Prediction of gestational diabetes

Abstract

Le diabète est une maladie persistante qui résulte d’un dysfonctionnement du pancréas, entraînant une élévation du taux de sucre dans le sang et pouvant affecter diverses fonctions corporelles. Avec le temps, cette maladie peut endommager le cœur, les vaisseaux sanguins, les yeux, les reins, les nerfs et d’autres organes vitaux. Pour atténuer ces complications, il est impératif de mettre au point un système de diagnostic fiable capable d’identifier les patients diabétiques sur la base de leurs informations médicales. Dans la poursuite de cet objectif, divers algorithmes d’apprentissage automatique ont été explorés pour la prédiction du diabète. Ces algorithmes jouent un rôle crucial dans la détection précoce de la maladie et la prévention des problèmes de santé associés. S’appuyant sur nos recherches antérieures axées sur la prédiction du diabète gestationnel à l’aide de l’algorithme de forêt d’arbres aléatoires, la présente étude va plus loin. Nous utilisons ici une stratégie d’intelligence en essaim pour discerner l’ensemble optimal de caractéristiques pour l’entraînement de l’algorithme de la forêt aléatoire, dans le but principal d’améliorer ses performances prédictives. L’efficacité de l’approche proposée a été rigoureusement évaluée et les résultats ont donné des indications prometteuses. Notamment, la combinaison de l’algorithme de forêt d’arbres aléatoires et de l’optimisation par essaims particulaires a permis une nette amélioration, avec une précision de 99%. Cette fusion innovante d’algorithmes présente un potentiel significatif pour faire progresser le domaine du diagnostic du diabète et de l’évaluation des risques.