Dans le domaine de la santé, il existe un nombre très important de sources de connaissances, qui vont de simples terminologies, classifications et vocabulaires contrôlés à des représentations très formelles, que sont les ontologies. Cette hétérogénéité des sources de connaissances pose le problème de l’utilisation secondaire des données, et en particulier de l’exploitation de données hétérogènes dans le cadre de la médecine personnalisée ou translationnelle. En effet, les données à utiliser peuvent être codées par des sources de connaissances décrivant la même notion clinique de manière différente ou décrivant des notions distinctes mais complémentaires.Pour répondre au besoin d’utilisation conjointe des sources de connaissances encodant les données de santé, nous avons étudié trois processus permettant de répondre aux conflits sémantiques (difficultés résultant de leur mise en relation) : (1) l’alignement qui consiste à créer des relations de mappings (équivalence et/ou subsumption) entre les entités des sources de connaissances, (2) l’intégration qui consiste à créer des mappings et à organiser les autres entités dans une même structure commune cohérente et, enfin, (3) l’enrichissement sémantique de l’intégration qui consiste à créer des mappings grâce à des relations transversales en plus de celles d’équivalence et de subsumption.Dans un premier travail, nous avons aligné la terminologie d’interface du laboratoire d’analyses du CHU de Bordeaux à la LOINC. Deux étapes principales ont été mises en place : (i) le prétraitement des libellés de la terminologie locale qui comportaient des troncatures et des abréviations, ce qui a permis de réduire les risques de survenue de conflits de nomenclature, (ii) le filtrage basé sur la structure de la LOINC afin de résoudre les différents conflits de confusion.Deuxièmement, nous avons intégré RxNorm à la sous-partie de la SNOMED CT décrivant les connaissances sur les médicaments afin d’alimenter la SNOMED CT avec les entités de RxNorm. Ainsi, les médicaments dans RxNorm ont été décrits en OWL grâce à leurs éléments définitionnels (substance, unité de mesure, dose, etc.). Nous avons ensuite fusionné cette représentation de RxNorm à la structure de la SNOMED CT, résultant en une nouvelle source de connaissances. Nous avons ensuite comparé les équivalences inférées (entre les entités de RxNorm et celles de la SNOMED CT) grâce à cette nouvelle structure avec les équivalences créées de manière morphosyntaxique. Notre méthode a résolu des conflits de nomenclature mais s’est confrontée à certains conflits de confusion et d’échelle, ce qui a mis en évidence le besoin d’améliorer RxNorm et SNOMED CT.Finalement, nous avons réalisé une intégration sémantiquement enrichie de la CIM10 et de la CIMO3 en utilisant la SNOMED CT comme support. La CIM10 décrivant des diagnostics et la CIMO3 décrivant cette notion suivant deux axes différents (celui des lésions histologiques et celui des localisations anatomiques), nous avons utilisé la structure de la SNOMED CT pour retrouver des relations transversales entre les concepts de la CIM10 et de la CIMO3 (résolution de conflits ouverts). Au cours du processus, la structure de la SNOMED CT a également été utilisée pour supprimer les mappings erronés (conflits de nomenclature et de confusion) et désambiguïser les cas de mappings multiples (conflits d’échelle). / In the biomedical domain, there are almost as many knowledge resources in health as there are application fields. These knowledge resources, described according to different representation models and for different contexts of use, raise the problem of complexity of their interoperability, especially for actual public health problematics such as personalized medicine, translational medicine and the secondary use of medical data. Indeed, these knowledge resources may represent the same notion in different ways or represent different but complementary notions.For being able to use knowledge resources jointly, we studied three processes that can overcome semantic conflicts (difficulties encountered when relating distinct knowledge resources): the alignment, the integration and the semantic enrichment of the integration. The alignment consists in creating a set of equivalence or subsumption mappings between entities from knowledge resources. The integration aims not only to find mappings