Approche Multifacette pour la Maladie du Foie : Prédiction, Méta-Classification et Simulation de la Migration entre Stades
| dc.contributor.author | Nouioua, Imene | |
| dc.contributor.author | Nouioua Ratiba, Ratiba | |
| dc.date.accessioned | 2024-11-06T11:34:02Z | |
| dc.date.available | 2024-11-06T11:34:02Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | hronic diseases, especially those affecting the liver, pose a major challenge to global heal thcare systems. In this dissertation, we have explored various aspects from prediction to simula ting the migration between stages of these chronic conditions. Utilizing advanced data analysis and machine learning techniques, our study focuses on four key aspects : improving predic tion, feature selection, model optimization, and meta-classification, along with simulating the migration between disease stages for preventive purposes. At each stage, rigorous experiments were conducted to validate our methodology. The results confirm the crucial importance of prediction in anticipating disease progression, as well as the effectiveness of feature selection and model optimization in enhancing prediction performance. Meta-classification, by combi ning predictions from different models, enhances result reliability. Furthermore, simulating the migration between stages provides a better understanding of disease progression dynamics | en_US |
| dc.identifier.issn | MM/850 | |
| dc.identifier.issn | MM/850 | |
| dc.identifier.uri | http://10.10.1.6:4000/handle/123456789/5681 | |
| dc.language.iso | fr | en_US |
| dc.publisher | Université de Bordj Bou Arreridj Faculty of Mathematics and Computer Science | en_US |
| dc.title | Approche Multifacette pour la Maladie du Foie : Prédiction, Méta-Classification et Simulation de la Migration entre Stades | en_US |
| dc.type | Thesis | en_US |
Files
Original bundle
1 - 1 of 1
- Name:
- Memoire M2 Nouioua Imene Nouioua Ratiba avec annexe.pdf
- Size:
- 2.41 MB
- Format:
- Adobe Portable Document Format
- Description:
- Les maladies chroniques, telles que les maladies du foie, le diabète et le cancer, représentent un défi majeur pour les systèmes de santé à travers le monde. Leur impact considérable sur la qualité de vie des individus et sur les ressources médicales nécessite une approche proactive et novatrice pour leur prévention et leur gestion. La complexité des interactions entre les diffé rents facteurs de risque rend souvent difficile la prédiction manuelle de ces maladies, soulignant ainsi le besoin de solutions innovantes. Dans ce contexte, l’apprentissage automatique émerge comme une solution prometteuse. En exploitant l’intelligence artificielle et l’analyse avancée des données, l’apprentissage automatique offre la possibilité de modéliser et de prédire le dé veloppement de ces maladies chroniques. En analysant de vastes ensembles de données mé dicales, ces techniques permettent d’identifier des schémas subtils et des corrélations cachées, ouvrant ainsi la voie à une détection précoce et à une intervention ciblée. Par ailleurs, les ou tils d’aide à la décision basés sur l’apprentissage automatique offrent une nouvelle perspective sur la manière dont les professionnels de la santé peuvent aborder ces maladies. En intégrant ces technologies dans les pratiques cliniques, les médecins sont mieux équipés pour prendre des décisions éclairées et personnalisées, tout en optimisant l’allocation des ressources et en améliorant les résultats pour les patients. En conclusion, ce projet de modélisation de la ma ladie du foie a été une exploration approfondie des différentes facettes de la prédiction de ces affections chroniques. À travers une série d’étapes méthodiques, nous avons abordé les défis complexes liés à la prédiction, à la sélection des caractéristiques, à l’optimisation des modèles de prédiction combinée à l’utilisation de la méta-classification, à la simulation de la migration entre les stades de la maladie, ainsi qu’à la création d’une application fonctionnelle pour tous ces aspects. Les résultats obtenus et l’application développée fournissent une base solide pour 75 améliorer la compréhension et les pratiques de gestion de ces maladies graves. • Prédiction et intervention L’analyse des données a confirmé l’importance cruciale de la détection précoce des maladies du foie pour une