Les modèles de mélange pour la régression sont utilisés pour modéliser la relation entre la réponse et les prédicteurs, pour des données issues de différentes sous-populations. Dans cette thèse, on étudie des prédicteurs de grande dimension et une réponse de grande dimension. Tout d’abord, on obtient une inégalité oracle ℓ1 satisfaite par l’estimateur du Lasso. On s’intéresse à cet estimateur pour ses propriétés de régularisation ℓ1. On propose aussi deux procédures pour pallier ce problème de classification en grande dimension. La première procédure utilise l’estimateur du maximum de vraisemblance pour estimer la densité conditionnelle inconnue, en se restreignant aux variables actives sélectionnées par un estimateur de type Lasso. La seconde procédure considère la sélection de variables et la réduction de rang pour diminuer la dimension. Pour chaque procédure, on obtient une inégalité oracle, qui explicite la pénalité nécessaire pour sélectionner un modèle proche de l’oracle. On étend ces procédures au cas des données fonctionnelles, où les prédicteurs et la réponse peuvent être des fonctions. Dans ce but, on utilise une approche par ondelettes. Pour chaque procédure, on fournit des algorithmes, et on applique et évalue nos méthodes sur des simulations et des données réelles. En particulier, on illustre la première méthode par des données de consommation électrique. / Finite mixture regression models are useful for modeling the relationship between a response and predictors, arising from different subpopulations. In this thesis, we focus on high-dimensional predictors and a high-dimensional response. First of all, we provide an ℓ1-oracle inequality satisfied by the Lasso estimator. We focus on this estimator for its ℓ1-regularization properties rather than for the variable selection procedure. We also propose two procedures to deal with this issue. The first procedure leads to estimate the unknown conditional mixture density by a maximum likelihood estimator, restricted to the relevant variables selected by an ℓ1-penalized maximum likelihood estimator. The second procedure considers jointly predictor selection and rank reduction for obtaining lower-dimensional approximations of parameters matrices. For each procedure, we get an oracle inequality, which derives the penalty shape of the criterion, depending on the complexity of the random model collection. We extend these procedures to the functional case, where predictors and responses are functions. For this purpose, we use a wavelet-based approach. For each situation, we provide algorithms, apply and evaluate our methods both on simulations and real datasets. In particular, we illustrate the first procedure on an electricity load consumption dataset.

Cette thèse est consacrée au développement de nouvelles méthodologies pour l'analyse des modèles non-linéaires à effets mixtes, à leur implémentation dans un logiciel accessible et leur application à des problèmes réels. Nous considérons particulièrement des extensions des modèles non-linéaires à effets mixtes aux modèles de mélange et aux modèles conjoints. Dans la première partie, nous proposons, dans le but d'avoir une meilleure maîtrise de l'hétérogénéité liée aux données sur des patients issus de plusieurs clusters, des extensions des MNLEM aux modèles de mélange. Nous proposons ensuite de combiner l'algorithme EM, utilisé traditionnellement pour les modèles de mélanges lorsque les variables étudiées sont observées, et l'algorithme SAEM, utilisé pour l'estimation de paramètres par maximum de vraisemblance lorsque ces variables ne sont pas observées. La procédure résultante, dénommée MSAEM, permet ainsi d'éviter l'introduction d'une étape de simulation des covariables catégorielles latentes dans l'algorithme d'estimation. Cet algorithme est extrêmement rapide, très peu sensible à l'initialisation des paramètres, converge vers un maximum (local) de la vraisemblance et est implémenté dans le logiciel Monolix.La seconde partie de cette Thèse traite de la modélisation conjointe de l'évolution d'un marqueur biologique au cours du temps et les délais entre les apparitions successives censurées d'un évènement d'intérêt. Nous considérons entre autres, les censures à droite, les multiples censures par intervalle d'évènements répétés. Les paramètres du modèle conjoint résultant sont estimés en maximisant la vraisemblance jointe exacte par un algorithme de type MCMC-SAEM. Cette méthodologie est désormais disponible sous Monolix / The main goal of this thesis is to develop new methodologies for the analysis of non linear mixed-effects models, along with their implementation in accessible software and their application to real problems. We consider particularly extensions of non-linear mixed effects model to mixture models and joint models. The study of these two extensions is the essence of the work done in this document, which can be divided into two major parts. In the first part, we propose, in order to have a better control of heterogeneity linked to data of patient issued from several clusters, extensions of NLMEM to mixture models. We suggest in this Thesis to combine the EM algorithm, traditionally used for mixtures models when the variables studied are observed, and the SAEM algorithm, used to estimate the maximum likelihood parameters when these variables are not observed. The resulting procedure, referred MSAEM, allows avoiding the introduction of a simulation step of the latent categorical covariates in the estimation algorithm. This algorithm appears to be extremely fast, very little sensitive to parameters initialization and converges to a (local) maximum of the likelihood. This methodology is now available under the Monolix software. The second part of this thesis deals with the joint modeling of the evolution of a biomarker over time and the time between successive appearances of a possibly censored event of interest. We consider among other, the right censoring and interval censorship of multiple events. The parameters of the resulting joint model are estimated by maximizing the exact joint likelihood by using a MCMC-SAEM algorithm. The proposed methodology is now available under Monolix.

La théorie statistique univariée des valeurs extrêmes se généralise au cas multivarié mais l'absence d'un cadre paramétrique naturel complique l'inférence de la loi jointe des extrêmes. Les marges d'erreur associées aux estimateurs non paramétriques de la structure de dépendance sont difficilement accessibles à partir de la dimension trois. Cependant, quantifier l'incertitude est d'autant plus important pour les applications que le problème de la rareté des données extrêmes est récurrent, en particulier en hydrologie. L'objet de cette thèse est de développer des modèles de dépendance entre extrêmes, dans un cadre bayésien permettant de représenter l'incertitude. Après une introduction à la théorie des valeurs extrêmes et à l'inférence bayésienne (chapitre 1), le chapitre 2 explore les propriétés des modèles obtenus en combinant des modèles paramétriques existants, par mélange bayésien (Bayesian Model Averaging). Un modèle semi-paramétrique de mélange de Dirichlet est étudié au chapitre suivant : une nouvelle paramétrisation est introduite afin de s'affranchir d'une contrainte de moments caractéristique de la structure de dépendance et de faciliter l'échantillonnage de la loi a posteriori. Le chapitre~\ref{censorDiri} est motivé par une application hydrologique: il s'agit d'estimer la structure de dépendance spatiale des crues extrêmes dans la région cévenole des Gardons en utilisant des données historiques enregistrées en quatre points. Les données anciennes augmentent la taille de l'échantillon mais beaucoup de ces données sont censurées. Une méthode d'augmentation de données est introduite, dans le cadre du mélange de Dirichlet, palliant l'absence d'expression explicite de la vraisemblance censurée. Les perspectives sont discutées au chapitre 5.

Depuis plusieurs dizaines d'années, la reconnaissance automatique du locuteur (RAL) fait l'objet de travaux de recherche entrepris par de nombreuses équipes dans le monde. La majorité des systèmes actuels sont basés sur l'utilisation des Modèles de Mélange de lois Gaussiennes (GMM) et/ou des modèles discriminants SVM, i.e., les machines à vecteurs de support. Nos travaux ont pour objectif général la proposition d'utiliser de nouveaux modèles GMM à grande marge pour la RAL qui soient une alternative aux modèles GMM génératifs classiques et à l'approche discriminante état de l'art GMM-SVM. Nous appelons ces modèles LM-dGMM pour Large Margin diagonal GMM. Nos modèles reposent sur une récente technique discriminante pour la séparation multi-classes, qui a été appliquée en reconnaissance de la parole. Exploitant les propriétés des systèmes GMM utilisés en RAL, nous présentons dans cette thèse des variantes d'algorithmes d'apprentissage discriminant des GMM minimisant une fonction de perte à grande marge. Des tests effectués sur les tâches de reconnaissance du locuteur de la campagne d'évaluation NIST-SRE 2006 démontrent l'intérêt de ces modèles en reconnaissance.

