencier en assertions
négatives et positives étaient les principales tâches pour améliorer l’exploitation des dossiers
médicaux. Ce champ de recherche est parmi les nouveaux thèmes abordés par l’équipe
CISMeF, et que nous développerons prochainement.
122
Chapitre 7 : Perspectives
CHAPITRE 7
PERSPECTIVES
À travers ce chapitre, nous mettons en relief nos perspectives et nos projets de recherche en
continuation avec le travail concrétisé pendant cette thèse.
Pour chacune de nos approches, des améliorations sont nécessaires pour pallier les faiblesses
identifiées et enrichir les approches et les méthodes appliquées.
 Amélioration des travaux de la thèse
En effet,
L’étude réalisée pour améliorer la recherche d’information par extension MeSH-ATC nous
donne des perspectives prometteuses pour consolider l’approche de l’indexation par la
classification ATC au sein du PIM. Ceci nous permettra de faire face aux quelques problèmes
dus à l’attribution du bon code ATC d’indexation aux ressources. Les améliorations à moyen
terme vont concerner :
 la prise en compte du contexte de la substance chimique lors de l’indexation du
corpus du PIM par la classification ATC. Ceci serait appliqué en se référant aux
niveaux supérieurs (1er, 2ème, 3ème et 4ème niveaux) de la substance chimique
elle-même ;
 l’indexation des ressources du PIM avec l’ATC multiple et le calcul du score
des codes ATC candidats afin d’enlever l’ambiguïté détectée dans certains cas.
La limite de l’étude réalisée pour comparer la valeur ajoutée de la multi-terminologie était, en
effet, le nombre de requêtes lancées dans le catalogue CISMeF, due à la validation manuelle
des résultats. Comme depuis la réalisation de cette étude, nous avons enrichi notre serveur
terminologique, nous pouvons refaire l’étude avec, notamment, un nombre plus important de
requêtes. Ainsi, nous pouvons apporter les améliorations nécessaires à notre algorithme de
recherche.
 Pistes de réflexion et applications
Le post-doc de six mois que je débuterai à la fin de ma thèse se focalisera sur la recherche
d’information multi-terminologique dans un dossier électronique du patient. Je collaborai
avec Ahmed Diouf Dirieh Dibad qui a débuté ses travaux de recherche sur ce sujet, mais aussi
avec Tayeb Merabti (post Doc CISMeF depuis juin 2010), spécialisé en interopérabilité
sémantique et Julien Gros jean, ingénieur de recherche. Pour cela nous nous concentrerons sur
123
Chapitre 7 : Perspectives
le langage SPARQL, une expérience (« preuve de concept »), déjà faite dans le catalogue
CISMeF.
Dans le cadre de ces travaux, un modèle de données générique a été déjà conçu pour
représenter un dossier électronique de patient (DEP) dans un but de recherche d'information
mais aussi pour des fins connexes comme l'exploration (une vue synthétique de l'historique du
patient) et la classification des dossiers patients, etc.
Pour indexer les dossiers médicaux, F-MTI a été employé, jusqu’à présent, en utilisant
quelques terminologies médicales telles que la CCAM, le MeSH, la SNOMED et la CIM-10.
Les Perspectives sont :
 enrichir le dictionnaire de données de F-MTI ;
 mettre en place les outils et les méthodes pour la mise en place d'un prototype
de système de recherche d'information multi-terminologique dans un dossier de
santé ;
 pratiquer le benchmarking entre SPARQL et les outils CISMeF ;
 exploiter la recherche d’information sur un ensemble de dossiers de santé ;
 explorer les dossiers de santé (résumé du dossier médical).
D’autre part, la collaboration avec le professeur Peter Elkin continue, dans le but d’améliorer
la version française de son système (MCVS : Multi-threaded Clinical Vocabulary Server) en
intégrant la version française de la SNOMED CT (au lieu de l’indexation par la CIM-10). Une
comparaison entre MCVS et le F-MTI sera réalisée, afin d’apporter les améliorations
nécessaires à l’un ou à l’autre.
124
CONCLUSION GENERALE
Notre problématique initiale était de mettre au point un modèle et une stratégie de recherche
permettant une recherche d’information multi-terminologique appliquée à un site médical. La
nouveauté de ce travail a été de prendre en compte le contexte et les connaissances des
utilisateurs.
Pour ce faire, nous avons conçu et mis au point un modèle générique multi-terminologique au
sein du back-office CISMeF fondé précédemment sur le thésaurus MeSH uniquement. La
généricité du modèle nous a permise, par la suite, d’enrichir notre serveur terminologique à
chaque fois que nous disposons et que nous avons besoin d’une nouvelle terminologie
médicale. En effet, grâce au modèle, nous avons participé à la mise en œuvre du Portail
Terminologique de Santé (PTS), un point d’accès vers une grande panoplie des terminologies.
Ce portail constitue une plateforme pour rassembler ces dernières dans une même structure
sans se soucier ni de leurs gestion ni de leurs mise à jour.
La migration vers l’univers multi-terminologique fondé sur plusieurs terminologies médicales
s’est illustrée, dans un premier temps, au sein du Portail d’Information sur les Médicaments
(PIM) par la mise au point une indexation automatique par la classification ATC, outre
l’indexation par le thésaurus MeSH. Cela nous a permis d’avoir une indexation et une
recherche d’information bi-terminologique. Nous avons conçu le PIM dans le cadre du projet
PSIP afin de se restreindre au domaine médicamenteux. Le PIM a vu un succès progressif
auprès des professionnels de santé qui ont un centre d’intérêt plus particulier pour les
substances chimiques et les médicaments. En plus, l’affichage hiérarchique des informations
de la substance chimique peut être considéré une bonne pédagogie pour les étudiants dans la
mesure où ce choix permet de contextualiser l’information d’une part et de fournir des
informations complémentaires tels que les organes sur lesquels la substance chimique agit, ou
encore ses actions pharmacologiques et thérapeutiques.
Le PIM devrait vraisemblablement passer en accès libre à la fin du projet PSIP.
L’étude présentée à la fin du quatrième chapitre sur l’extension MeSH-ATC pour la recherche
d’information a confirmé notre théorie, qu’en cas de confusion, il est recommandé de
contextualiser la substance chimique.
