Réseaux bayésiens sur données réelles (données médicales "diabète").

Abstract

L'action médicale repose sur la capacité de raisonnement du médecin et son aptitude à prendre des décisions alors que les informations utilisées sont potentiellement entachées d'incertitude. Cette incertitude est d'origine multiple : possibilité d'erreur dans les données, ambiguïté de la représentation de l'information, incertitude sur les relations entre les diverses informations. Une première approche à la représentation de la connaissance dans ce contexte d'incertitude a utilisé la théorie des probabilités. Ainsi, plusieurs études ont montré que les systèmes d'aide à la décision élaborés sous le modèle probabiliste pouvaient faire aussi bien. De ce fait, nous avons pensé qu’il serait intéressant de concevoir une solution d’aide au diagnostic. La solution « DiaBeyz » que nous avons mise en place est un système qui applique le raisonnement probabiliste (réseau bayésien) sur données des patients individuellement. Les réseaux bayésiens permettent de combiner différentes informations en fonction de modèles de probabilité afin que la probabilité dans chaque proposition dans le réseau puisse être évaluée. Cette application est basée sur l'algorithme de EM (Espérance Maximisation) qui devrait permettre d’aider les médecins ou un utilisateur quelconque à déterminer la probabilité d’une pathologie glycémique (diabète) avec précision.