Développement d’un système de pré diagnostic médical automatisé
Présenté par
Mariem Kallel (stagiaire), Yacine Yaddaden (professeur), Yacine Benahmed (professeur) et Marc-Denis Rioux (professeur)
Partenaire(s)
- Contexte: L'augmentation du nombre de patients admis à l'hôpital, en particulier depuis l'apparition de la pandémie COVID-19, met en évidence l'insuffisance des ressources médicales (humaines et matérielles) et conduit à un manque d'outils de pré diagnostic.
- Objectif: L'objectif principal de ce projet est de développer une plateforme basée sur des algorithmes d'apprentissage automatique et d'analyse de données pour diagnostiquer les patients à partir de leurs signaux physiologiques et de leurs antécédents médicaux.
- Méthodologie:
- Générer un sous ensemble de données à partir des bases de données MIMIC-IV et MIMIC-IV ED.
- Former des dossiers individuels de patients contenant leurs antécédents médicaux et leurs signaux physiologiques.
- Appliquer des techniques de prétraitement de données sur l'ensemble de données.
- Entraîner des modèles de Machine Learning pour la prédiction de l'admission et de la mortalité à l'hôpital.
- Evaluer les performances des différents modèles pour les tâches choisies.
- Résultats: L’arbre de décision a donné les meilleurs résultats pour la prédiction de la mortalité à l'hôpital (classe 1). Le modèle XGBoost a donné les meilleurs résultats pour la prédiction de l'admission à l'hôpital (classe 2).
- Conclusion: La méthode proposée a permis d’obtenir des résultats prometteurs que nous envisageons d'améliorer en prenant en compte les séries temporelles des données de laboratoire des patients.