Au sein du catalogue CISMeF, nous avons implanté notre nouvel algorithme avec la nouvelle
structure multi-terminologique de la base de données. L’algorithme se différencie de ce qui
précède par une recherche plus exhaustive à travers toutes les terminologies possibles qui
représentent au mieux les ressources du catalogue CISMeF.
Les résultats de l’étude que nous avons menée pour mesurer la valeur ajoutée de la multiterminologie par rapport à la mono terminologie, nous a révélés une amélioration globale de
15% et une satisfaction plus large dans les rangs des utilisateurs dans la mesure où chacun
retrouve la (ou les) terminologie(s) qu’il maîtrise au mieux.
125
Ainsi, grâce à l’indexation automatique par la classification ATC des ressources du PIM et
avec les différentes terminologies médicales disponibles en français pour les ressources de
CISMeF, nous avons mis en pratique les termes de recherche avec leurs contextes
d’utilisation. Ceci permet d’améliorer le résultat de la recherche d’information et la qualité
des SRI, un reproche avancé par Blair (Blair, 1990) où il met l’accent sur la complexité des
systèmes de recherche d’information pour fournir un bon résultat dans la mesure où ils
nécessitent un langage précis pour mettre les termes dans leurs contextes.
Notre objectif, dans le futur proche, est d’améliorer les deux approches d’indexation et de
recherche d’information, afin de mieux répondre aux besoins des utilisateurs.
126
Bibliographie
BIBLIOGRAPHIE
Abdou, S., and Savoy J. "Searching in Medline : Query expansion and manual indexing
evaluation." Information processing and management,, 2008: 781-789.
Aymé, S., Urbero B., Oziel D., Lecouturier E., and Biscarat AC. "Information on rare
diseases: the Orphanet project." Rev Med Interne, 1998: 376S-377S.
Baeza-Yates, R., and Riberto-Neto B. Modern Information retrieval. New York: AddisonWesley, 1999.
Baron, S., and Linden M. "The role of the International Classification of Functioning,
Disability and Health, ICF' in the description and classification of mental disorders."
European Archives of Psychiatry and Clinical Neuroscience, 2008: 81-85.
Bates, DW., Evans RS., Murff H., Stetson PD., Pizziferri L., and Hripcsak G. "Detecting
Adverse Drug Events using Information Technology." The Journal of the American Medical
Informatics Association, 2003: 115-128.
Baziz, M. Indexation conceptuelle guidée par ontologie pour la recherche d’information.
Thèse de doctorat, Toulouse, France: Institut de Recherche en Informatique de Toulouse,
2005.
Bertillon, J. "Classification of the causes of death (abstract)." In Transactions of the 15th
International Congress on Hygiene Demography. Washington, 1912.
Beuscart-Zephir, MC., Bjorn B., Cacciabue PC., and Koutkias V. "Definitions of core
concepts in PSIP." Rapport interne, 2009.
Blair, DC. Language and representation in information retrieval. New York, NY, USA :
Elsevier North-Holland, Inc, 1990.
Bodenreider, O. "The Unified Language System (UMLS): integrating biomedical
terminology." Nucleic Acids Research, 2004: 267-270.
Borst, WN. Construction of Engineering Ontologies. Enschede: University of Tweenty, 1997.
Boughanem, M. «Introduction à la recherche d'information.» Dans Recherche d'information:
état des lieux et perspectives, 19-44. Hermès-Lavoisier, 2008.
Boughanem, M. Les Systèmes de Recherche d’Information: d’un modèle classique à un
modèle connexionniste. Thèse de Doctorat, Toulouse, France: Université Paul Sabatier, 1992.
Boughanem, M., and Soulé-Dupuy C. " A Connexionist Model for Information Retrieval."
DEXA, 1992: 260-265.
Boughanem, M., et Savoy J. Recherche d’information: état des lieux et perspectives. HermèsLavoisier, 2008.
Boughanem, M., et Tamine L. «Connexionisme et génétique pour la recherche
d'information.» Dans Les systèmes de recherche d'informations, 77-99. Hermès, 2004.
127
Bibliographie
Bourda, Y., and Hélier M. "Applying IEEE Learning Object Metadata to Publishing Teaching
Programs." ED-MEDIA. Seattle, 1999.
Bousquet, C., Henegar C., Lillo-le Louet A., et Jaulent MC. «Apport d'une modélisation
ontologique pour la détection du signal en pharmacovigilance.» 15es journées francophones
d'ingénierie des connaissances. Lyon, 2004. 187-198.
Boyer C., Gaudinat A., Baujard V., Geissbühler A. "Health on the Net Foundation: assessing
the quality of health web pages all over the world." Studies in health technology and
informatics (Stud Health Technol Inform), 2007: 1017-1021.
Bradford, R. "Relationship Discovery in Large Text Collections Using Latent Semantic
Indexing." In Proceedings of the 4th Workshop on Link Analysis, Counterterrorism and
Security, SIAM Data Mining Conference,. Bethesda, MD, 2006. 20-22.
Bratsas, C., Koutkias V., Kaimakamis E., Bamidis P., and Maglaveras N. "Ontology-based
vector space model and fuzzy query expansion to retrieve knowledge on medical
computational problem solutions." International Conference of the IEEE Engineering in
Medicine and Biology Society. 2007. 3794-3797.
Brin, S., and Page L. "The anatomy of a large-scale hypertextuel web search engine."
Proceedings of the WWW7. Amsterdam: Elsevier, 1998. 107-117.
Brini, AH. Un Modèle de Recherche d’Information basé sur les réseaux possibilistes. Rapport
de thèse, Université Paul Sabatier de Toulouse, 2005.
Brown, EG. "Effects of coding dictionary on signal generation: a consideration of use of
MedDRA compared with WHO-ART." Drug Safety, 2002: 445-52.
Chaumier, J. Le traitement linguistique de l’information. Paris: Entreprise moderne d’édition,
1988a.
Chaumier, J. Travail et méthodes du/de la documentaliste: connaissances du problème,
applications pratiques. Paris: ESF, 1988b.
Chazard, E., Preda C., Merlin B., Ficheur G., et Beuscart R. «Détection et prévention des
effets indésirables liés aux médicaments par data-mining.» Ingénierie et Recherche
BioMédicale, 2009: 192-196.
Chevallet, JP. «Modélisation logique pour la recherche d’information.» Dans Les systèmes de
recherche d’information, 105-138. Hermes, 2004.