but also to organize all knowledge resources’ entities into a unique and coherent structure. Finally, the semantic enrichment of integration consists in finding all the required mapping relations between entities of distinct knowledge resources (equivalence, subsumption, transversal and, failing that, disjunction relations).In this frame, we firstly realized the alignment of laboratory tests terminologies: LOINC and the local terminology of Bordeaux hospital. We pre-processed the noisy labels of the local terminology to reduce the risk of naming conflicts. Then, we suppressed erroneous mappings (confounding conflicts) using the structure of LOINC.Secondly, we integrated RxNorm to SNOMED CT. We constructed formal definitions for each entity in RxNorm by using their definitional features (active ingredient, strength, dose form, etc.) according to the design patterns proposed by SNOMED CT. We then integrated the constructed definitions into SNOMED CT. The obtained structure was classified and the inferred equivalences generated between RxNorm and SNOMED CT were compared to morphosyntactic mappings. Our process resolved some cases of naming conflicts but was confronted to confounding and scaling conflicts, which highlights the need for improving RxNorm and SNOMED CT.Finally, we performed a semantically enriched integration of ICD-10 and ICD-O3 using SNOMED CT as support. As ICD-10 describes diagnoses and ICD-O3 describes this notion according to two different axes (i.e., histological lesions and anatomical structures), we used the SNOMED CT structure to identify transversal relations between their entities (resolution of open conflicts). During the process, the structure of the SNOMED CT was also used to suppress erroneous mappings (naming and confusion conflicts) and disambiguate multiple mappings (scale conflicts).

La Géo-Simulation Multi-Agent (GSMA) est un paradigme de modélisation et de simulation de phénomènes dynamiques dans une variété de domaines d'applications tels que le domaine du transport, le domaine des télécommunications, le domaine environnemental, etc. La GSMA est utilisée pour étudier et analyser des phénomènes qui mettent en jeu un grand nombre d'acteurs simulés (implémentés par des agents) qui évoluent et interagissent avec une représentation explicite de l'espace qu'on appelle Environnement Géographique Virtuel (EGV). Afin de pouvoir interagir avec son environnement géographique qui peut être dynamique, complexe et étendu (à grande échelle), un agent doit d'abord disposer d'une représentation détaillée de ce dernier. Les EGV classiques se limitent généralement à une représentation géométrique du monde réel laissant de côté les informations topologiques et sémantiques qui le caractérisent. Ceci a pour conséquence d'une part de produire des simulations multi-agents non plausibles, et, d'autre part, de réduire les capacités de raisonnement spatial des agents situés. La planification de chemin est un exemple typique de raisonnement spatial dont un agent pourrait avoir besoin dans une GSMA. Les approches classiques de planification de chemin se limitent à calculer un chemin qui lie deux positions situées dans l'espace et qui soit sans obstacle. Ces approches ne prennent pas en compte les caractéristiques de l'environnement (topologiques et sémantiques), ni celles des agents (types et capacités). Les agents situés ne possèdent donc pas de moyens leur permettant d'acquérir les connaissances nécessaires sur l'environnement virtuel pour pouvoir prendre une décision spatiale informée. Pour répondre à ces limites, nous proposons une nouvelle approche pour générer automatiquement des Environnements Géographiques Virtuels Informés (EGVI) en utilisant les données fournies par les Systèmes d'Information Géographique (SIG) enrichies par des informations sémantiques pour produire des GSMA précises et plus réalistes. De plus, nous présentons un algorithme de planification hiérarchique de chemin qui tire avantage de la description enrichie et optimisée de l'EGVI pour fournir aux agents un chemin qui tient compte à la fois des caractéristiques de leur environnement virtuel et de leurs types et capacités. Finalement, nous proposons une approche pour la gestion des connaissances sur l'environnement virtuel qui vise à supporter la prise de décision informée et le raisonnement spatial des agents situés.

