Évaluation du risque de troubles musculo-squelettiques lié au poste de travail par des techniques d'apprentissage automatique

TitreÉvaluation du risque de troubles musculo-squelettiques lié au poste de travail par des techniques d'apprentissage automatique
TypeThèse d'exercice : Médecine
AuteursDernoncourt David
DirecteursHamel Jean-François
Année2016
URLhttp://dune.univ-angers.fr/fichiers/20086097/2016MCEM5205/fichier/5205F.pdf
Mots-clésclassification, dépistage, Déterminants professionnels, Evaluation du risque, prévention, symptômes musculo-squelettiques
Résumé

Les troubles musculo-squelettiques (TMS) représentent la première cause de maladie professionnelle, avec une prévalence supérieure à 10 %, et 9 salariés sur 10 exposés à un facteur de risque. Cette situation nécessite des interventions ciblées sur les situations de travail les plus à risque. Les études sur le risque de TMS sont généralement basées sur une analyse combinée du poste et de l'individu, il existe très peu de données concernant l'évaluation a priori des risques liés à l'exposition professionnelle seule. Ce travail avait pour objectif de créer un modèle d'évaluation du risque de TMS chroniques du membre supérieur, à partir des seuls déterminants professionnels, afin d'obtenir un modèle lié au poste et non au travailleur. Une étude transversale contenant 1486 travailleurs a été utilisée pour créer les modèles. En raison du grand nombre de variables, nous avons utilisé, en plus de la régression logistique, des méthodes d'apprentissage automatique classiquement utilisées dans l'analyse de données puces et adaptées aux données hautes dimensions.
Le réseau de neurones a permis d'obtenir le meilleur modèle, avec une AUC de 0,666 ± 0,021. La régression logistique sans sélection de variables a obtenu une AUC moindre (0,627, p=0,10), mais la régression logistique avec file élastique était très proche (0,664). La valeur prédictive négative (NPV) des modèles était supérieure à 91 %. Les modèles basés uniquement sur les facteurs de risques professionnels ne peuvent pas prédire précisément le risque de TMS, mais ils ont une bonne NPV et pourraient donc être utiles au dépistage des situations à risque.
Résumé en anglais

Musculoskeletal disorders (MSD) are a major cause of occupational disease, with a prevalence higher than 10%, and 9 out of 10 workers exposed to a least one risk factor. The few work-related predictive models that exist generally use both occupational and individual factors. This study aimed to classify workers at risk of chronic upper extremity MSD (UE-MSD), using occupational factors alone, so that the resulting model could be used a priori on a job station, to target preventive actions at the stations most at risk, regardless of the worker assigned to them.
A cross-sectional study (1486 workers) was used to construct classification models for UE-MSD, based on 45 occupational factors and using 7 classification methods. The models were compared using their area under the receiver operating characteristic curve (AUC), obtained by cross-validation.
The best model, neural network, had an AUC of 0.666±0.021. Logistic regression without feature selection was lower (0.627, p=0.10), but logistic regression with elastic net was close (0.664). All models but one had a negative predictive value (NPV) greater than 92%.
Models based only on occupational factors cannot fully predict the risk of UE-MSD. However, they achieve good NPV and could be useful for screening.
Langue de rédactionFrançais
Nb pages60
Diplôme

Diplôme d'État de docteur en médecine
Date de soutenance2016-03-21
EditeurUniversité Angers
Place PublishedAngers
Libellé UFR

UFR Médecine
Numéro national2016ANGE025M