Apprentissage profond pour la santé intelligente : Application à la santé cardiovasculaire

Abstract

Les maladies cardiovasculaires regroupent un certain nombre de troubles affectant le coeur et les vaisseaux sanguins, elles sont considérées comme l’une des principales causes de décès au niveau mondial ces dernières années. Les patients atteint de maladie cardiaque ne se sentent malades qu’au tout dernier stade de la maladie et les dommages deviennent irrémédiables et la plupart des patients cardiaques meurent avant de recevoir un traitement. Les techniques de machine Learning (ML) ont une supériorité écrasante pour résoudre le problème des soins aux patients cardiaques car elles peuvent prédire la maladie à un stade précoce en se basant sur les signaux physiologiques recueillis par les objets connectés afin d’éviter des complications antérieures comme l’infection de l’artère coronaire et la diminution de la fonction des vaisseaux sanguins. Le principal objectif de ce projet est de développer une approche basée sur l’apprentissage profond pour aider à diagnostiquer et prédire les maladies cardiovasculaires à partir d’un ensemble de données relatives à des patients réels. L’approche proposée permet de prédire le risque de maladie, car elle peut nettoyer les données, les normaliser et extraire des caractéristiques pertinentes à partir de données structurées, et représente ces caractéristiques extraites efficacement avec un faible poids dimensionnel et spécifique à l’aide de la sélection de caractéristiques pour produire des résultats optimaux avec deux méthodes de validation différentes afin d’améliorer les performances et la complexité pratique du modèle proposé et ainsi réduire l’erreur de prédiction des maladies cardiovasculaires. Le modèle prédictif proposé est testé sur une application réalisée pour les besoins de ce test. Les résultats montrent que les performances du modèle prédictif proposé (Dense-DNN) sont meilleures que les performances des modèles ML (la SVM, la régression logistique, la forêt aléatoire, l’arbre de décision, Bayes naïf gaussien, le k-plus proche voisin et le XGBoost) avec un accuracy de 91,7% et 95% avec la méthode de validation « split-validation » en utilisant respectivement l’ensemble de données traitées et l’ensemble de données traitées et réduites et un accuracy de 84,8% et 85,4% avec la méthode de validation « cross-validation » en utilisant respectivement l’ensemble de données traitées et l’ensemble de données traitées et réduites.