Le développement rapide de l’informatique mobile a donné lieu à l’apparition et à la popularisation de téléphones mobiles dits intelligents ou smart phones (ex.: iPhone, HTC, etc.) dont le nombre et les performances sans cesse croissantes en font de potentielles plateformes alternatives aux ordinateurs de bureau. Cette avancée technologique a contribué à l’émergence d’une nouvelle catégorie d’acteurs du monde des affaires n’ayant pas de bureau fixe, travaillant directement sur le terrain dans divers endroits (à la maison, en voiture, en avion, chez le client, à l’hôtel, chez le fournisseur, etc.) à l’aide d’équipements mobiles ou nomades, et se déplaçant partout où les affaires l’exigent pour assurer la compétitivité de leurs organisations: ce sont les travailleurs mobiles parmi lesquels on retrouve un grand nombre de décideurs. Étant donné ce monde des affaires de plus en plus compétitif où les gens d’affaires sont de plus en plus mobiles et confrontés à la nécessité de prendre des décisions de plus en plus rapides et efficaces basées sur des analyses pertinentes, l’aide à la prise de décision en mobilité s’avère indispensable. Pour leur apporter une telle aide, la présente thèse de doctorat propose d'aller au-delà du simple accès à distance à une plateforme d’intelligence d’affaire géo-spatiale ou non géo-spatiale (GeoBI/BI) comme le proposent les solutions actuelles. Elle propose de prendre également en considération la localisation et le contexte de travail du décideur/analyste mobile dans l’aide à la décision, et d’enrichir sémantiquement les données d’affaire. Afin de proposer une telle solution de GeoBI mobile sémantiquement augmentée et sensible au contexte mobile du décideur, la présente thèse s’est attelée d’une part à identifier, modéliser et enrichir les informations contextuelles pertinentes pour supporter un raisonnement GeoBI basé sur le contexte, et s’est évertuée d’autre part à proposer une solution d’augmentation sémantique des données d’affaire GeoBI qui permettrait de mettre en exergue les [cor]relations sémantiques pouvant exister entre les données. Un prototype mettant en œuvre une application mobile sensible au contexte et une architecture orientée services web a été développé et testé comme preuve de concept. Les tests ont montré que celui-ci permettait par exemple de soumettre et de visualiser le resultat de requêtes contextuelles du type : « dans un rayon de 5 km autour de ma position actuelle, quelles sont les compagnies partenaires ayant des relations de concurrence avec nos actionnaires et dont le chiffre d’affaire des deux années précédentes dépasse chacune le million ; les relations de partenariat/actionnariat pouvant être transitives, symétriques ou avoir la même sémantique ? » / The rapid development of mobile computing has enabled the emergence and popularization of mobile devices whose increasing number and computing capabilities position them as potential alternative platforms to desktop computers. This technological progress has contributed to the emergence of a new category of business actors having no permanent workplaces, spending very short time in their offices, working directly on the field in various locations (home, car, plane, with the client at the hotel at the supplier, etc.) by using mobile and nomadic devices, and moving to places where business requires them: these are mobile workers including a large number of decision makers. Given this increasingly competitive business world where decision makers are increasingly mobile and are facing the need to take faster and suitable decisions based on relevant analysis, these mobile business people deserve to be supported with appropriate mobile decision support systems (DSS). To give an improved support to these mobile business professionals, this PhD thesis proposes to go further than just allowing a simple remote access to a Geospatial or non-geospatial Business Intelligence (GeoBI/BI) platform as do current solutions. It also proposes to take into account the location and the context of mobile professionals, and to enrich semantically BI data. To propose such a semantically augmented and context-based mobile GeoBI solution, the present thesis has endeavored on the one hand, to identify, model and enrich contextual information that is relevant to support GeoBI context-based reasoning. On the other hand, it has strived to provide a solution that semantically enriches business data in order to help decision makers discover semantic [cor]relations which might exist between the data. A prototype implementing a context-aware mobile application and a services-oriented architecture has been developed and tested as a proof of concept. These tests has shown among other things, that the prototype was able to answer and visualize the result of contextual queries such as: “Within 5 km around my current position, what are partnering companies that are competing with our owners; with the possibility of partnership/ownership relationships to be transitive, symmetric, or have the same semantics?”