Paul Jean Thiry

Mr. Paul Jean Thiry

orcid

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
3 July 2022 in Sensors
Verified
Journal Article
Open access
PDF file
PTPaul Jean Thiry
Paul Jean Thiry
MHMartin Houry
Martin Houry
LPLaurent Philippe
Laurent Philippe
ONOlivier Nocent
Olivier Nocent
Fabien BuisseretFabien Buisseret
Fabien Buisseret
ESEmilie Simoneau-Buessinger
Emilie Simoneau-Buessinger
Nowadays, the better assessment of low back pain (LBP) is an important challenge, as it is the leading musculoskeletal condition worldwide in terms of years of disability. The objective of this study was to evaluate the relevance of various machine learning (ML) algorithms and Sample Entropy (SampEn), which assesses the complexity of motion variability in identifying the condition of low back pain. Twenty chronic low-back pain (CLBP) patients and 20 healthy non-LBP participants performed 1-min repetitive bending (flexion) and return (extension) trunk movements. Analysis was performed using the time series recorded by three inertial sensors attached to the participants. It was found that SampEn was significantly lower in CLBP patients, indicating a loss of movement complexity due to LBP. Gaussian Naive Bayes ML proved to be the best of the various tested algorithms, achieving 79% accuracy in identifying CLBP patients. Angular velocity of flexion movement was the most discriminative feature in the ML analysis. This study demonstrated that: supervised ML and a complexity assessment of trunk movement variability are useful in the identification of CLBP condition, and that simple kinematic indicators are sensitive to this condition. Therefore, ML could be progressively adopted by clinicians in the assessment of CLBP patients.

22 March 2022 in Entropy
Verified
Journal Article
Open access
PDF file
PTPaul Jean Thiry
Paul Jean Thiry
ONOlivier Nocent
Olivier Nocent
Fabien BuisseretFabien Buisseret
Fabien Buisseret
WBWilliam Bertucci
William Bertucci
ATAndré Thevenon
André Thevenon
ESEmilie Simoneau-Buessinger
Emilie Simoneau-Buessinger
Low back pain (LBP) obviously reduces the quality of life but is also the world’s leading cause of years lived with disability. Alterations in motor response and changes in movement patterns are expected in LBP patients when compared to healthy people. Such changes in dynamics may be assessed by the nonlinear analysis of kinematical time series recorded from one patient’s motion. Since sample entropy (SampEn) has emerged as a relevant index measuring the complexity of a given time series, we propose the development of a clinical test based on SampEn of a time series recorded by a wearable inertial measurement unit for repeated bending and returns (b and r) of the trunk. Twenty-three healthy participants were asked to perform, in random order, 50 repetitions of this movement by touching a stool and another 50 repetitions by touching a box on the floor. The angular amplitude of the b and r movement and the sample entropy of the three components of the angular velocity and acceleration were computed. We showed that the repetitive b and r “touch the stool” test could indeed be the basis of a clinical test for the evaluation of low-back-pain patients, with an optimal duration of 70 s, acceptable in daily clinical practice.

8 April 2026
Verified
Thesis
Closed access
PTPaul Jean Thiry
Paul Jean Thiry
La lombalgie non spécifique (LNS) présente une variabilité importante, tant dans sa présentation clinique que dans les mouvements lombaires des patients atteints. Cette variabilité est inhérente à l'adaptabilité humaine et peut être cruciale pour l'élaboration de stratégies de diagnostic et de réadaptation. L'analyse de la variabilité des mouvements lombaires offre de nouvelles perspectives pour la prise en charge des patients atteints de LNS. Les capteurs inertiels et les méthodes d'analyse non linéaire ont potentiellement la capacité de fournir une évaluation plus précise et personnalisée de la condition .Pour relever ce défi, il est nécessaire d'adopter une approche globale qui devrait impérativement tenir compte des facteurs biopsychosociaux qui influencent la LNS et y intégrer une compréhension approfondie de la variabilité des mouvements lombaires et de son rôle dans l'adaptabilité humaine pour une prise en charge optimale de la LNS.Cet objectif a nécessité dans un premier temps, après la mise au point d'un système d'enregistrement à bas prix des données cinématiques, de choisir une méthode d'analyse des séries temporelles générées. Parmi les nombreux outils non linéaires disponibles, l'entropie a émergé comme un indicateur essentiel pour quantifier la complexité des séries temporelles. Dans ce contexte, l'entropie permet de mesurer l'incertitude et la complexité des systèmes biologiques, offrant ainsi une nouvelle perspective pour l'analyse des données cliniques. L'entropie d'échantillon (SampEn), en particulier, s'est présentée comme une mesure de complexité pertinente pour les séries temporelles courtes. En combinant l'analyse de la variabilité et de la complexité, il devrait être possible d'obtenir une compréhension plus approfondie des modèles de mouvements et des perturbations du contrôle moteur dans le contexte de la lombalgie.La première étape a été d'analyser des séries temporelles en mettant au point un test simple, réalisable en pratique clinique et d'une durée suffisante pour récolter des séries temporelles permettant le calcul de la SampEn, le « bend and return test » (b&r test). La reproductibilité de ce test a ensuite été vérifiée par deux études lors de la deuxième étape. Une troisième étape a permis de vérifier que le b&r test était capable de différencier une population saine d'une population atteinte de lombalgie chronique non spécifique avec l'aide de l'intelligence artificielle. Pour finir, après la mise au point d'une application (la NOMADe App) capable de numériser et d'enregistrer des données cliniques provenant de l'anamnèse et de l'examen physique de patients atteints de LNS, et d'y ajouter les scores de différents questionnaires validés, il a été possible de comparer ces données numérisées aux données de variabilité et de complexité cinématique. Ces comparaisons ont mis en évidence une possibilité de phénotyper très précisément chaque patient dans un cadre biopsychosocial et de fournir au thérapeute des informations précises pour une prise en charge individualisée. L'analyse en Machine Learning des données cinématiques a aussi permis de fournir une prédiction des résultats des questionnaires validés permettant d'orienter sans perte de temps le thérapeute vers le choix de questionnaires pertinents pour le patient. Nos conclusions appellent à une physiothérapie de précision et suggère le passage à une pratique personnalisée fondée sur des preuves.