Résumé:
La maladie rénale chronique (MRC) est l’une des affections silencieuses les plus
redoutables, progressant souvent sans symptômes jusqu’à un stade irréversible. Cette
discrétion clinique, conjuguée à une prise en charge tardive, en fait un véritable défi de santé
publique. Dans ce contexte, l’intelligence artificielle (IA) offre des opportunités inédites pour
anticiper son apparition, en exploitant des données médicales hétérogènes et parfois
incomplètes.
Cette thèse propose une approche intelligente et pragmatique pour la prédiction
précoce de la MRC, s’appuyant sur des techniques avancées d’apprentissage automatique.
Elle vise à concevoir des modèles de classification robustes, capables de détecter
efficacement les cas à risque, malgré les contraintes courantes des données médicales : petit
volume, déséquilibre des classes, hétérogénéité des variables (numériques/catégorielles), et
valeurs manquantes.
Notre travail s’articule autour de quatre contributions complémentaires :
Une analyse comparative approfondie de méthodes de sélection de caractéristiques couplées
à divers algorithmes d’apprentissage supervisé, dans le but d’identifier les combinaisons les
plus performantes pour prédire la MRC.
Une validation expérimentale rigoureuse sur deux ensembles de données cliniques
indépendants, permettant d’évaluer la stabilité et la capacité de généralisation des modèles
proposés.
Le développement d’une stratégie intégrée, centrée sur l’amélioration de la qualité des
données, leur transformation clinique pertinente, et l’enrichissement par des variables à forte
valeur ajoutée, comme le taux de filtration glomérulaire estimé (eGFR), calculé et intégré
afin d’affiner la précision du diagnostic automatisé.
Enfin, l’enrichissement du jeu de données par des techniques d’augmentation compatibles
avec les variables médicales, couplé à une sélection récursive des variables les plus
discriminantes, pour renforcer la représentativité des données et la fiabilité des modèles
générés.
Les résultats obtenus démontrent des performances prédictives significatives,
consolidées par une cohérence clinique accrue. Ce travail ouvre la voie à la mise en place
d’un système intelligent d’aide à la décision médicale, particulièrement pertinent pour le
dépistage anticipé de la MRC.
