Evaluation des maladies cardiaques à l’aide de techniques de Machine Learning et Deep Learning

Abstract

Les maladies cardiaques constituent la première cause de décès dans le monde entier. La détection précoce de ces pathologies est d'une importance majeure pour assurer une intervention médicale préventive et réduire les complications potentielles. Ces dernières années, les évolutions technologiques notamment l’intelligence artificielle ont permis d'ouvrir de nouvelles perspectives intéressantes pour prédire les maladies cardiaques avec une meilleure précision. Les deux approches de classification binaire proposées dans ce mémoire ont été testées sur le dataset « Personnal Key Indicator Heart Disease ». La première approche est une classification déséquilibrée alors que la seconde est une classification balancée. En premier lieu, les données de dataset seront prétraitées et nettoyées, puis les deux algorithmes d’apprentissage, le Deep Learning et le Machine Learning, ont été utilisés afin de construire des modèles performants en termes d’exactitude (Accuracy), de précision, de recall et de F1- score. Les résultats trouvés ont montré que la balance des données influe considérablement sur ces mesures d’évaluation pour les algorithmes de DL et que l’accuracy reste mal améliorée, néanmoins les algorithmes de ML étaient plus faciles à mettre en oeuvre.