intervention efficace. En utilisant des techniques avancées de modélisation, nous avons appliqué et adapté des modèles prédictifs existants, leur permettant d’identifier avec précision les patients présentant un risque de progression de la maladie. • Sélection des caractéristiques La sélection des caractéristiques a joué un rôle essentiel dans l’amélioration des performances des modèles de prédiction. En identifiant les va riables les plus pertinentes, nous avons pu réduire la dimensionnalité des données tout en maintenant ou en améliorant la précision des prédictions. • Optimisation des modèles Nous avons utilisé diverses techniques d’optimisation pour affiner nos modèles de prédiction et améliorer leur performance. Cela comprenait l’ajus tement des hyperparamètres, la validation croisée et l’utilisation d’ensembles de mé thodes pour améliorer la robustesse et la généralisation de nos modèles. • Méta-classification La méta-classification, qui consiste à combiner les prédictions de différents modèles de prédiction pour obtenir une prédiction finale plus fiable et robuste, a été une composante cruciale de notre approche. En utilisant une méthode de stacking, les prédictions des modèles individuels ont été agrégées pour renforcer la précision globale des prédictions. • Simulation de la migration entre les stades Nous avons développé une méthodologie pour simuler la migration entre les stades de la maladie, permettant ainsi d’explorer les transitions possibles et les ajustements nécessaires pour maintenir ou modifier le stade de la maladie. Cette approche a ouvert la voie à une meilleure compréhension des dynamiques de progression de la maladie. • Développement d’une application fonctionnelle En plus des modèles de prédiction, nous avons également conçu et développé une application fonctionnelle pour tous les aspects du processus de gestion des maladies du foie. Cette application offre aux prati ciens de la santé et aux patients un outil pratique pour suivre et gérer la progression de la maladie. 76 Perspectives futures • Exploration de nouvelles techniques d’apprentissage automatique : Pour continuer à améliorer les performances des modèles de prédiction, il serait intéressant d’explorer de nouvelles techniques d’apprentissage automatique telles que l’apprentissage en ligne, l’apprentissage par transfert, les réseaux de neurones profonds, ou encore l’utilisation de méthodes d’ensemble. Ces approches pourraient permettre de développer des modèles plus robustes et plus précis pour la prédiction et la classification. • Collaboration avec des experts médicaux : Une collaboration étroite avec des experts médicaux pourrait enrichir la recherche en fournissant des informations cliniques pré cieuses et en validant les modèles développés dans des contextes réels. Cela garantirait que les outils et les techniques développés sont adaptés aux besoins des praticiens de la santé et des patients. • Déploiement de l’application : En développant une application basée sur nos modèles de prédiction, nous pourrions avoir un impact direct sur la prise en charge des patients atteints de maladies du foie. Cette application pourrait être utilisée par les médecins pour évaluer le risque de progression de la maladie et recommander des interventions personnalisées aux patients. • Élargissement vers d’autres domaines d’application : Les techniques d’apprentis sage automatique développées dans le cadre de ce projet ne se limitent pas à la mé decine. Elles pourraient être étendues à d’autres domaines tels que l’économie, l’envi ronnement, le marketing, la logistique, la sécurité et la défense, l’éducation, ainsi que l’industrie. Cette expansion vers d’autres domaines offrirait de nouvelles opportunités pour résoudre des problèmes complexes et contribuer à l’innovation dans ces secteurs. En conclusion, Ce projet a été une exploration enrichissante du domaine de l’apprentissage automatique appliqué aux maladies chroniques. Nous avons eu l’opportunité d’explorer plu sieurs techniques de modélisation et de prédiction, et l’idée de simuler la migration entre les stades de la maladie s’est révélée innovante et intéressante. Les perspectives futures ouvrent de nombreuses possibilités pour continuer à améliorer la gestion et la prévention des maladies du foie. 7
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: