Catalogue en ligne Service de la Documentation et des Archives de la Faculté des Sciences et Techniques

SERVICE DE LA DOCUMENTATION ET DES ARCHIVES DE LA FST

Accueil

Analyse et prédiction de la survie d’un patient sous traitement de la COVID19 : CAS de l’Hôpital Abass Ndao. / EL HADJI ABDOULAYE DIANKHA (2023)

Public
ISBD

Titre :

Analyse et prédiction de la survie d’un patient sous traitement de la COVID19 : CAS de l’Hôpital Abass Ndao.

Type de document :

texte imprimé

Auteurs :

EL HADJI ABDOULAYE DIANKHA, Auteur

Editeur :

Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Département de Mathématiques-Informatique

Année de publication :

2023

Importance :

66 P.

Format :

29 cm.

Langues :

Français (fre)

Mots-clés :

COVID-19 Analyse de survie prédiction de survie Kaplan Meier estimateur de survie fonction de survie probabilité de non echec machine learning apprentissage supervisé modèle de prédiction exactitude Accuracy rappel Recall F1 score Abass Ndao hopital dakar senegal prédiction probabilité Business Intelligence

Résumé :

L’objectif de ce travail de mémoire est de faire, dans un premier temps, une analyse de la
survie de patients sous traitement de la COVID-19 à l’hôpital Abass Ndao de Dakar et, dans
un deuxième temps, de faire la prédiction de la survie des patients en fonction d’un ensemble
d’attributs.
Pour l’analyse de survie nous avons utilisé l’estimateur de survie de Kaplan Meier qui est une
méthode non paramétrique souvent préférable pour estimer la fonction de survie appelée la
probabilité de ne pas échouer ou de survivre jusqu’à un certain temps. Avec cet estimateur
nous avons pu analyser la probabilité de la survie des patients sur divers groupes tels que le
sexe et la tranche d’âge afin de savoir la différence significative dans le taux de survie. Cette
solution permet à un médecin ou un décideur de l’hôpital d’avoir une vue globale et de suivre
tous les patients jusqu’à la survenue de l’événement considéré.
Pour la prédiction de la survie nous avons entraîné plusieurs modèles sur notre jeu de données
avec des algorithmes d’apprentissage supervisé comme la Régression Logistique, les Machines
à Vecteurs de Support (SVM), le Random Forest et le Gradient Boosting. Nous avons choisi le
meilleur de ces modèles selon des critères de performance tels que l’exactitude (Accuracy), la
précision, le rappel (Recall) et le F1 score et nous l’avons implémenté sous forme d’application
web avec une interface intuitive pour faciliter son utilisation

Permalink :

https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=1499