MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA






Modélisation Multi agent massif d’un

Modélisation Multi agent massif d’un

Système d’aide à la décision en Médecine Traditionnelle


Par


Ghislain A. ATEMEZING (*)

[email protected]

(*) Université de Yaoundé I

Laure P. FOTSO (*)

[email protected]

(*) Université de Yaoundé I

Michel TCHOTSOUA (**)

[email protected]

(**)Université de Ngaoundéré

Alain CARDON (***)

[email protected]

(***) Université de Paris 6, LIP6, France


Résumé : Nous présentons dans ce papier une méthode de conception et d’implémentation d’un système d’aide à la décision en médecine traditionnelle (SADMedTra) représentant le phénomène de diagnostic contextuel tradi-praticien- patient. Nous procédons à une agentification des connaissances en partant des entités réifiant les aspects statiques du phénomène appelés agents aspectuels. Le système manipule des connaissances géoreférencées qui sont réifiées par une organisation de géo-agents pour le couplage du système à un Système d’information Géographique (SIG). La solution est implémentée sous Visual Works.


Mots-clés : agents, système multi agents massifs, aide à la décision,

SIG, géo-agents, médecine traditionelle.



Abstract: We present a multi agent approach to model a Decision Support System for the African Traditional medicine. We first show that the phenomenon is complex. We then present useful agents for such a social problem using an appropriate agentification method. The system manipulates local-based information which are reified by an organization of agents called geo-agents. The solution is implemented under Visual Works.


Key words: Agents, multi agent massive system, decision-making

aid, GIS, geo-agents, traditional medicine.

Introduction


La médecine traditionnelle africaine est un système complexe de quête de guérison dans lequel la maladie est considérée comme un malaise social qu’il faut éradiquer à la racine. Il y a intervention de plusieurs acteurs relevant de plusieurs domaines qui rend les connaissances échangées et manipulées complexes et diversifiées. Ces connaissances transmises par voie orale sont non structurées.

Nous proposons un système multi agent qui appréhende le dialogue contextuel patient- tradipraticien. Notre modèle est basé sur une approche constructiviste de la pratique de la guérison opérée par les tradi-médecins qui construit le système de façon incrémentielle, partant d’un système totalement informatif pour progressivement cheminer vers un système adaptatif. Partant d’un système minimal nous l’amenons à progressivement se reconfigurer en fonction de l’enrichissement des ontologies du domaine. Le système propose des interprétations partielles en fonction de la complexité des ontologies prises en compte. Il représente des caractères subjectifs, tels que des impressions, des désirs ou craintes, des tensions, des forces d’organisation ou de répulsion qui existent – ou peuvent exister - entre les différents intervenants dans la médecine traditionnelle à savoir : le patient, le tradi-praticien, l’entourage du patient, la culture des uns et des autres. Ce système multi agent est une couche que nous plaçons au-dessus d’une base de donnée existante sur la pharmacopée africaine.


Dans ce papier, nous décrivons dans un premier temps le phénomène, suivi des approches classiques de modélisation dans le domaine d’application. Nous montrons ensuite comment partir des ontologies du domaine à l’obtention des agents du système, avec la description de la composante communicationnelle qui sous-tend le système dans l’acquisition des connaissances de l’environnement. Enfin nous esquissons la problématique du couplage du système à un Système d’information géographique (SIG). Enfin, nous présentons la méthode de mise en œuvre du système avant de conclure.



Problématique 


Les connaissances disponibles sur la médecine traditionnelle ne sont pas structurées selon un schéma binaire simple. La majorité des opérations portent sur des réalités appréhendées, mesurées, modélisées selon des niveaux de description, des points de vue multiples. Les hypothèses et connaissances disponibles aux différents niveaux forment un système de contraintes mutuelles s'appliquant aux dynamiques de chacune d'elles. Nous devons prendre en compte l'ensemble de ces hypothèses pour pouvoir utiliser toutes les informations pertinentes aux questions posées dans le processus de traitement en médecine traditionnelle.


Ce manque de structuration de connaissances retrouvé dans toute thématique faisant intervenir la gestion intégrée d'un éco-système, soulève deux grandes problèmes liés aux difficultés d'intégration et aux difficultés d'interprétation.





