Approche Intelligente pour la prédiction de la maladie rénale chez les diabétiques

Abstract

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.