Solution IA pour transformer les données médicales en outil d’aide à la décision

MKonaté — Fri, 17 Jul 2026 08:02:41 +0000

Data Science

Intelligence artificielle au service de la santé publique

Une solution IA pour transformer les données médicales en outil d’aide à la décision
afin de contribuer à améliorer la prise de décision médicale, prioriser les patients à risque et optimiser l’allocation des ressources de santé.

Projet Data Science en Santé publique > Machine Learning > Aide au diagnostic

Executive Summary

Objectif
Détecter les patients à risque

Solution
Modèle de Machine Learning

Résultat
Régression logistique la plus performante

Impact
Aide à la décision médicale

1. Les défis actuels

Patient → Analyse clinique→ Diagnostic→ Décision médicale

Défi	Impact
Diagnostic parfois tardif	Risque de complications
Ressources médicales limitées	Priorisation difficile
Volume important de patients	Temps d’analyse élevé
Décisions basées sur de nombreuses variables	Risques d’erreurs humaines

2. Ma solution

Patient→ Modèle IA→ Probabilité de risque→ Aide au diagnostic

Ma démarche :

Collecte des données
↓
Analyse exploratoire
↓
Préparation des données
↓
Machine Learning
↓
Évaluation des modèles
↓
Aide à la décision

Architecture du projet :

Données source
↓
Analyse exploratoire (Pandas, NumPy, seaborn, matplotlib,)
↓
Traitement (Nettoyage des données, valeurs manquantes)
↓
Preprocessing (StandardScaler, OneHotEncoder, SMOTE)
↓
Modèles de Machine Learning implémentés (XGBoost, Logistic Regression)
↓
Aide au diagnostic

Impact :

Avantage : plus rapide
Résultat : plus objectif

3. Les insight clés

Risk Score : principal facteur prédictif de l’infection

Profil des patients :

Les patients atteints sont globalement plus jeunes

Il y a davantage d’hommes infectés que de femmes

Symptômes dominants : Fièvre, vomissements, vertiges et maux de tête sont les plus représentés

Répartition géographiques : Certaines régions concentrent davantage de cas

4. Résultats des prédictions

Classification Report :

Critères	Logistic Regression	XGBoost	Explication
Accuracy	87 %	86 %	Pourcentage total de bonnes prédictions
F1-score global	88 %	86 %	Équilibre entre précision et rappel
Recall classe positive	87 %	87 %	Capacité à détecter les vrais malades
Précision classe positive	94 %	91 %	Qualité des prédictions des malades

Matrice de confusion :

Critères	Logistic Regression	XGBoost
Accuracy score on train set	87 %	88,2 %
Accuracy score on test set	87,4 %	85, 7 %

Modèle retenu présentant de meilleures performances : Logistic Regression

5. Perspective d’intégration

Les prédictions du modèle peuvent être exploitées au sein d’un tableau de bord décisionnel afin de prioriser les patients, suivre les indicateurs épidémiologiques et soutenir les décisions des professionnels de santé.

Vous avez un projet ?

demander un diagnostic gratuit

L’article Solution IA pour transformer les données médicales en outil d’aide à la décision est apparu en premier sur DataUsage Consulting | Consultant Data Reims & IDF | BI & Pilotage.

Archives des DATA SCIENCE | DataUsage Consulting | Consultant Data Reims & IDF | BI & Pilotage