Diagnostic de l'insuffisance rénale avec des méthodes de machine learning / Fatima Bintou Rassoul Diakité (2022) 

Public ISBD Titre : Diagnostic de l'insuffisance rénale avec des méthodes de machine learning Type de document : texte imprimé Auteurs : Fatima Bintou Rassoul Diakité, Auteur Editeur : Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Département de Mathématiques-Informatique Année de publication : 2022 Importance : 64 P. Format : 29 cm Langues : Français (fre) Mots-clés : nephrologie  insuffisance renale  diagnostic  machine learning  modele  prediction  modelisation mathématique  business intelligence Résumé : Notre etude vise a predire le diagnostic d'une insuffisance renale aigue,chronique ou stade terminale. Le diagnostic precoce de la maladie a toujours represente un probleme de taille pour les medecins. Un retard de ce dernier augmenterait les chances de voir la maladie s'aggraver, evoluer en insusance renale chronique terminale (IRCT) et au pire mener au deces. Sans compter les depenses, qui s'estiment a des milliards pour la prise en charge de chaque patient, il est d'un besoin essentiel de creer des outils automatiques pouvant soutenir les medecins dans ce cadre et les accompagner dans leur prise de decision. Dans ce contexte, nous allons mettre en oeuvre un algorithme de detection des differents types d'insusance renale a partir de donnees caracteristiques cliniques, paracliniques et de resultats d'examens de plusieurs patients. Notre etude s'est basee sur les donnees medicales du service de nephrologie de l'hopital Haristide Ledantec de Dakar. Nous avons tout d'abord applique cinq modeles d'apprentissage : regression logistique (LR), les forets aleatoires (RF), les machines a vecteur de support (SVM), un algorithme de boosting (XGBoost) et les reseaux de neurones articiels (ANN). Puis nous en avons choisi les trois meilleurs en nous basant sur les criteres de performance tels que la precision, le rappel, l'efficacite, le F1-score et l'AUC. Nous avons applique l'algorithme d'elimination recursive des caracteristiques (RFE) pour selectionner les variables les plus predictives. Nous nous sommes ensuite bases sur cette selection pour faire de nouvelles analyses et obtenir de meilleurs resultats. Pour finir, nous avons mis en place une application web, une plateforme dediee a la prediction de l'insusance renale. Les interfaces et les interactions directes ont ete concues avec HTML, CSS, Bootstrap et JavaScript. Le back-end est gere par le framework Django. Les bons resultats obtenus avec XGBoost, RF et SVM confirment la performance des algorithmes utilises. Ceux-ci pourraient etre appliques en milieu clinique dans le but d'effectuer des tests precoces pour identifier les patients qui peuvent etre atteints d'insusance renale et fournir ainsi un deuxieme avis aux medecins afin d'elaborer un diagnostic plus precis. Permalink : https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=961 Diagnostic de l'insuffisance rénale avec des méthodes de machine learning [texte imprimé] / Fatima Bintou Rassoul Diakité, Auteur . - Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Département de Mathématiques-Informatique, 2022 . - 64 P. ; 29 cm. Langues : Français (fre) Mots-clés : nephrologie  insuffisance renale  diagnostic  machine learning  modele  prediction  modelisation mathématique  business intelligence Résumé : Notre etude vise a predire le diagnostic d'une insuffisance renale aigue,chronique ou stade terminale. Le diagnostic precoce de la maladie a toujours represente un probleme de taille pour les medecins. Un retard de ce dernier augmenterait les chances de voir la maladie s'aggraver, evoluer en insusance renale chronique terminale (IRCT) et au pire mener au deces. Sans compter les depenses, qui s'estiment a des milliards pour la prise en charge de chaque patient, il est d'un besoin essentiel de creer des outils automatiques pouvant soutenir les medecins dans ce cadre et les accompagner dans leur prise de decision. Dans ce contexte, nous allons mettre en oeuvre un algorithme de detection des differents types d'insusance renale a partir de donnees caracteristiques cliniques, paracliniques et de resultats d'examens de plusieurs patients. Notre etude s'est basee sur les donnees medicales du service de nephrologie de l'hopital Haristide Ledantec de Dakar. Nous avons tout d'abord applique cinq modeles d'apprentissage : regression logistique (LR), les forets aleatoires (RF), les machines a vecteur de support (SVM), un algorithme de boosting (XGBoost) et les reseaux de neurones articiels (ANN). Puis nous en avons choisi les trois meilleurs en nous basant sur les criteres de performance tels que la precision, le rappel, l'efficacite, le F1-score et l'AUC. Nous avons applique l'algorithme d'elimination recursive des caracteristiques (RFE) pour selectionner les variables les plus predictives. Nous nous sommes ensuite bases sur cette selection pour faire de nouvelles analyses et obtenir de meilleurs resultats. Pour finir, nous avons mis en place une application web, une plateforme dediee a la prediction de l'insusance renale. Les interfaces et les interactions directes ont ete concues avec HTML, CSS, Bootstrap et JavaScript. Le back-end est gere par le framework Django. Les bons resultats obtenus avec XGBoost, RF et SVM confirment la performance des algorithmes utilises. Ceux-ci pourraient etre appliques en milieu clinique dans le but d'effectuer des tests precoces pour identifier les patients qui peuvent etre atteints d'insusance renale et fournir ainsi un deuxieme avis aux medecins afin d'elaborer un diagnostic plus precis. Permalink : https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=961

Réservation

Réserver ce document

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MEM 10686	MEM 10686	Mémoires de master	Master mathématiques et Informatique	Mathématiques et Modélisation	Disponible

Documents numériques

MEM 10686 Adobe Acrobat PDF

---

1 (1 - 1 / 1) Par page : 25 50 100 200