Architecture de l'Information : un terrain ethnographique en archives médicales

Basé sur une expérience de terrain en archives médicales analysée notamment à l'aide de notions issues de l'ethnométhodologie, cet article entend revenir sur des aspects généralement invisibles de l'architecture de l'information telles les activités et personnes qui assurent sa production et son maintien. Utilisant la notion d'équipement des documents, nous proposons une incursion dans le monde de ceux qui réalisent ces opérations au quotidien, et produisent, par leur activité, une architecture de l'information située à partir de leurs compétences spécifiques. Nous discutons notamment des pratiques relatives à la numérisation des documents dans le contexte d'une architecture globale.

Les bonnes pratiques dompteront-elles la recherche clinique [Will good clinical practice domesticate human research?]

During recent years, an increasingly comprehensive set of rules and guidelines has been developed around clinical trials, to ensure their proper ethical, methodological, administrative and financial conduct. While initially limited to new drug development, this regulation is progressively invading all areas of clinical research, with limited respect for the heterogeneity in aims, resources, sponsors and epistemological grounds. No clinical study should be planned without consideration of a series of legal requirements, which are reviewed. Concerns about their practical implications are critically assessed.

Modulation du métabolisme du glucose astrocytaire par les cytokines pro-inflammatoires et le peptide beta-amyloïde. A la recherche d'une composante gliale aux processus neurodégénératifs

Résumé large public: Une altération localisée du métabolisme du glucose, le substrat énergétique préférentiellement utilisé dans le cerveau, est un trait caractéristique précoce de la maladie d'Alzheimer (MA). Il est maintenant largement admis que le beta-amyloïde, la neuroinflammation et le stress oxydatif participent au développement de la MA. Cependant les mécanismes cellulaires de la pathogenèse restent à identifier. Le métabolisme cérébral a ceci de remarquable qu'il repose sur la coopération entre deux types cellulaires, ainsi les astrocytes et les neurones constituent une unité métabolique. Les astrocytes sont notamment responsables de fournir aux neurones des substrats énergétiques, ainsi que des précurseurs du glutathion pour la défense contre le stress oxydatif. Ces fonctions astrocytaires sont essentielles au bon fonctionnement et à la survie neuronale; par conséquent, une altération de ces fonctions astrocytaires pourrait participer au développement de certaines maladies cérébrales. Le but de ce travail est, dans un premier temps, d'explorer les effets de médiateurs de la neuroinflammation (les cytokines pro-inflammatoires) et du peptide beta-amyloïde sur le métabolisme des astrocytes corticaux, en se focalisant sur les éléments en lien avec le métabolisme énergétique et le stress oxydatif. Puis, dans un second temps, de caractériser les conséquences pour les neurones des modifications du métabolisme astrocytaire induites par ces substances. Les résultats obtenus ici montrent que les cytokines pro-inflammatoires et le beta-amyloïde induisent une profonde altération du métabolisme astrocytaire, selon deux profils distincts. Les cytokines pro-inflammatoires, particulièrement en combinaison, agissent comme « découpleurs » du métabolisme énergétique du glucose, en diminuant l'apport potentiel de substrats énergétiques aux neurones. En plus de son effet propre, le peptide beta-amyloïde potentialise les effets des cytokines pro-inflammatoires. Or, dans le cerveau de patients atteints de la MA, les astrocytes sont exposés simultanément à ces deux types de substances. Les deux types de substances ont un effet ambivalent en termes de stress oxydatif. Ils induisent à la fois une augmentation de la libération de glutathion (potentiellement protecteur pour les neurones voisins) et la production d'espèces réactives de l'oxygène (potentiellement toxiques). Etant donné l'importance de la coopération entre astrocytes et neurones, ces modulations du métabolisme astrocytaire pourraient donc avoir un retentissement majeur sur les cellules environnantes, et en particulier sur la fonction et la survie neuronale. Résumé Les astrocytes et les neurones constituent une unité métabolique. Les astrocytes sont notamment responsables de fournir aux neurones des substrats énergétiques, tels que le lactate, ainsi que des précurseurs du glutathion pour la défense contre le stress oxydatif. Une altération localisée du métabolisme du glucose, le substrat énergétique préférentiellement utilisé dans le cerveau, est un trait caractéristique, précoce, de la maladie d'Alzheimer (MA). Il est maintenant largement admis que le beta-amyloïde, la neuroinflammation et le stress oxydatif participent au développement de la MA. Cependant, les mécanismes cellulaires de la pathogenèse restent à identifier. Le but de ce travail est d'explorer les effets des cytokines pro-inflammatoires (Il-1 ß et TNFα) et du beta-amyloïde (Aß) sur le métabolisme du glucose des astrocytes corticaux en culture primaire ainsi que de caractériser les conséquences, pour la viabilité des neurones voisins, des modifications du métabolisme astrocytaire induites par ces substances. Les résultats obtenus montrent que les cytokines pro-inflammatoires et le beta-amyloïde induisent une profonde altération du métabolisme astrocytaire, selon deux profils distincts. Les cytokines pro-inflammatoires, particulièrement en combinaison, agissent comme « découpleurs » du métabolisme glycolytique astrocytaire. Après 48 heures, le traitement avec TNFα et Il-lß cause une augmentation de la capture de glucose et de son métabolisme dans la voie des pentoses phosphates et dans le cycle de Krebs. A l'inverse, il cause une diminution de la libération de lactate et des stocks cellulaires de glycogène. En combinaison avec les cytokines tel qu'in vivo dans les cerveaux de patients atteints de MA, le peptide betaamyloïde potentialise les effets décrits ci-dessus. Isolément, le Aß cause une augmentation coordonnée de la capture de glucose et de toutes les voies de son métabolisme (libération de lactate, glycogenèse, voie des pentoses phosphate et cycle de Krebs). Les traitements altèrent peu les taux de glutathion intracellulaires, par contre ils augmentent massivement la libération de glutathion dans le milieu extracellulaire. A l'inverse, les deux types de traitements augmentent la production intracellulaire d'espèces réactives de l'oxygène (ROS). De plus, les cytokines pro-inflammatoires en combinaison augmentent massivement la production des ROS dans l'espace extracellulaire. Afin de caractériser l'impact de ces altérations métaboliques sur la viabilité des neurones environnants, un modèle de co-culture et des milieux conditionnés astrocytaires ont été utilisés. Les résultats montrent qu'en l'absence d'une source exogène d'antioxydants, la présence d'astrocytes favorise la viabilité neuronale ainsi que leur défense contre le stress oxydatif. Cette propriété n'est cependant pas modulée par les différents traitements. D'autre part, la présence d'astrocytes, et non de milieu conditionné, protège les neurones contre l'excitotoxicité due au glutamate. Les astrocytes prétraités (aussi bien avec le beta-amyloïde qu'avec les cytokines pro-inflammatoires) perdent cette propriété. Cet élément suggère que la perturbation du métabolisme astrocytaire causé par les cytokines pro-inflammatoires ou le beta-amyloïde pourrait participer à l'atteinte de la viabilité neuronale associée à certaines pathologies neurodégénératives.