Le problème étudié dans le cadre de cette thèse porte essentiellement sur l'étape de détection de défaut dans un processus de diagnostic industriel. Ces travaux sont motivés par la surveillance de deux sous-systèmes complexes d'un autobus impactant la disponibilité des véhicules et leurs coûts de maintenance : le système de freinage et celui des portes. Cette thèse décrit plusieurs outils dédiés au suivi de fonctionnement de ces deux systèmes. On choisit une approche de diagnostic par reconnaissance des formes qui s'appuie sur l'analyse de données collectées en exploitation à partir d'une nouvelle architecture télématique embarquée dans les autobus. Les méthodes proposées dans ces travaux de thèse permettent de détecter un changement structurel dans un flux de données traité séquentiellement, et intègrent des connaissances disponibles sur les systèmes surveillés. Le détecteur appliqué aux freins s'appuie sur les variables de sortie (liées au freinage) d'un modèle physique dynamique du véhicule qui est validé expérimentalement dans le cadre de nos travaux. L'étape de détection est ensuite réalisée par des cartes de contrôle multivariées à partir de données multidimensionnelles. La stratégie de détection pour l'étude du système porte traite directement les données collectées par des capteurs embarqués pendant des cycles d'ouverture et de fermeture, sans modèle physique a priori. On propose un test séquentiel à base d'hypothèses alimenté par un modèle génératif pour représenter les données fonctionnelles. Ce modèle de régression permet de segmenter des courbes multidimensionnelles en plusieurs régimes. Les paramètres de ce modèle sont estimés par un algorithme de type EM dans un mode semi-supervisé. Les résultats obtenus à partir de données réelles et simulées ont permis de mettre en évidence l'efficacité des méthodes proposées aussi bien pour l'étude des freins que celle des portes / This thesis is mainly dedicated to the fault detection step occurring in a process of industrial diagnosis. This work is motivated by the monitoring of two complex subsystems of a transit bus, which impact the availability of vehicles and their maintenance costs: the brake and the door systems. This thesis describes several tools that monitor operating actions of these systems. We choose a pattern recognition approach based on the analysis of data collected from a new IT architecture on-board the buses. The proposed methods allow to detect sequentially a structural change in a datastream, and take advantage of prior knowledge of the monitored systems. The detector applied to the brakes is based on the output variables (related to the brake system) from a physical dynamic modeling of the vehicle which is experimentally validated in this work. The detection step is then performed by multivariate control charts from multidimensional data. The detection strategy dedicated to doors deals with data collected by embedded sensors during opening and closing cycles, with no need for a physical model. We propose a sequential testing approach using a generative model to describe the functional data. This regression model allows to segment multidimensional curves in several regimes. The model parameters are estimated via a specific EM algorithm in a semi-supervised mode. The results obtained from simulated and real data allow to highlight the effectiveness of the proposed methods on both the study of brakes and doors

Le changement structurel en agriculture suscite beaucoup d’intérêt de la part des économistes agricoles ainsi que des décideurs politiques. Pour prendre en compte l’hétérogénéité du comportement des agriculteurs, une approche par les modèles de mélange de chaînes de Markov est appliquée pour la première fois en économie agricole pour analyser ce processus. La performance de cette approche est d’abord testée en utilisant une forme simplifiée du modèle, puis sa forme générale est appliquée pour étudier l’impact de certaines mesures de politique agricole. Pour identifier les principaux canaux d’interdépendance entre exploitations voisines dans les processus du changement structurel, une approche de mélange non-Markovienne a été appliquée pour modéliser la survie et l’agrandissement des exploitations agricolesTrois principales conclusions découlent de cette thèse. Tout d’abord, la prise en compte de l’hétérogénéité dans les processus de transition des exploitations agricoles permet de mieux représenter le changement structurel et conduit à des prédictions plus précises de la distribution des exploitations, comparé aux modèles généralement utilisés jusqu’ici. Deuxièmement, l’impact des principaux facteurs du changement structurel dépend lui aussi des types non-observables d’exploitations mis en évidence. Enfin, le cadre du modèle de mélange permet également de révéler différents types de relations inobservées entre exploitations voisines qui contribuent au changement structurel observé à un niveau global ou régional. / Structural change in farming has long been the subject of considerable interest among agricultural economists and policy makers. To account for heterogeneity in farmers’ behaviours, a mixture Markov modelling framework is applied to analyse this process for the first time in agricultural economics. The performance of this approach is first investigated using a restrictive form of the model, and its general form is then applied to study the impact of some drivers of structural change, including agricultural policy measures. To identify channels through which interdependency between neighbouring farms arises in this process, the mixture modelling approach is applied to analyse both farm survival and farm growth. The main conclusions of this thesis are threefoldFirstly, accounting for the generally unobserved heterogeneity in the transition process of farms allows better representing structural change in farming and leads to more accurate predictions of farm-size distributions than the models usually used so far. Secondly, the impacts of the main drivers of structural change themselves depend on the specific unobservable farm types which are revealed by the model. Lastly, the mixture modelling approach enables identifying different unobserved relationships between neighbouring farms that contributes to the structural change observed at an aggregate or regional level.

