Pr´ediction pr´ecoce d’un AVC (Accident Vasculaire C´er´ebrale) `a l’aide d’une approche d’intelligence artificielle

Abstract

L’Accident Vasculaire C´er´ebral (AVC) est une cause majeure de d´ec`es et d’invalidit´e touchant un grand nombre de personnes chaque ann´ee, ce qui n´ecessite une pr´ediction pr´ecoce pour r´eduire les risques de cette pathologie. Notre projet consiste `a une nouvelle approche bas´ee sur l’hybridation des mod`eles de Machine Learning (ML), en particulier les m´ethodes ensemblistes, avec l’algorithme g´en´etique pour pr´edire l’AVC `a partir de donn´ees r´eelles de patients. L’id´ee principale de notre approche r´eside dans le renforcement des performances de la m´ethode ensembliste nomm´ee stacking. Le stacking vise `a exploiter les forces de diff´erents mod`eles de ML nomm´es mod`eles de base et `a att´enuer leurs faiblesses en les combinant de mani`ere intelligente. Les principales contributions sont les suivantes : 1. L’int´egration de l’algorithme g´en´etique (GA) pour la s´election des attributs et des donn´ees des mod`eles de base. 2. Pour former l’ensemble d’entraˆınement du m´eta-mod`ele propos´e, nous avons combin´e les donn´ees des mod`eles de base avec les attributs de l’ensemble de donn´ees original s´electionn´es par GA. Dans cette ´etude, le m´eta-mod`ele utilis´e est le Perceptron Multicouche (MLP) avec ajustement des param`etres. Il a ´et´e entraˆın´e en utilisant seulement les donn´ees s´electionn´ees `a partir de l’ensemble de donn´ees, puis test´e avec un ensemble de donn´ees ind´ependant. Les performances du m´eta-mod`ele ont ´et´e ´evalu´ees `a l’aide de diff´erentes mesures d’´evaluation telles que l’exactitude, le score F1, le rappel, la pr´ecision, l’AUC-ROC et le coefficient de corr´elation de Matthews (MCC). De plus, sa complexit´e temporelle a ´et´e ´evalu´ee en calculant le temps d’ex´ecution et le temps de pr´ediction. Les r´esultats obtenus ont d´emontr´e une nette sup´eriorit´e en termes de performances par rapport aux autres m´eta-mod`eles ´evalu´es pour toutes les mesures d’´evaluation, notamment Acc (99,69%), F1- score (99,68%), Recall (99,78%), Precision (99,57%), AUC-ROC (99,69%) ,MCC (99,38%), le temps d’ex´ecution (2.20 min) et le temps de pr´ediction est de (0.0020 S).