C’est dans cette problématique que nous nous situons en médecine traditionnelle afin de comprendre la structure des connaissances, l’évolution de ces connaissances et les relations entre elles.

Description du phénomène

Les acteurs


Dans la médecine traditionnelle, il existe plusieurs acteurs ayant des rôles et fonctions bien spécifiques.


Les concepts


Dans la recherche de la guérison, le tradi médecin cherche à réconcilier le patient dans toute son intégrité aussi bien physique que psychique en utilisant des symboles qui font partie de l’univers et de la vie de chaque jour de son patient lors de ses interventions. Par exemple, une pincée de terre ramassée au marché représentera l’activité sociale du malade ; les gravillons ramassés au carrefour la vie publique et une cuvette d’eau le fleuve au bord duquel s’étend son village d’origine.


En médecine traditionnelle, il faut distinguer symptômes et maladie. Lorsqu’un patient se retrouve chez le tradi médecin, il souffre d’un mal dont on peut attribuer un nom dans l’ensemble des maladies connues en médecine moderne. Mais pour le tradi médecin (qui n’a pas cette connaissance livresque), il voit en ce patient une personne qui possède un « symptôme », signe d’un malaise social. "Le malaise social" exprime des tensions (cachés ou révélés) qui pourraient exister dans l’entourage du patient. Certains anthropologues comme [1] introduisent le concept de modèle traditionnel pour exprimer tout ce qui est vécu dans la vision traditionnelle. Le corps dans ce modèle est composé de deux entités: une partie visible et une autre partie invisible.

Description du processus de traitement


La modélisation du processus de traitement en médecine traditionnelle diffère radicalement de celle de la médecine scientifique sur sa forme. Il n'y a pas la succession des étapes classiques :


  1. symptômes,

  2. diagnostic lié strictement aux symptômes,

  3. traitement selon la connaissance des facteurs déclenchants des symptômes.

  4. Seconde rencontre avec le patient et focalisation sur les symptômes (précision)


L'hypothèse de base considère que la maladie (au sens moderne) ou un accident est la preuve suffisante d’un malaise social (dans le monde traditionnel) qui est la cause déclenchante. D’où la nécessité de prendre en compte de la dimension culturelle et mystique de la maladie.


Le phasage dans le modèle traditionnel est le suivant :


  1. Interprétation de la cause du mal physique (sorte de diagnostic) : le tradi médecin considère que la maladie dont souffre son patient peut provenir  de plusieurs sources : ancêtres défunts qui continuent à vivre et qui parfois pour manifester leur « mécontentement » agissent sur les vivants, sorcellerie, inceste (le fait de tomber sous le joug des interdits), jumeaux qui possèdent des pouvoirs surnaturels, destinée qui est individuelle, Dieu qui ici est une cause naturelle. [2]

  2. Phase de divination afin de savoir comment traiter le patient

  3. Prescriptions en fonction de la cause de la maladie : remèdes à base de produits naturels, rituels et autres sacrifices à entreprendre. [3]

  4. Suivi de l’évolution du patient dans son processus de guérison qui peut parfois prendre des années.


Différentes techniques de modélisation et critiques

Approche objet


Afin de mieux percevoir les concepts manipulés dans notre domaine, l’approche de modélisation par objet en utilisant la méthode UML (Unified Modeling Language) [Müller P.] nous a permis d’identifier les concepts pertinents telles que : Tradi Praticien, Patient, Maladie, Famille, Langage, Culture, Rite, Symptômes, Organes médicinales. La Fig. 1 présente un diagramme de classes décrivant le phénomène.


Une telle approche ne peut malheureusement pas conduire à doter un quelconque système de la propriété de génération de sens. Comme le constate [4], il serait par exemple très difficile que ce modèle permette de connaître, au sens de la production et de la manipulation de connaissances, la pratique des tradi praticiens ; pratique qui part de leur apprentissage à leurs prescriptions sur des cas de maladies avec des patients. Ici, le type de connaissance est dynamique, change quand on l’active. Cette connaissance est floue au sens de la logique floue ; possède des parties manquantes (comme les flashs du tradi praticien) et est caractérisée par la difficulté que la description des méthodes et prescriptions passe par le langage et le geste du tradi praticien. Un autre inconvénient est l’incapacité du modèle objet à manipuler certains caractères syntaxiques du langage, ou bien encore l’appréhension d’une information venant de l’extérieur via l’un des sens de perception du système.

