Prédiction de la mortalité dans les unités de soins intensifs (USI) à l'aide d'algorithmes d'apprentissage automatique
Loading...
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Science
Abstract
Cette recherche se concentre sur l'utilisation des algorithmes d'apprentissage automatique pour prédire la mortalité dans les unités de soins intensifs (USI). L'objectif principal est d'améliorer la précision des prédictions en utilisant divers modèles et en évaluant leurs performances sur un ensemble de données de patients en USI. La méthodologie inclut la collecte et le prétraitement des données, l'application de différents modèles et l'évaluation de leurs performances.
Les résultats indiquent que le modèle de Forêt Aléatoire (Random Forest) offre la meilleure performance avec une précision de 87,93 % avant la sélection des caractéristiques et de 87,80 % après la sélection. Ce modèle surpasse les autres, tels que les Réseaux de Neurones Artificiels (ANN), les Machines à Vecteurs de Support (SVM), et les Arbres de Décision, en termes de précision de prédiction des décès en USI. Les caractéristiques les plus importantes pour la prédiction incluent NT-proBNP, la créatine kinase, la production d'urine, l'azote uréique, les plaquettes, les leucocytes, les lymphocytes, le bicarbonate, le gap anionique et l'acide lactique.
Cette recherche vise à fournir un outil efficace pour diagnostiquer les patients et aider les professionnels de la santé à offrir des traitements appropriés, tout en identifiant les facteurs de risque significatifs associés à la mortalité en USI.