L’objectif des travaux de la thèse est d’étudier les propriétés statistiques de correction des prévisionsde température et de les appliquer au système des prévisions d’ensemble (SPE) de MétéoFrance. Ce SPE est utilisé dans la gestion du système électrique, à EDF R&D, il contient 51membres (prévisions par pas de temps) et fournit des prévisions à 14 jours. La thèse comportetrois parties. Dans la première partie on présente les SPE, dont le principe est de faire tournerplusieurs scénarios du même modèle avec des données d’entrée légèrement différentes pour simulerl’incertitude. On propose après des méthodes statistiques (la méthode du meilleur membre etla méthode bayésienne) que l’on implémente pour améliorer la précision ou la fiabilité du SPEdont nous disposons et nous mettons en place des critères de comparaison des résultats. Dansla deuxième partie nous présentons la théorie des valeurs extrêmes et les modèles de mélange etnous proposons des modèles de mélange contenant le modèle présenté dans la première partieet des fonctions de distributions des extrêmes. Dans la troisième partie nous introduisons larégression quantile pour mieux estimer les queues de distribution. / The thesis has for objective to study new statistical methods to correct temperature predictionsthat may be implemented on the ensemble prediction system (EPS) of Meteo France so toimprove its use for the electric system management, at EDF France. The EPS of Meteo Francewe are working on contains 51 members (forecasts by time-step) and gives the temperaturepredictions for 14 days. The thesis contains three parts: in the first one we present the EPSand we implement two statistical methods improving the accuracy or the spread of the EPS andwe introduce criteria for comparing results. In the second part we introduce the extreme valuetheory and the mixture models we use to combine the model we build in the first part withmodels for fitting the distributions tails. In the third part we introduce the quantile regressionas another way of studying the tails of the distribution.

En Guerre Electronique, l’identification des signaux radar est un atout majeur de la prise de décisions tactiques liées au théâtre d’opérations militaires. En fournissant des informations sur la présence de menaces, la classification et le partitionnement des signaux radar ont alors un rôle crucial assurant un choix adapté des contre-mesures dédiées à ces menaces et permettant la détection de signaux radar inconnus pour la mise à jour des bases de données. Les systèmes de Mesures de Soutien Electronique enregistrent la plupart du temps des mélanges de signaux radar provenant de différents émetteurs présents dans l’environnement électromagnétique. Le signal radar, décrit par un motif de modulations impulsionnelles, est alors souvent partiellement observé du fait de mesures manquantes et aberrantes. Le processus d’identification se fonde sur l’analyse statistique des paramètres mesurables du signal radar qui le caractérisent tant quantitativement que qualitativement. De nombreuses approches mêlant des techniques de fusion de données et d’apprentissage statistique ont été développées. Cependant, ces algorithmes ne peuvent pas gérer les données manquantes et des méthodes de substitution de données sont requises afin d’utiliser ces derniers. L’objectif principal de cette thèse est alors de définir un modèle de classification et partitionnement intégrant la gestion des valeurs aberrantes et manquantes présentes dans tout type de données. Une approche fondée sur les modèles de mélange de lois de probabilités est proposée dans cette thèse. Les modèles de mélange fournissent un formalisme mathématique flexible favorisant l’introduction de variables latentes permettant la gestion des données aberrantes et la modélisation des données manquantes dans les problèmes de classification et de partionnement. L’apprentissage du modèle ainsi que la classification et le partitionnement sont réalisés dans un cadre d’inférence bayésienne où une méthode d’approximation variationnelle est introduite afin d’estimer la loi jointe a posteriori des variables latentes et des paramètres. Des expériences sur diverses données montrent que la méthode proposée fournit de meilleurs résultats que les algorithmes standards. / In Electronic Warfare, radar signals identification is a supreme asset for decision making in military tactical situations. By providing information about the presence of threats, classification and clustering of radar signals have a significant role ensuring