Approche Système Expert

Historiquement, l'informatique médicale s'est très tôt intéressée à l'aide à la décision en utilisant des méthodes logiques, probabilistes et statistiques [5], [6]. Le système MYCIN est le premier système expert réalisé dans le domaine médical [7]. Sa particularité a été la représentation de l’incertitude fréquemment reprise dans les systèmes qui ont suivi. Le modèle classique des systèmes experts distingue (i) la base de connaissances contenant les modèles de la connaissance qui décrivent un domaine d'expertise ; (ii) la base de faits correspondant aux données fournies au système pour un ou plusieurs cas réels; (iii) le moteur d'inférence qui, à partir des faits et du modèle de connaissances, essaie de déduire de nouveaux faits ou conclusions à la manière d'un expert ; (iv) le module d'interface homme-machine qui doit permettre à un utilisateur de dialoguer avec le système.


Le tradi praticien se sert beaucoup du langage et des gestes pour effectuer un diagnostic. Il le fait dans un contexte où les symboles et éléments culturels sont d’une grande signification dans l’interprétation de son art. Ceci ne peut pas être représentable par des règles manipulées dans les systèmes à base de connaissances classiques rencontrés dans la médecine moderne.


A cela s’ajoute l’incapacité de représenter des caractères subjectifs, comme des impressions, des désirs ou des craintes, les tensions, les forces d’organisation ou de répulsion qui existent – ou peuvent exister- entre les différents intervenants dans la médecine traditionnelle à savoir : le patient, le tradi-praticien, l’entourage du patient et le contexte culturel des acteurs.


Approche Multi agents : individu-centrée


La définition de l’agent la plus communément admise est celle donnée par [8] : « […] une entité réelle ou abstraite qui est capable d’agir sur elle-même et sur son environnement, qui dispose d’une représentation partielle de cet environnement, qui, dans un univers multi-agent, peut communiquer avec d’autres agents et dont le comportement est la conséquence de ses observations, de sa connaissance et des interactions avec les autres agents ».


Dans [4], un système multi agent (SMA) est constitué d’un ensemble d’agents situés dans un environnement composé d’objets qui ne sont pas des agents. Les agents appréhendent les objets et les actions des autres agents, réalisent des actions diverses en utilisant les objets disponibles de leur monde et en unissant leurs actions pour définir des comportements collectifs. Ainsi, l’approche multi agent permet de résoudre des problèmes de complexité et de taille telles qu’il n’est pas réaliste de les résoudre à l’aide d’une seule base de connaissances.

Les SMA apportent une solution au concept même de modèle et de simulation dans les sciences de l’environnement, en offrant la possibilité de représenter directement les individus, leurs comportements et leurs interactions.

L’approche individu-centrée représente directement les individus du phénomène étudié en agents, interagissant aussi bien entre eux qu’avec l’environnement. SIMDELTA [9] et SIMPOP [10] sont des exemples de systèmes développés par cette approche.


MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA

Figure 1. Diagramme de classes UML décrivant le phénomène de la médecine traditionnelle

Notre approche

L’ontologie du domaine et son agentification


Nous nous distinguons des approches classiques en faisant en sorte que dans notre modèle, une information n’est pas réifiée par un seul agent. La structuration des ontologies permet de réifier les connaissances dans des agents légers et cognitifs. Ces agents sont choisis comme minimaux pour notre système car représentant des aspects spécifiques de la médecine traditionnelle.

Les agents aspectuels


Un agent aspectuel désigne tout élément caractéristique du domaine qui a à la fois un comportement dépendant de ses relations avec d'autres entités, un comportement et une évolution propre due à la transformation de sa structure. Un agent aspectuel (fig. 2) est constitué des modules de :



MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA


Figure 2. Structure d’un agent aspectuel

Les agents de prégnance


Ce sont les agents qui activent et investissent les agents aspectuels dans le système. Un agent de prégnance est la réification d'une connaissance structurante ou organisationnelle quant à l'activation effective des agents aspectuels entre eux ou en eux-mêmes et permettant de les déployer, de leur fournir un espace. Ces agents de prégnance communiquent entre eux, et peuvent se regrouper, s’engendrer, s'annihiler et aussi communiquer avec les agents aspectuels pour les investir, les conduire à se modifier à former des groupes comportementaux significatifs.