Cornet, R., and de Keizer N. "Forty years of SNOMED: a literature review." BMC Medical
Informatics and Decision Making, October 2008: online October 27.
Coté, RA. SNOMED: Systematized Nomenclature of Medicine (2 volumes). College of
American Pathologists , 1986.
Courtois, M P., and Berry MW. "Results-ranking in Web search engines." Online, 1999: 3946.
Crestani, F. "Implementation and evaluation of a relevance feedback device based on neural
networks." In From Natural to Artificial neural Computation: International Workshop on
128
Bibliographie
Artificial Neural Networks, volume 930 of Lecture Notes in Computer Science, 597–604.
Springer-Verlag, 1995.
Crestani, F., and Lalmas M. "Logic and uncertainty in information retrieval." In Lectures on
information retrieval, 179-206. Springer-Verlag New York, Inc., 2001.
Crestani, F., Lalmas M., van Rijsbergen CJ., and Campbell L. ""Is This Document Relevant?
... ProbablyProbably'': A Survey of Probabilistic Models in Information Retrieval." ACM
Computing Surveys, 1998: 528-552.
Croft, WB., and Harper DJ. "Using probabilistic models of document retrieval without
relevance information." Journal of Documentation, 1979: 285-295.
Cuggia, M., Darmoni S., Garcelon N., Soualmia L., and Bourde A. "Doc’UMVF: tow search
tools to provide quality-controlled teaching resources in French to students and teachers."
International Journal of Medical Informatics (IJMI), 2007: 357-362.
Darmoni S., Sakji S., Grosjean J., Beuscart MC. "Metamodel, Terminologies (for applicable
data repositories of the scope of the PSIP project)." Deliverable of the PSIP project, 2010.
Darmoni, S., Sakji S., Pereira S., and Kergourlay I. Final results of semantic mining. Internal
report, PSIP project, 2010.
Darmoni, S., Sakji S., Pereira S., and Kergourlay I. "First results of semantic mining."
Deliverable of the PSIP project, 2009.
Darmoni, SJ., Amsallem E., Haugh MC., Lukacs B., Chalhoub C., and Leroy JP. "Level of
evidence as a future gold standard for the content quality of health resources on the internet."
Methods of Information in Medicine, 2003: 200-225.
Darmoni, SJ., et al. "Affiliation of a resource type to a MeSH term in a quality-controlled
health gateway." 12th World Congress on Health and Medical Informatics (Medinfo). 2007.
407-411.
Darmoni, SJ., Leroux V., Thirion B., Santamaria P., and Gea M. "Netscoring : critères de
qualité de l'information de santé sur internet." Les enjeux des industries du savoir, 1999: 2944.
David, C., Giroux L., Bertrand-Gastaldy S., and Lanteigne D. "Indexing as problem solving- a
cognitive approach to consistency." Canadian Association of Information Sceince
(CAIS/ACSI). 1995.
De Loupy, C. «L’apport de connaissances linguistiques en recherche documentaire.»
Traitement Automatique du Langage Naturel: TALN'01 . 2001.
Deerwester, S., Dumais ST., Furnas GW., Landauer TK., and Harshman R. "Indexing by
latent semantic indexing." Journal of the American Society for Information Science , 1990:
391–407.
Dekkers, M., and Weibel S. "State of the Dublin Core Metadata Initiative." 2003. URL:
http://www.dlib.org/dlib/april03/weibel/04weibel.html (accessed July 30, 2010).
Despres, S., and Szulman S. "Réseau terminologique versus Ontologie." Toht. 2008. 17-34.
129
Bibliographie
Dirieh Dibad, AD, Sakji S., Prieur E., Pereira S., Joubert M., and Darmoni SJ. "Recherche
d'information multi-terminologique en contexte : Etude préliminaire." 13èmes Journées
Francophones d'Informatique Médicale (JFIM). 2009. 101-112.
Dittmar, PG., Stobaugh RE., and Watson CE. "The chemical abstracts service chemical
registry system. I.General Design." Journal of Chemical Information and Computer Sciences
(J Chem Inf Comput Sci), 1976: 111–121.
Douyère, M., et al. "Enhancing the MeSH thesaurus to retrieve French online health resources
in a quality-controlled gateway." Health information and libraries journal (Health Info Libr
J), 2004: 253-61.
Dumais, ST. "Latent Semantic Indexing (LSI): TREC-3 Report." Overview of the Third Text
REtrieval Conference. 1995. 219-230.
Elkin, PL., et al. "NLP-based identification of pneumonia cases from free-text radiological
reports." American Medical Informatics Association/ Annual Symposium proceedings, 2008:
172-176.
Eysenbach, G., Yihune G., Lampe K., Cross P., and Brickley D. "A metadata vocabulary for
self- and third-party labeling of health web-sites: Health Information Disclosure, Description
and Evaluation Language (HIDDEL)." American Medical Informatics Association/ Annual
Symposium proceedings, 2001: 169-173.
Family Medicine Research Center. 2010. http://www.fmrc.org.au (accessed Septembre 01,
2010).
Gaudinat, A., et al. "Health search engine with e-document analysis for reliable search
results." International Journal of Medical Informatics (IJMI), 2006: 73-85.
Gay, CW., Kayaalp M., and Aronson R. "Semi-automatic indexing of full text biomedical
articles." American Medical Informatics Association/ Annual Symposium proceedings, 2005:
271-275.
Gehanno, JF., Kerdelhue G., Sakji S., Massari P., Joubert M., and Darmoni SJ. "Relevance of
Google-customized search engine vs. CISMeF quality-controlled health gateway." Studies in
health technology and informatics (Stud Health Technol Inform), 2009: 312-316.
Gehanno, JF., Thirion B., and Darmoni SJ. "Evaluation of meta-concepts for information
retrieval in a quality-controlled Health Gateway." American Medical Informatics Association/
Annual Symposium proceedings, 2007: 269-273.
Greenwood, M. "Medical statistics from Graunt to Farr." Cambridge, 1948.
Gruber, T. "A translation Approach to portable ontology specification." Knowledge
Acquisition, 1993: 199-220.
Hanser, S., Zaiss A., and Schulz S. "Comparison of ICHI and CCAM basic coding system."
Studies in health technology and informatics (Stud Health Technol Inform), 2006: 795-800.
Hatcher, E., and Gospodnetic O. Lucene in Action. Manning Publications, 2004.