that countermeasures against enemies are well-chosen and enabling detection of unknown radar signals to update databases. Most of the time, Electronic Support Measures systems receive mixtures of signals from different radar emitters in the electromagnetic environment. Hence a radar signal, described by a pulse-to-pulse modulation pattern, is often partially observed due to missing measurements and measurement errors. The identification process relies on statistical analysis of basic measurable parameters of a radar signal which constitute both quantitative and qualitative data. Many general and practical approaches based on data fusion and machine learning have been developed and traditionally proceed to feature extraction, dimensionality reduction and classification or clustering. However, these algorithms cannot handle missing data and imputation methods are required to generate data to use them. Hence, the main objective of this work is to define a classification/clustering framework that handles both outliers and missing values for any types of data. Here, an approach based on mixture models is developed since mixture models provide a mathematically based, flexible and meaningful framework for the wide variety of classification and clustering requirements. The proposed approach focuses on the introduction of latent variables that give us the possibility to handle sensitivity of the model to outliers and to allow a less restrictive modelling of missing data. A Bayesian treatment is adopted for model learning, supervised classification and clustering and inference is processed through a variational Bayesian approximation since the joint posterior distribution of latent variables and parameters is untractable. Some numerical experiments on synthetic and real data show that the proposed method provides more accurate results than standard algorithms.

Background: Interprofessional primary health care teams are groups of health care professionals who bring together different expertise to provide high quality care to patients in a coordinated, integrated, seamless and accessible manner. Interprofessional primary health care teams operationalize the main model of care organization currently being implemented in Quebec. Although this model of care is conceptualized as homogeneous in terms of organizational structure, the underlying characteristics of this structure can vary considerably. Little is known about the nature and extent of this variability and its relationship to the characteristics of the populations that interprofessional teams serve. Objective: This cross-sectional study aims to develop a typology of interprofessional primary health care teams, first by describing the different organizational profiles of these teams, and then by examining the association between the characteristics of the populations served and the organizational profiles. Methods: A mixture model analysis was performed to describe the different organizational profiles among the 368 interprofessional primary health care teams in Quebec. Administrative data from the Ministère de la Santé et des Services sociaux were used and the following organizational characteristics were considered: numbers of full-time equivalent nurse practitioners, regular nurses, social workers, and other health professionals, number of physicians, type of institution (network, academic, regular), sector (private, public, mixed), presence of a pharmacist, number of patients enrolled, attendance rate, and partnership with another health institution. The optimal number of profiles was determined by the Akaike and Bayesian information criterion and by clinical significance. Multinomial logistic regression was conducted to examine the association between the characteristics of the populations served and the organizational profiles. Variables assessed in the model were rurality and proportions of vulnerable patients, pregnant women, patients identified as disadvantaged, those receiving home support, and those living in a long-term care facility and a measure of rurality. Results: The analysis revealed that interprofessional primary care teams were heterogeneous in terms of their organizational structure and could be classified into five distinct profiles that varied in size, composition, and focus of the team, area, and degree of partnership with other health care facilities. The five profiles were ‘Very small, private, regular, high partnered, balanced team’ (n=99; 26.9%); ‘Small, private, regular, moderately partnered, balanced team’ (n=101; 27.5%); ‘Medium, public, academically- oriented, moderately partnered, practitioner-oriented’ (n=58; 15.8%); ‘Large, private, regular, very low partnered, balanced team’ (n=50; 13.6%); and ‘Very large, private, mixed, very low partnered, balanced team’ team (n=60; 16.3%). In addition, pregnant women (Odds Ratio [OR] = 2.78, 95% confidence interval [CI] 1.98-3.91), disadvantaged patients ([OR] = 1.62, [CI] 1.15-2.28), those receiving home care ([OR] = 1.85, [CI] 1.28-2, 66) were more likely to be served by teams in the ‘Medium, public, academically- oriented, moderately partnered, practitioner-oriented’ profile than by a team in the ‘Very small, private, regular, high partnered, balanced team’ profile. A significant association was found between the level of rurality and the size of the interprofessional primary care team ([OR] = 0.69, [CI] 1.74-3.80). Rural patients were less likely to be served by teams from the "Medium, public, academically oriented, low partnership, practitioner-oriented team" profile ([OR] = 0.66, [CI] 0.50-0.86) and by one of the "Very large, private, mixed, very low partnership, balanced team" profile teams ([OR] = 0.69, [CI] 0.53-0.90) , than by teams from the "Very small, private, regular, high partnered, balanced team" profile. There was no statistically significant association between patients living in long-term care facilities and organizational profiles. Conclusion: This study uncovered a complex organizational typology of interprofessional primary care teams currently implemented in Quebec. These findings may inform the development of health practices and policies to optimize the structure of interprofessional primary care teams to better meet the specific needs of their populations. / Contexte : Les équipes interprofessionnelles de soins de santé primaires sont des regroupements de professionnels de la santé qui rassemblent différentes expertises afin d’offrir des soins de manière coordonnée, intégrée, continue et accessible. Les équipes interprofessionnelles de soins de santé primaires constituent le principal modèle de soins primaires mis en œuvre actuellement au Québec. Bien que ce modèle de soins soit conceptualisé comme homogène en termes de structure organisationnelle, les caractéristiques sous-jacentes à cette structure peuvent varier de façon considérable. Or, on sait peu de choses sur la nature et l’étendue de cette variabilité et sur sa relation avec les caractéristiques des populations que les équipes interprofessionnelles desservent. Objectif : Cette étude transversale vise à développer une typologie des équipes interprofessionnelles de soins de santé primaires, d’abord en décrivant les différents profils organisationnels de ces équipes, et ensuite en examinant l’association entre les caractéristiques des populations desservies et les profils organisationnels. Méthodes : Une analyse de modèles de mélange a été réalisée afin de décrire les différents profilsorganisationnels parmi les 368 équipes interprofessionnelles de soins de santé primaires au Québec. Les données administratives du Ministère de la Santé et des Services sociaux ont été utilisées et les caractéristiques organisationnelles suivantes ont été prises en compte: les nombres d'équivalents temps plein d'infirmières praticiennes, d'infirmières régulières, de travailleurs sociaux et d’autres professionnels de la santé, le nombre de médecins, le type d’établissement (réseau, académique, régulier), le secteur (privé, public, mixte), la présence d'un pharmacien, le nombre de patients inscrits, le taux d’assiduité et le partenariat avec un autre établissement de santé. Le nombre optimal de profils a été déterminé par les critères d’information d’Akaike et Bayésien et selon la signification clinique. Une régression logistique multinomiale a été estimée pour examiner l’association entre les caractéristiques des populations desservies et les profils organisationnels. Les caractéristiques populationnelles évaluées dans le modèle étaient les proportions de patients vulnérables, de femmes enceintes, de patients identifiés comme défavorisés, de personnes qui reçoivent un soutien à domicile et de personnes qui vivent dans un centre d’hébergement de soins de longue durée ainsi que le niveau de ruralité. Résultats : L'analyse a révélé que les équipes interprofessionnelles de soins de santé primaires sont hétérogènes pour ce qui est de leur structure organisationnelle et peuvent être classées en cinq profils distincts qui varient en fonction de la taille, de la composition et de