Prédiction des Affections Transmissibles et non Transmissibles par Intelligence Artificielle

Abstract

Prédiction des affections transmissibles et non transmissibles par intelligence artificielle Cette étude se concentre sur le développement des modèles prédictifs tirant parti de l’intelligence artificielle (IA) pour prédire les affections transmissibles virales et non transmissibles. La recherche est structurée en trois contributions distinctes, les deux premières centrées sur la prédiction des affections transmissibles et la troisième dédiée à la prédiction des affections non transmissibles. Dans la première contribution, la thèse aborde la prédiction rapide du COVID-19 à l'aide d'un modèle de réseau neuronal artificiel à perceptrons multicouches (RNA-PMC). Le modèle appliqué a atteint une exactitude de 83,45 %, avec une aire sous la courbe de caractéristique de fonctionnement du récepteur (AUC-ROC) de 88,24 %, soulignant ainsi son efficacité dans la prédiction de cette maladie transmissible. La deuxième contribution concerne la prédiction de l'hépatite virale en utilisant la même approche RNA-PMC. Le modèle développé a démontré une grande exactitude, atteignant une valeur de 95 %. De plus, il présentait une AUC-ROC de 95,12 %. Ces mesures d'évaluation complètes soulignent la robustesse du modèle dans la prédiction de l'hépatite virale, soulignant ainsi son utilité potentielle dans les établissements de soins de santé. La troisième contribution se penche sur la prédiction des affections non transmissibles. Nous avons proposé une nouvelle méthode de prédiction du cancer du poumon utilisant des techniques d'intelligence artificielle. Nous avons évalué et comparé divers modèles d'apprentissage automatique, notamment RNA, K-plus proches voisins (KNN) et les machines à vecteurs de support (SVM), pour identifier le modèle le plus efficace. Le modèle SVM a atteint l’exactitude la plus élevée de 96,8 %, ainsi qu'une sensibilité de 98,33 %. Cependant, pour améliorer encore l’exactitude, nous avons introduit une approche d'optimisation hybride connue sous le nom Crow Search Algorithm- Artificial Bee Colony - Support Vector Machine (CSA-ABC-SVM). L'algorithme CSA- ABC-SVM combine les atouts de CSABC Optimiser et de SVM pour concevoir un modèle prédictif puissant. Notre étude a donné une exactitude remarquable de 98,38 %, ainsi qu'une sensibilité de 100 %. Ce résultat indique l'efficacité du modèle hybride CSA-ABC-SVM dans la prédiction du cancer du poumon, démontrant ses performances supérieures par rapport aux modèles d'apprentissage automatique traditionnels. Cette étude met l'accent sur l'adaptabilité et l'efficacité de l'IA dans la prédiction de diverses affections, notamment la COVID-19, l'hépatite et le cancer du poumon. Cette exactitude remarquable souligne le potentiel de l'IA en tant qu'outil précieux pour l'anticipation et la prédiction précoces des affections. Ces résultats contribuent à des interventions de soins de santé proactives et basées sur les données pour gérer les futurs défis de santé.