130
Bibliographie
Hull, DA. "Stemming algorithms : A case study for detailed evaluation." Journal of the
American Society of Information Science, 1996: 70-84.
ISO, 1087-1:2000. "Terminology work-vocabulary- part 1: theory and application." 2000.
Jansen, BJ., and Spink A. "How are we searching the World Wide Web? A comparison of
nine search engine transaction logs." Information Processing and Management, 2006: 248263.
Joubert, M., A., Gaudinat, Boyer C., Fieschi M., and HON Foundation Council members.
"WRAPIN: a tool for patient empowerment within EHR." Studies in health technology and
informatics (Stud Health Technol Inform), 2007: 147-151.
Joubert, M., Aymard S., Fieschi D., and Fieschi M. "ARIANE: un moteur de recherche de
deuxième génération dans le domaine de la santé." Informatique et santé, 2002: 73-80.
Joubert, M., Dufour J., Aymard S., Falco L., Staccini P., and Fieschi M. "Le projet
CoMeDIAS: Accès à des bases de données hétérogènes au moyen de services internet."
Informatique et santé, 2003: 200-205.
Keselman, A., Browne AC., and Kaufman DR. "Consumer health information seeking as
hypothesis testing." Journal of the American Medical Informatics Association (JAMIA), 2008:
484-495.
Koch, T. "Quality-controlled subject gateways: definitions, typologies, empirical overview,
Subject gateways." Online Information Review, 2000: 24-34.
Kwok, KL. "A neural network for probabilistic information retrieval." Proceedings of ACM
SIGIR, Conference on Research and development in Information Retrieval. 1989. 21-30.
Lamy, JB., Duclos C., et Venot A. «De l'analyse d'un corpus de texte à la conception d'une
interface graphique facilitant l'accès aux connaissances sur le médicament.» 20ème Journées
Francophones d’Ingénierie des Connaissances: Actes d'IC. 2009. 265-276.
Lamy, JB., et al. "Towards iconic language for patient records, drug monographs, guidelines
and medical search engines." Studies in health technology and informatics (Stud Health
Technol Inform). 2010. 156-160.
Lardy, JP. "Méthodes de tri des résultats des moteurs de recherche." 2000. URL:
http://halshs.archives-ouvertes.fr/docs/00/06/20/56/HTML/ (accessed July 29, 2010).
Laskri, T., and Meftouh K. "Extraction automatique du sens d'une phrase en langue Française
par une approche neuronale." JADT 2002 : 6es Journées internationales d’Analyse
statistiques des Données Textuelles. 2002. 413-422.
Lassila, O., and Mr Guiness D. "The role of frame-based representation on the Semantic
Web." Technical report KSL-01-02, 2001.
Le Loarer, P. " Indexation automatique, recherche d’information et évaluation." Collection
Sciences de l’information. Série Etudes et techniques, 1994: 149-201.
Lefevre, P. La recherche d'information : du texte intégral au thésaurus. Editions Hermès,
2000.
131
Bibliographie
Leininger, K. "Interindexer consistency in psycINFO." Journal of Librarianship and
Information Science, 2000: 4-8.
Leonard, LE. "Inter-indexer consistency studies, 1954-1975 : a review of the literature and
summary of study results." University of Illinois Graduate School of Library Science
Occasional Papers, 1977.
Lerat, P. Les langues spécialisées. . Paris: Presses Universitaires de France., 1995.
Letord C., Sakji S., Pereira S., Dahamna B., Kergourlay I., Darmoni SJ. "Recherche
d'information multi-terminologique : application à un portail d'information sur le médicament
en Europe." Ingénierie et Recherche Biomédicale / BioMedical Engineering and Research
(IRBM), 2008: 350-356.
Lewis, DD. "An evaluation of phrasal and clustered representations on a text categorization
task." SIGIR '92: Proceedings of the 15th annual international ACM SIGIR conference on
Research and development in information retrieval. Copenhagen, Denmark: ACM, 1992.
p.37-50.
Lu, Z., Kim W., and Wilbur WJ. "Evaluation of query expansion using MeSH in PubMed."
Information Retrieval,, 2009: 69-80.
Luhn, HP. "The automatic creation of literature abstracts." IBM Journal of research and
development,, 1958: 159-165.
Lussier, YA., Rothwell DJ., and Côté RA. "The SNOMED model: a knowledge source for the
controlled terminology of the computerized patient record." Methods of Information in
Medicine, 1998: 161-164.
Maniez, J. Les langages documentaires et classificatoires : conception, construction et
utilisation dans les systèmes documentaires. Paris : Éditions d’organisation, 1987.
Markey, K. "Interindexer consistency tests : a literature review and report of a test of
consstency in indexing visual materials." Library and Information Science Research, 1984:
155-177.
Maron, M., and Kuhns J. "On relevance, probabilistic indexing and information retrieval."
Journal of the Association for computing Machinery, 1960: 216-244.
Martinet, J., Chiaramella Y., et Mulhem P. «Un modèle vectoriel étendu de recherche
d’information adapté aux images.» 20ème Congrès INFORSID’02 (Informatique des
Organisations et Systèmes d’Information et de Décision). Nantes, France, 2002. 337-348.
Mayer, MA., Darmoni SJ., Fiene M., Eysenbach G., Kohler C., and Roth-Berghofer T.
"MedCIRCLE - modeling a collaboration for internet rating, certification, labeling and
evaluation of health information on the semantic world-wide-web." Medical Informatics
Europe, 2003: 667-672.
McCray, AT., Ide NC., Loane RR., and Tse T. "Strategies for supporting consumer health
information seeking." International Congress on Medical Informatics (Medinfo), 2004: 11521156.
132
Bibliographie
Merabti, M. Méthodes pour la mise en relations des terminologies médicales: Contribution à
l'interopérabilité sémantique Inter et Intra terminologique. Rapport de thèse, Université de
Rouen, 2010.
Miller, N., Lacroix EM., and Backus JE. "MEDLINEplus: building and maintaining the
National Library of Medicine's consumer health Web service." Bulletin of the Medical
Library Association (Bull Med Libr Assoc), 2000: 11-17.
Morel, F. «Pourquoi un dictionnaire des résultats de consultation en médicine générale?» La
Revue du praticien. Médecine générale, 1996: 83-86.
