Développement d’un système de pré diagnostic médical automatisé
- Contexte: L’augmentation du nombre de patients admis à l’hôpital, en particulier depuis l’apparition de la pandémie COVID-19, met en évidence l’insuffisance des ressources médicales (humaines et matérielles) et conduit à un manque d’outils de pré diagnostic.
- Objectif: L’objectif principal de ce projet est de développer une plateforme basée sur des algorithmes d’apprentissage automatique et d’analyse de données pour diagnostiquer les patients à partir de leurs signaux physiologiques et de leurs antécédents médicaux.
- Méthodologie:
- Générer un sous ensemble de données à partir des bases de données MIMIC-IV et MIMIC-IV ED.
- Former des dossiers individuels de patients contenant leurs antécédents médicaux et leurs signaux physiologiques.
- Appliquer des techniques de prétraitement de données sur l’ensemble de données.
- Entraîner des modèles de Machine Learning pour la prédiction de l’admission et de la mortalité à l’hôpital.
- Evaluer les performances des différents modèles pour les tâches choisies.
- Résultats: L’arbre de décision a donné les meilleurs résultats pour la prédiction de la mortalité à l’hôpital (classe 1). Le modèle XGBoost a donné les meilleurs résultats pour la prédiction de l’admission à l’hôpital (classe 2).
- Conclusion: La méthode proposée a permis d’obtenir des résultats prometteurs que nous envisageons d’améliorer en prenant en compte les séries temporelles des données de laboratoire des patients.
Présenté par
Mariem Kallel (stagiaire), Yacine Yaddaden (professeur), Yacine Benahmed (professeur) et Marc-Denis Rioux (professeur)