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.