Morimoto, T., Gandhi TK., Seger AC., Hsieh TC., and Bates DW. "Adverse drug events and
medication errors: detection and classification methods." Quality & safety in health care
(Qual Saf Health Care), 2004: 306-314.
Mothe, J. "Search mechanisms using a neural network-Comparison with the vector space
model." 4th RIAO Intelligent Multimedia Information Retrieval Systems and Management.
New York, 1994. 275-294.
Müller, H., et al. "Overview of the ImageCLEFmed 2007 Medical Retrieval and Annotation
Tasks." Working Notes of the 2007 CLEF Workshop, 2007.
Nakache, D., et Métais E. «Evaluation : nouvelle approche avec juges.» INFORSID'05 XXIII
e congrès. Grenoble, 2005. 555-570.
National Coordinating Council for Medication Errors Reporting and Prevention NCCMERP.
"Taxonomy of Medication Errors." Pharmacien hospitalier (Pharm hosp). 2002.
Neches, R., Fikes RE., Finin T., Gruber TR., Senator T., and Swartout WR. "Enabling
technology for knowledge sharing." AI Magazine, 1991: 36-56.
Névéol, A. Automatisation des tâches documentaires dans un catalogue de santé en ligne.
Rapport de thèse, Rouen: INSA de Rouen, 2005.
Névéol, A., Mork J., Aronson A., and Darmoni S. "Evaluation of French and English MeSH
indexing systems with a parallel corpus." American Medical Informatics Association/ Annual
Symposium proceedings, 2005: 565-569.
Nie, J. «Un modèle logique général pour les systèmes de recherche d’information.
Application au prototype RIME.» Rapport de thèse, Université Joseph Fourrier, 1990.
Organisation Mondiale de la Santé. CIM-10 : Classification statistique internationale des
maladies et des problèmes de santé connexes, dixième révision, volume 1. Genève: OMS,
1993, 1335p.
Organisation Mondiale de la Santé. Manuel de classement statistique international des
maladies, traumatismes et causes de décès. Sixième révision des nomenclatures
internationales de maladies et causes de décès adoptée en 1948, volume 2, index
alphabétique. Genève: OMS, 1950b.
Organisation Mondiale de la Santé. Manuel de classement statistique international des
maladies, traumatismes et causes de décès. Sixième révision des nomenclatures
133
Bibliographie
internationales de maladies et causes de décès adoptée en 1948, volume1. Genève: OMS,
1950a, 382p.
Paternostre, M., Francq P., Lamoral J., Wartel D., et Saerens M. «Carry, un algorithme de
désuffixation pour le français.» Rapport Technique, Université libre de Bruxelles, 2002,
http://beams.ulb.ac.be/beams/documents/carryfinal.pdf.
Pereira, S. Indexation Multi-Terminologique de Concepts en Santé. Rapport de thèse, Rouen:
Université de Rouen, 2008.
Pereira, S., et al. «F-MTI : outil d'indexation multi-terminologique : application à l'indexation
automatique de la SNOMED.» 13ème Journées Francophones d'Informatique Médicale
(JFIM). 2009. 57-67.
Porter, MF. "An algorithm for suffix stripping." Program, 1980: 130-137.
Prie, Y. "Sur la piste de l’indexation conceptuelle de documents. Une approche par
l’annotation." Document Numérique, numéro spécial "L'indexation", 2000: 11-35.
PubMed help. How PubMed works: automatic term mapping. 2005. URL:
http://www.ncbi.nlm.nih.gov/bookshelf/br.fcgi?book=helppubmed&part=pubmedhelp#pubme
dhelp.How_PubMed_works_aut (accessed July 26, 2010).
Rajashekar, TB., and Croft WB. "Combining automatic and manual index representations in
probabilistic retrieval." Journal of the American Society for Information Science, 1995: 272283.
Rector, AL. "Thesauri and formal classifications: Terminologies for people and machines."
Methodsof Information in Medicine, 1998: 501-509.
Robertson, SE. "The probability ranking principle in IR." In Readings in information
retrieval, 281-286. Morgan Kaufmann Publishers Inc., 1997.
Robertson, SE., and Sparckjones K. "Relevance weighting of search terms." Journal of the
American society for Information Science, 1976: 129-146.
Robertson, SE., and Walker S. "Some simple effective approximations to the 2-Poisson model
for probabilistic weighted retrieval." Proceedings of SIGIR 1994. 1994. 232-241.
Runciman, W., Hibbert P., Thomson R., Van Der Schaaf T., Sherman H., and Lewalle P.
"Towards an International Classification for Patient Safety: key concepts and terms."
International journal for quality in health care (Int J Qual Health Care), 2009: 18-26.
Safran, C. "A Concept-Based Information Retrieval Information Approach for User-oriented
Knowledge Transfer." Rapport de thèse, Institute for Information Systems and Computer
Media (IICM), 2005.
Sakji, S., Aufaure MA., Polaillon G., Le Grand B., et Soto M. «Une mesure de similarité
contextuelle pour l’aide à la navigation dans un treillis.» Extraction et Gestion des
Connaissances (EGC). 2008. 103-114.
Sakji, S., Darmoni S., and Elkin P. "Evaluation of a French – English Intelligent Natural
Language Processor." MedInfo, 2010(a).
134
Bibliographie
Sakji, S., et al. "Automatic indexing in a drug information portal." Studies in health
technology and informatics (Stud Health Technol Inform), 2009(b): 112-122.
sakji, S., Massari P., Letord C., Rollin L., Joubert M., and Darmoni S. "Evaluation of multiterminology information retrieval in a medical catalog." Methods of Information in Medicine ,
2010(b): soumis.
Sakji, S., Thirion B., Dahamni B., et Darmoni SJ. «Recherche des sources d'information
institutionnelle de santé françaises Le site Internet CISMeF.» Presse Médicale, 2009(a):
1443-1450.
Salton, G. "The SMART Retrieval System: Experiments in Automatic Document Processing."
Prentice-Hall. 1971.
Salton, G., and McGill MJ. Introduction to modern information retrieval. New York:
McGraw-Hill, Inc., 1983.
Salton, G., Wong A., and Yang CS. "A vector space model for automatic indexing." Commun.
ACM, 1975: 613–620.
Santé Canade,. Santé Canada. September 01, 2010. URL: www.sc-hc.gc.ca (accessed
September 01, 2010).
