Présentation d’un article scientifique auquel j’ai contribué, sur l’intelligence artificielle appliquée à la prévention des maladies cardiovasculaires.
Cette recherche propose une méthodologie innovante pour la prédiction précoce des risques d'infarctus du myocarde en combinant l'apprentissage automatique avec de grandes données cliniques issues de dossiers médicaux électroniques.
Le modèle LightGBM avec ingénierie des caractéristiques a obtenu les meilleures performances avec une précision de 0.78 et une AUC de 0.85, surpassant les autres approches d'apprentissage automatique.
DT, RF, GBoost, XGBoost, LightGBM, CatBoost, CNN
Dossiers patients avec 21 caractéristiques
Atteinte avec LightGBM + Feature Engineering
Meilleure capacité de discrimination
Utilisation du jeu de données BRFSS contenant 253,680 dossiers patients avec 21 caractéristiques cliniques.
Techniques d'échantillonnage pour équilibrer les classes et préparation des données pour l'analyse.
Implémentation et comparaison de 7 algorithmes d'apprentissage automatique avec différentes approches de features.
Mesure de performance via précision, rappel, score F1 et AUC pour identifier le meilleur modèle.