A la recherche d'une dynamique perdue: la politique suisse des drogues à l'épreuve du temps.

Le modèle des 4 piliers de notre politique drogues sert volontiers d'exemple dans les discussions en cours sur une politique intégrée des substances psychotropes. Si des succès importants ont été obtenus, il convient cependant de ne pas sombrer dans un satisfecit complaisant sur la réalité de notre politique drogues. Malgré l'ancrage législatif des 4 piliers, de nombreux défis demeurent.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Les réformes au prisme de l'autonomie et du contrôle des agents publics de base : le cas de la politique suisse du chômage

Cet article se propose de réfléchir aux réformes de l'administration en étudiant ce qu'elles deviennent au niveau des agents publics de base ou 'street-level bureaucrats'. Si la littérature qui leur est consacrée a jusqu'ici mis en avant à la fois l'autonomie décisionnelle de ces acteurs ainsi que les stratégies de contrôle de celle-ci, nous proposons ici de revisiter la problématique de l'autonomie et du contrôle à ce niveau en rendant compte de la manière dont elle est affectée par les réformes de « nouvelle gestion publique » d'une part, et les « nouvelles technologies de l'information et de la communication » d'autre part. Pour ce faire, la partie empirique présente les résultats préliminaires d'une recherche de l'auteur portant sur un type d'agent public aux premières lignes de la mise en oeuvre de la politique suisse du chômage, à savoir les taxateurs d'une caisse cantonale d'indemnisation, laquelle fonctionne selon une logique « néo-managériale ». Les données analysées montrent que si les éléments du dispositif NGP/TIC conduisent globalement à un renforcement considérable du contrôle hiérarchique et organisationnel d'une autonomie qui reste néanmoins importante, ceci s'accompagne également de modes d'appropriation spécifiques et intéressants dans ce qu'ils ont d'inattendu, de créatif voire de subversif au niveau des agents sur le terrain.