Savoy, J. «Indexation manuelle et automatique : une évaluation comparative basée sur un
corpus en langue française.» COnférence en Recherche d'Information et Applications
(CORIA). 2005. 9-24.
Schmid, H. "Probabilistic part-of-speech tagging using decision trees." International
Conference on New Methods in Language Processing. Manchester, UK, 1994.
Schmitt, E., Antier D., Bernheim C., Dufay E., Husson MC., and Tissot E. "Dictionnaire
français de l’erreur médicamenteuse." 2006.
Skrbo, A., Begović B., and Skrbo S. "Classification of drugs using the ATC system
(Anatomic, Therapeutic, Chemical Classification) and the latest changes." Medicinski arhiv
(Med Arh), 2004: 138-141.
Smeaton, AF. "Progress in the Application of Natural Language Processing to Information
Retrieval Tasks." Computer Journal, 1992: 268-278.
Smeaton, AF. "Using NLP or NLP resources for information retrieval tasks." In Natural
Language Information Retrieval, 99-111. 1999.
Soler, JK., Okkes I., Wood M., and Lamberts H. "The coming of age of ICPC: celebrating the
21st birthday of the International Classification of Primary Care." Family Practice (Fam
Pract), 2008: 312-317.
Soualmia, L. Etude et Evaluation d'Approches Multiples d'Expansion de Requêtes pour une
Recherche d'Information Intelligente : Application au Domaine de la Santé sur Internet.
Rapport de thèse, Rouen: INSA de Rouen, 2004.
135
Bibliographie
Soualmia, L., Barry C., and Darmoni SJ. "Knowledge-Based Query Expansion over a Medical
Terminology Oriented Ontology." Artificial Intelligence in Medicine, November 11, 2003:
209-213.
Soualmia, L., Dahamna B., Thirion B., and Darmoni SJ. "Strategies for health information
retrieval." Studies in health technology and informatics (Stud Health Technol Inform), 2006:
595-600.
Strzalkowski, T. "Natural language processing in large-scale text retrieval tasks." In TREC,
173-188. 1992.
Studer, R., Benjamins VR., and Fensel D. "Knowledge Engineering: Principles and Methods."
Data and Knowledge Engineering, 1998: 161-197.
Tamine-Lechani, L., Zemirli N., et Bahsoun W. «Approche statistique pour la définition du
profil d’un utilisateur de système de recherche d’information.» Dans Information - Interaction
- Intelligence. Cépaduès Editions, 2007.
Thirion, B., Douyère M., Soualmia L., Dahamna B., Leroy JP., and Darmoni SJ. " Metadata
element sets in the CISMeF quality-Controlled Health Gateway." International Conference on
Dublin Core and Metadata Applications. Shanghai, China, 2004.
Thirion, B., Robu I., and Darmoni SJ. "Optimization of the PubMed Automatic Term
Mapping." Studies in health technology and informatics (Stud Health Technol Inform), 2009:
238-42.
Tricot, A. «Recherche d’information et apprentissage avec documents électroniques.» Dans
Lire, écrire, communiquer, apprendre avec Internet, 441-462. Solal, 2006.
Vallet, D., Miriam Fernandez M., and Castells P. "An ontology-based information retrieval
model." European Semantic Web Conference (ESWC). 2005. 455–470.
Vallez, M., and Pedraza-Jimenez R. Natural Language Processing in Textual Information
Retrieval and Related Topics. http://www.hipertext.net. 2007.
Van Rijsbergen, CJ. "A new Theoritical Framework for Information Retrieval." Proceedings
of SIGIR-86, 9th ACM Conference on Research and Development in Information Retrieval.
Pisa, 1986. 194-200.
Van Rijsbergen, CJ. Information Retireval. Butterworths, 1979.
Van Slype, G. Les langages d’indexation : conception, construction et utilisation dans les
systèmes documentaires. Paris : Éditions d’organisation, 1987.
WHO Collaborating Centre for Drug Statistics Methodology. ATC/DDD methodology.
November 19, 2009. URL: http://www.whocc.no/atc_ddd_methodology/history/.
Wilbur, WJ., and Kim, W. "The dimensions of indexing." American Medical Informatics
Association/ Annual Symposium proceedings, 2003: 714-719.
World Alliance & WHO Health Information Systems Department. "International
Classification for Patient Safety." Statement of Purpose, 2009.
136
Bibliographie
World Health Organizations,. Classification statistique internationale des maladies et des
problèmes
de
santé
connexes,
Dixième
révision.
September
01,
2010.
http://apps.who.int/bookorders/anglais/detart1.jsp?sesslan=1&codlan=2&codcol=15&codcch
=754 (accessed September 01, 2010).
Zaiss, A., and Hanser S. "The French Common Classification of Procedures CCAM. An
option for Germany." Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz,
2007: 944-52.
Zeng, Q., Crowell J., Plovnick R., Kim E., Ngo L., and Dibble E. "Assisting consumer health
information retrieval with query recommendations." Journal of the American Medical
Informatics Association (JAMIA), 2006: 80-90.
Zipf, GK. Human Behaviour and the Principle of Least Effort: An Introduction to Human
Ecology. Cambridge: Addison-Wesley, 1949.
Zweigenbaum, P. «Encoder l'information médicale: des terminologies aux systèmes de
représentation des connaissances.» Innovation Stratégique en Information de Santé (ISIS),
1999: 27-47.
Zweigenbaum, P., et al. «UMLF : construction d'un lexique médical francophone unifié.»
Actes des Journées Francophones d'Informatique Médicale (JFIM), 2003.
137
Liste de publications
LISTE DE PUBLICATIONS
Sakji, S., Darmoni S., Elkin P. Evaluation of a French – English Intelligent Natural Language
Processor. Methods of Information in Medicine, 2010. (soumis).
Sakji, S., Massari P., Letord C., Rollin L., Joubert M., Darmoni S. Evaluation of multiterminology information retrieval in a medical catalog. Methods of Information in Medicine.
2010. (soumis).
Elkin PL., Trusko BE., Koppel R., Speroff T., Mohrer D., Sakji S., Gurewitz I., Tuttle M.,
Brown SH. Secondary use of clinical data. Studies in health technology and informatics (Stud
Health Technol Inform). 2010: 14-29.
Sakji, S., Gicquel Q., Pereira S., Kergoulay I., Proux D., Darmoni SJ., Metzger MH.
Evaluation of a French Medical Multi-Terminology Indexer for the Manual Annotation of
Natural Language Medical Reports of Healthcare-Associated Infections. 13th International
Congress on Medical Informatics. 2010: 252-256
Merlin, B., Chazard E., Pereira S., Serrot E., Sakji S., Beuscart R., Darmoni SJ. Can F-MTI
semantic-mined drug codes be used for Adverse Drug Events detection when no CPOE is
available? 13th International Congress on Medical Informatics, 2010: 1025-1029
Sakji S., Thirion B., Dahamna B., Darmoni SJ. Recherche des sources d'information
institutionnelle de santé françaises Le site Internet CISMeF. Presse Médicale, 2009 : 14431450.
Darmoni, SJ., Sakji S., Pereira S., Merabti, T., Prieur E., Joubert M., Thirion B. Multiple
terminologies in an health portal: automatic indexing and information retrieval. Artificial
Intelligence in Medicine, Verona, Italy, July, Lecture Notes in Computer Science, 2009 : 255259.
Pereira, S., Sakji S., Névéol A., Kergoulay I., Kerdelhué G., Serrot E., Joubert M., Darmoni
SJ. Abstract multi-terminology indexing for the assignment of MeSH descriptors. American
Medical Informatics Association/ Annual Symposium proceedings, 2009: 521-525.
Sakji, S., Dirieh Dibad,AD., Kergourlay I., Joubert M., Darmoni SJ. Information Retrieval in
Context Using Various Health Terminologies. International Conference on Research
Challenges in Information Science IEEE, Fez, Morocco, April, 2009 : 453-458.
Sakji S., Letord C., Dahamna B., Kergourlay I., Pereira S., Joubert M., Darmoni, SJ.
Automatic indexing in a drug information portal. Studies in health technology and informatics
(Stud Health Technol Inform). 2009: 112-122.
138
Liste de publications
Sakji, S., Letord C., Pereira S., Dahamna B., Joubert M., Darmoni, SJ. Drug Information
Portal in Europe: information retrieval with multiple health terminologies. Studies in health
technology and informatics (Stud Health Technol Inform). 2009: 497-501.
Dirieh Dibad, AD., Sakji S., Prieur E., Pereira S., Joubert M., Darmoni, SJ. « Recherche
d'information multi-terminologique en contexte : Etude préliminaire ». 13ème journées
francophones d'informatique médicale (JFIM). 2009 : 101-112.
Letord, C., Sakji S., Pereira S., Dahamna B., Kergoulay I., Darmoni SJ. « A Drug Information
Portal in Europe ». American Medical Informatics Association/ Annual Symposium
proceedings. 2009:p.931.
Letord, C., Sakji S., Pereira S., Dahamna B., Kergourlay I., Darmoni, SJ. « Recherche
d'information multi-terminologique : application à un portail d'information sur le médicament
en Europe ». Ingénierie et Recherche Biomédicale / BioMedical Engineering and
Research. 2008 : 350-356.
Sakji, S. « Recherche multi-terminologique de l'information de santé sur l'Internet ». 5ème
édition de la COnférence en Recherche d'Information et Applications (CORIA). 2008 : 409416.
139
Annexe A : Exemples de modélisation des terminologies médicales
ANNEXE A
 Description OWL du modèle de la terminologie ATC
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE rdf:RDF [
<!ENTITY itm "http://www.mondeca.com/system/itm#">
<!ENTITY owl "http://www.w3.org/2002/07/owl#">
<!ENTITY rdf "http://www.w3.org/1999/02/22-rdf-syntax-ns#">
<!ENTITY rdfs "http://www.w3.org/2000/01/rdf-schema#">
<!ENTITY stms "http://www.chu-rouen.fr/stms">
<!ENTITY xsd "http://www.w3.org/2001/XMLSchema#">]>
<rdf:RDF xml:base="&stms;"
xmlns:itm="&itm;"
xmlns:owl="&owl;"
xmlns:rdf="&rdf;"
xmlns:rdfs="&rdfs;">
<!-- Ontology Information -->
<owl:Ontology rdf:about="">
<itm:defaultLanguage xml:lang="en">fra</itm:defaultLanguage>
<rdf:type rdf:resource="&owl;Thing"/>
<owl:versionInfo xml:lang="fr">Ontologie STMS - Version 1.14 - 2007-1204</owl:versionInfo>
</owl:Ontology>
<!-- Classes -->
<owl:Class rdf:about="#ATCCaracteristiqueChimique">
<rdfs:label xml:lang="fr">ATC Characteristique Chimique</rdfs:label>
<rdfs:subClassOf rdf:resource="#ATCConcept"/>
</owl:Class>
<owl:Class rdf:about="#ATCConcept">
<rdfs:subClassOf
rdf:resource="http://www.mondeca.com/system/publishing#Descriptor"/>
</owl:Class>
<owl:Class rdf:about="#ATCEffetPharmacologique">
<rdfs:label xml:lang="fr">ATC Effet Pharmacologique</rdfs:label>
<rdfs:subClassOf rdf:resource="#ATCConcept"/>
</owl:Class>
<owl:Class rdf:about="#ATCIndicationTherapeutique">
<rdfs:label xml:lang="fr">ATC Indication Thérapeutique</rdfs:label>
<rdfs:subClassOf rdf:resource="#ATCConcept"/>
</owl:Class>
140
Annexe A : Exemples de modélisation des terminologies médicales
<owl:Class rdf:about="#ATCOrganeAnatomique">
<rdfs:label xml:lang="fr">ATC Organe Anatomique</rdfs:label>
<rdfs:subClassOf rdf:resource="#ATCConcept"/>
</owl:Class>
<owl:Class rdf:about="#ATCSubstanceChimique">
<rdfs:label xml:lang="fr">ATC Substance Chimique</rdfs:label>
<rdfs:subClassOf rdf:resource="#ATCConcept"/>
</owl:Class>
 Modélisation UML de la classification ATC
Figure A.1. Diagramme de classe de la classification ATC
141
Annexe A : Exemples de modélisation des terminologies médicales
 Modélisation UML de la CIM-10
Figure A.2. Diagramme de classe de la CIM-10
142
Annexe B : Relations terminologiques
ANNEXE B
Figure B.1. La liste des descripteurs MeSH en relation avec le métaterme « médicaments »
143
Annexe B : Relations terminologiques
Vu la structure hiérarchique du thésaurus MeSH, s’ajoutent à cette liste tous les descripteurs
qui sont hiérarchiquement inférieurs à ces derniers :
Figure B.2. La hiérarchie du descripteur « actions pharmacologiques »
144
Annexe C : Algorithme de Lucene
ANNEXE C
Letters in French include the following accented forms,
â à ç ë é ê è ï î ô û ù
The following letters are vowels:
a e i o u y â à ë é ê è ï î ô û ù
Assume the word is in lower case. Then put into upper case u or i preceded and
followed by a vowel, and y preceded or followed by a vowel. u after q is also put into
upper case. For example,
jouer -> joUer
ennuie -> ennuIe
yeux
-> Yeux
quand -> qUand
(The
upper
case
forms
are
not
then
classed
as
vowels)
If the word begins with two vowels, RV is the region after the third letter, otherwise the
region after the first vowel not at the beginning of the word, or the end of the word if
these positions cannot be found. (Exceptionally, par, col or tap, at the beginning of a
word is also taken to define RV as the region to their right.)