En fonction du type d’activation, dans le temps ou dans l’espace occupé on distingue les agents de prégnance temporelle ou spatiale. La prégnance temporelle pour la représentation des différentes durées (durée de diagnostique, durée des rituels, durée des prises de potions) et la prégnance spatiale pour modéliser les lieux des cérémonies des rituels, des lieux de rencontre entre patient et praticiens, des lieux de collecte de connaissances. Les prégnances spatiales sont le découpage du site où se passe la vie du patient et du tradi-praticien (le contexte spatial du phénomène). La prégnance temps est uniforme (par exemple la journée). Des prégnances sociales, culturelles, religieuses sont en plus définies, investissant les aspectuels. Chaque élément d'aspect du phénomène est ainsi qualifié de manière spatiale, temporelle, sociale, culturelle, religieuse ; augmentant sensiblement la description factuelle des aspectuels. De même, les informations provenant de la connexion au SIG (Système d’Information Géographique) sont utilisées par les agents de prégnances spatiales et temporelles.

Les agents spécifiques


En plus des agents aspectuels et de prégnance, nous avons des agents dits agents spécifiques au domaine de la tradi-médecine :



Nous obtenons un système multi agent (SMA) massif de part le grand nombre des agents au cours de l’évolution de la simulation.


Le système proposé comporte un module SMA qui capte les connaissances dans le processus de traitement et les agents d’interfaçage à la Base de Données permettant d’avoir le rendu sur la grande pharmacopée africaine et ses modes de prescriptions des potions (remèdes naturels). Le système construit à partir des cas de traitement propose des interprétations à partir des données introduites par l’utilisateur. Les interprétations sont des constructions c’est-à-dire des ensembles d’agents qui représentent les interprétations possibles de la pathologie du patient, explicitant l’interprétation du tradi-praticien. La Figure. 3 présente les différents agents du système avec leurs interactions.


MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA


Figure. 3. Les agents du système



Composante communicationnelle du système


Un système d’aide à la décision comme le nôtre est usuellement chargé d’aider les patients dans leurs besoins de consultation et de prescriptions face à des pathologies renseignées dans le système. Le patient se sert du système pour savoir de quoi il souffre et comment trouver guérison. Le système se comporte comme un médecin en plein exercice de ses fonctions.


Un Système d’aide à la décision en médecine traditionnelle, (SADMedTra) est caractérisé par le dialogue contextuel entre le tradi praticien et le patient. Le système se base sur une composante communicationnelle mettant en relation les deux principaux acteurs. Les deux points peuvent être deux nœuds géographiquement distants d’un réseau de communication représentant la possibilité d’une consultation à distance. La partie technique d’un SADMedTra est constituée d’un système de communication classique entre les différents acteurs. Chacun de ces acteurs est un élément du réseau communicationnel [11] disposant d’une interface personnalisée ou console pour les échanges. Le réseau est fermé dans le sens où aucun nouvel acteur imprévu ne peut y être introduit pendant le déroulement de la consultation.


Au niveau de la composante communicationnelle, la connaissance nécessaire pour réaliser le dialogue revient à collecter le maximum de symptômes concernant le patient pour tenter de la caractériser, de la mettre en adéquation avec des cas connus, puis prévoir des possibilités de pathologies pour enfin proposer des traitements appropriés. Le système opère ici, (Fig. 4), comme un système d’aide à la planification dynamique. Il procède par une démarche de collecte systématique de renseignements, certains fournis par le tradipraticien, pour ensuite analyser, faire des hypothèses et proposer une (des) solution(s) selon des cas déjà rencontrés.

MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA


Figure 4 : Situation communicationnelle entre le

tradi pratien, le patient et le Système


Couplage SIG et SMA

Possibilités et problèmes


Il existe un nombre varié de possibilités pour visualiser et animer les processus dynamiques interactifs [12]. L’objectif général de ces méthodes est résumé dans [13]. « Les systèmes d’informations doivent quitter de la représentation des cartes vers la représentation des processus qui évoluent dynamiquement ». Dans ce contexte, il est important de concevoir des modèles appropriés capables de représenter les interactions de façon dynamique. Le couplage d’un système d’information géographique (SIG) et d’un système multi agent (SMA) peut permettre de surmonter leurs inconvénients respectifs qui sont (en général) des considérations statiques des espaces dans les SIG et la représentation de la prégnance spatiale dans les SMA. Selon [14] il a quatre alternatives :



Nous avons opté pour le couplage faible parce que les données nécessaires pour notre système peuvent être implémentées dans notre système. Le principal inconvénient pour le moment est la représentation hautement abstraite de la configuration spatiale.


Les géo-agents du système


Les agents géographiques (géo-agents) sont composés d’un ensemble d’agents logiciels qui sont capables de collaborer de façon complémentaire pour effectuer une tâche dans le domaine de système d’information géographique. Ces agents peuvent s’exécuter sur une même machine physique, ou sur des machines distribués dans un réseau. Leur présence dans le système se justifie par le stockage dans le SIG des cartes représentant la couverture géographique dans une région donnée des données géo-reférencées sur des organes médicinales, des tradi praticien, etc pour des besoins de recherche, en médecine traditionnelle.


Dans le but d’effectuer une tâche spécifique, les géo-agents doivent collaborer entre eux. Certains géo-agents peuvent communiquer avec des acteurs externes, tels que les utilisateurs, les autres agents du système et les sources de données. Ils constituent à eux seuls un système multi agent particulier dans leurs tâches et fonctionnalités.

Les géo-agents jouent plusieurs rôles, superviseur, coordonnateur, exécuteur, etc. la Figure.4 présente l’architecture générique des géo-agents classés en fonction de leurs capacités et rôles.


MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA


Figure 4.  Architecture générique d’un géo-agent


Nous distinguons cinq types de géo-agents repartis dans deux catégories:



Mise en œuvre du Système


Nous partons d'une base de connaissances simple sur la médecine traditionnelle décrite par les instanciations des classes (comme sous UML) et nous codons entièrement un système, où deux utilisateurs (le patient ET le tradi-praticien) informent et sont aidés par le système, qui conseille l'un et explique à l'autre, donne des précisions, des détails, des avis, des exemples. Les entrées sont dans un format contraint  (sous forme de mots-clés ou d'icônes) et ne sont pas phoniques ni des analyses d'images Pour réaliser cette aide, le système s’informe par les mots-clés entrées par le patient et le tradi-praticien, en utilisant un ou des dictionnaires, estime la justesse des informations (qu'il interprète comme des connaissances, mises en contexte selon ce qu'il sait et a déjà interprété dans le passé) et en déduit une situation, la situation courante (l'analyse et la représentation du cas).

Puis le système peut questionner. Ensuite il peut accepter d'autres réponses  et ainsi de suite. Si on l'informe de manière incohérente, le système le dit. S'il ne comprend pas une entrée, il demande des explications, augmente sa base de connaissances. C'est un système de dialogue avec patient ET tradi-praticien qui donne des avis pertinents et justifiés (validés par des méta connaissances). Le système est incrémentiel (Fig. 5) au niveau des entrées en ce sens que  nous prévoyons trois cas de figure :



MODÉLISATION MULTI AGENT MASSIF D’UN SYSTÈME D’AIDE À LA

Figure. 5 : Schéma de fonctionnement du système


Le système est implémenté sous Visual Works en partant d’un minimum de composants pour complexifier au fur et à mesure de la validation. Cette approche est basée sur la boucle de Böhm. Nous partons d’un système où le tradi praticien et le patient disposent chacun d’une console pour entrer les informations dans le système. Le patient comprend un langage simplifié pour indiquer son malaise. Le système réagit en fonction de l’analyse faite sur l’entrée indiquée par le patient. De même, le tradi praticien possède son propre langage dont la reconnaissance par le système permet de poser des questions au patient pour affiner les expressions du patient. Le système dispose d’une base cas en médecine traditionnelle et est connecté à une base de donnée en médecine traditionnelle héritée du projet MEDITRA, implémentée sous Oracle. MapInfo Professionnel est utilisé pour réaliser le couplage faible avec le système SADMedTra.





Conclusion


Nous avons présenté une approche agents massifs pour la mise sur pied d’un système d’aide à la décision en médecine traditionnelle (SADMedTra). Après avoir présenté le problématique et décris le phénomène modélisé, nous avons indiqué les insuffisances des méthodes classiques de modélisation dans le domaine qui nous concerne. Nous avons alors introduit notre approche de modélisation basée sur des systèmes massivement multi agents. Les agents du système sont modélisés avec une attention particulière sur les géo-agents.


Pour la suite, nous comptons rendre notre système adaptatif en transposant les connaissances du tradi praticien dans le système et en agentifiant les règles ou groupes de règles de décision.

Références bibliographiques


[1] Eric de Rosny, L’Afrique des guérisons, Karthala, Paris, 1992

[2] Laplantine F. ; Anthropologie de la Maladie, Payot, Paris, 1986

[3] Tall E.K.; Guérir à Cubatel: Interprétation de la maladie et pratiques thérapeutiques chez les Haalpulaaran dans la vallée du fleuve Sénégal. Ecole des Hautes Etudes en Sciences Sociales, Paris, 1984

[4] Alain CARDON ; Conscience artificielle et systèmes adaptatifs, Editions Eyrolles, Paris, 2003.

[5] De Dombal FT, Leaper D, Staniland JR, McCann AP, Horrocks JC. Computer aided diagnosis of acute abdominal pain. Br. Med. J. 1972; 2:9-13.

[6] Warner HR, Toronto AF, Veasy LG. Experiences with Bayes theorem for computer diagnosis of congenital heart diseases. Am. N Y Academ. Sci. 1964; 115:538-67.

[7] Shortiffe EH, Scott AC, Bischoff MB, Campell AB, Van Melle W, Jacobs CD. An expert system for oncology protocol management. In: Rule-Based Expert Systems - The MYCIN Experiments of the Stanford Heuristic Programming Project. Buchanan BG and Shorliffe EH (eds). Reading, Massachusetts:Addison-Wesley, 1984:653-65.

[8] Ferber J., Les Systèmes multi-agents : Vers une intelligence Collective, Inter-Edition, Paris, 1995

[9] Cambier C., SIMDELTA : un système multi-agent pour simuler la pêche sur le Delta Central du Niger. Thèse de l’université de Paris 6, 1994

[10] Bura et al., Multi-Agents Systems and the Dynamics of a Settlement System. In Simulating Societies Symposium, Siena, C. Castelfranchi (Ed.)

[11] Hayes-Roth et A. Collinot; A Satisfacing Cycle for Real-Time Reasoning in Intelligent Agents, 1993

[12] Rase, Wolf-Dieter; Kartographische Animationen zur Visualisierung von Raum und Zeit, in: Angewandte Geographische Informationsverarbeitung XII, Hrsg.: Strobl/ Blaschke/Griesebner, Wichmann Heidelberg, p. 419-429; 2000.

[13] Chrisman, Nicholas R.; Beyond the Snapshot: Changing the Approach to Change, Error, and Process, in: Spatial and Temporal Reasoning in Geographic Information Systems, Eds.: Egenhofer/Golledge, Oxford University Press Oxford/New York, p.85-93; 1998

[14] Mandl, Peter; Geo-Simulation – Experimentieren und Problemlösen mit GIS Modellen,in: Angewandte Geographische Informationsverarbeitung XII, Hrsg.: Strobl/Blaschke/Griesebner, Wichmann Heidelberg, p. 345-356; 2000.

[15] H. Boukachour, A. Cardon, S. Durand: Conception d’un système multiagents adaptatif: application à la gestion de crise; in Rapport de Recherche LIP6, juin 1998.

[16] Laure Pauline FOTSO; Table of Entities and Attributes of Data Bases in MEDITRA (Knowledge based on African Traditional Herbal Medicine). In Rapport de recherche n°20, Université de Yaoundé 1, Février 1999






Tags: agent massif, multi agent, d’aide, modélisation, agent, massif, multi, système