l'orientation de l'équipe, du secteur et du degré de partenariat avec d'autres établissements de santé. Les cinq profils se décrivent comme suit : « Très petite équipe, privée, régulière, à haut niveau de partenariat et équipeéquilibrée » (n=99; 26.9%); « Petite, privée, régulière, à partenariat modeste, équipe équilibrée » (n=101; 27.5%); « Moyenne, publique, d'orientation académique, à faible partenariat, équipe orientée vers les praticiens » (n=58; 15.8%) ; « Grande, privée, régulière, à très faible partenariat, équipe équilibrée » (n=50; 13.6%); et « Très grande, privée, mixte, à très faible partenariat, équipeéquilibrée » (n=60; 16.3%). En outre, les femmes enceintes (rapport de cotes [RC] = 2,78, intervalle de confiance [IC] de 95 % 1,98-3,91), les patients défavorisés ([RC] = 1,62, [IC] 1,15- 2,28) et les personnes bénéficiant de soins à domicile ([RC] = 1,85, [IC] 1,28- 2,66) avaient des probabilités plus élevées d’être desservies par des équipes provenant du profil « Moyenne, publique, d'orientation académique, à faible partenariat, équipe orientée vers les praticiens », que par des équipes du profil « Très petite, privée, régulière, à haut niveau de partenariat et équipe équilibrée ». Les patients vivant en milieu rural avaient des probabilités plus faibles d'être desservispar des équipes du profil « Moyenne, publique, d'orientation académique, à faible partenariat, équipe orientée vers les praticiens » ([RC] = 0,66, [CI] 0,50-0,86) ou par des équipes du profil « Très grande, privée, mixte, à très faible partenariat, équipe équilibrée » ([RC] = 0,69, [CI] 0,53- 0,90), que par des équipes provenant du profil « Très petite, privée, régulière, à haut niveau de partenariat et équipe équilibrée ». Il n'y avait pas d'association statistiquement significative entre les patients vivant dans des centres de soins de longue durée et les profils organisationnels. Conclusion : Ce projet a révélé une typologie complexe de l'hétérogénéité organisationnelle des équipes interprofessionnelles de soins de santé primaires mis en œuvre actuellement au Québec. Ces résultats pourront servir de fondement à l'élaboration de pratiques et de politiques de santé visant à optimiser la structure des équipes interprofessionnelles de soins de santé afin de mieux répondre aux besoins spécifiques de leurs populations.

Dans cette thèse, nous abordons les problemes longtemps etudiés de la séparation et de la localisation binaurale (deux microphones) de sources sonores par l'apprentissage supervisé. Dans ce but, nous développons un nouveau paradigme dénommé projection d'espaces acoustiques, à la croisée des chemins de la perception binaurale, de l'écoute robotisée, du traitement du signal audio, et de l'apprentissage automatise. L'approche proposée consiste à apprendre un lien entre les indices auditifs perçus par le système et la position de la source sonore dans une autre modalité du système, comme l'espace visuel ou l'espace moteur. Nous proposons de nouveaux protocoles expérimentaux permettant d'acquérir automatiquement de grands ensembles d'entraînement qui associent de telles données. Les jeux de données obtenus sont ensuite utilisés pour révéler certaines propriétés intrinsèques des espaces acoustiques, et conduisent au développement d'une famille générale de modèles probabilistes permettant la projection localement linéaire d'un espace de haute dimension vers un espace de basse dimension. Nous montrons que ces modèles unifient plusieurs méthodes de régression et de réduction de dimension existantes, tout en incluant un grand nombre de nouveaux modèles qui généralisent les précédents. Les popriétés et l'inférence de ces modèles sont d'etaillées en profondeur, et le net avantage des méthodes proposées par rapport à des techniques de l'etat de l'art est établit sur différentes applications de projection d'espace, au delà du champs de l'analyse de scènes auditives. Nous montrons ensuite comment les méthodes proposées peuvent être étendues probabilistiquement pour s'attaquer au fameux problème de la soirée cocktail, c'est à dire, localiser une ou plusieurs sources sonores émettant simultanément dans un environnement réel, et reséparer les signaux mélangés. Nous montrons que les techniques qui en découlent accomplissent cette tâche avec une précision inégalée. Ceci démontre le rôle important de l'apprentissage et met en avant le paradigme de la projection d'espaces acoustiques comme un outil prometteur pour aborder de façon robuste les problèmes les plus difficiles de l'audition binaurale computationnelle.