For example,
aimer
|...|
adorer
|.....|
|.....|
voler tapis
|...|
R1 is the region after the first non-vowel following a vowel, or the end of the word if
there is no such non-vowel. R2 is the region after the first non-vowel following a vowel
in R1, or the end of the word if there is no such non-vowel.
For example:
fameusement
|......R1.......|
|...R2....|
Note that R1 can contain RV (adorer), and RV can contain R1 (voler).
Below, ‘delete if in R2’ means that a found suffix should be removed if it lies entirely in
145
Annexe C : Algorithme de Lucene
R2, but not if it overlaps R2 and the rest of the word. ‘delete if in R1 and preceded by X’
means that X itself does not have to come in R1, while ‘delete if preceded by X in R1’
means
that
X,
like
the
suffix,
must
be
entirely
in
R1.
Start
with
step
1
Step 1: Standard suffix removal
Search for the longest among the following suffixes, and perform the action
indicated.
ance iqUe isme able iste eux ances iqUes ismes ables istes
delete if in R2
atrice ateur ation atrices ateurs ations
delete if in R2
if preceded by ic, delete if in R2, else replace by iqU
logie logies
replace with log if in R2
usion ution usions utions
replace with u if in R2
ence ences
replace with ent if in R2
ement ements
delete if in RV
if preceded by iv, delete if in R2 (and if further preceded by at, delete if in R2),
otherwise,
if preceded by eus, delete if in R2, else replace by eux if in R1, otherwise,
if preceded by abl or iqU, delete if in R2, otherwise,
if preceded by ièr or Ièr, replace by i if in RV
ité ités
delete if in R2
if preceded by abil, delete if in R2, else replace by abl, otherwise,
if preceded by ic, delete if in R2, else replace by iqU, otherwise,
if preceded by iv, delete if in R2
if ive ifs ives
146
Annexe C : Algorithme de Lucene
delete if in R2
if preceded by at, delete if in R2 (and if further preceded by ic, delete if in R2,
else replace by iqU)
eaux
replace with eau
aux
replace with al if in R1
euse euses
delete if in R2, else replace by eux if in R1
issement issements
delete if in R1 and preceded by a non-vowel
amment
replace with ant if in RV
emment
replace with ent if in RV
ment ments
delete if preceded by a vowel in RV
In
steps
2a
and
2b
all
tests
are
confined
to
the
RV
region.
Do step 2a if either no ending was removed by step 1, or if one of endings amment,
emment,
ment,
ments
was
found.
Step 2a: Verb suffixes beginning i
Search for the longest among the following suffixes and if found, delete if
preceded by a non-vowel.
îmes ît îtes i ie ies ir ira irai iraIent irais irait iras irent irez
iriez irions irons iront is issaIent issais issait issant issante
issantes issants isse issent isses issez issiez issions issons it
(Note that the non-vowel itself must also be in RV.)
Do
step
2b
if
step
2a
was
done,
but
failed
to
remove
a
suffix.
Step 2b: Other verb suffixes
Search for the longest among the following suffixes, and perform the action
indicated.
147
Annexe C : Algorithme de Lucene
ions
delete if in R2
é ée ées és èrent er era erai eraIent erais erait eras erez eriez
erions erons eront ez iez
delete
âmes ât âtes a ai aIent ais ait ant ante antes ants as asse
assent asses assiez assions
delete
if preceded by e, delete
(Note that the e that may be deleted in this last step must also be in RV.)
If the last step to be obeyed — either step 1, 2a or 2b — altered the word, do step 3
Step 3
Replace final Y with i or final ç with c
Alternatively, if the last step to be obeyed did not alter the word, do step 4
Step 4: Residual suffix
If the word ends s, not proceeded by a, i, o, u, è or s, delete it.
In the rest of step 4, all tests are confined to the RV region.
Search for the longest among the following suffixes, and perform the action
indicated.
ion
delete if in R2 and preceded by s or t
ier ière Ier Ière
replace with i
e
delete
ë
if preceded by gu, delete
( ion is removed only when it is in R2 — as well as being in RV — and proceeded
by s or t which must be in RV.)
Always
do
steps
5
and
6.
148
Annexe C : Algorithme de Lucene
Step 5: Undouble
If the word ends enn, onn, ett, ell or eill, delete the last letter
Step 6: Un-accent
If the word ends é or è followed by at least one non-vowel, remove the accent
from the e.
And finally:
Turn any remaining I, U and Y letters in the word back into lower case.
149
Annexe D : Représentation en OWL et interrogation en SPARQL
ANNEXE D
Figure D.1. Les ressources de la base de données CISMeF en format RDF
150
Annexe D : Représentation en OWL et interrogation en SPARQL
Figure D.2. Exemple de requête SPARQL en utilisant l’interface de Sésame :
Trouver les ressources indexées par le descripteur SNOMED « tension artérielle »
151
Annexe D : Représentation en OWL et interrogation en SPARQL
Figure D.3. Résultat de la requête :
Les ressources du catalogue CISMeF indexées par le descripteur SNOMED « tension
artérielle »
152
Annexe D : Représentation en OWL et interrogation en SPARQL
Figure D.4. Les informations en RDF de la première ressource du résultat :
la ressource n°5487
153
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising