Collecte et analyse de données de Diabète utilisant les techniques d'Apprentissage Profond : Réseaux de Neurones (ANN)

Abstract

Le diabète est l'une des maladies chroniques les plus répandues, avec un taux de prévalence atteignant 10,0% en Algérie. Dans ce travail, nous proposons une nouvelle approche basée sur l'apprentissage profond (Deep Learning), une branche de l'intelligence artificielle, en utilisant les Réseaux de Neurones Artificiels (ANN). Cette recherche vise à aider les médecins dans la classification des données et la prédiction précoce de la maladie. Cette étude s'appuie sur deux bases de données : la première est mondiale et comprend 100 000 enregistrements avec un taux d'infection de 8,82 %, tandis que la seconde est locale, collectée auprès de la "Maison du Diabète" de l'hôpital Mohamed Boudiaf de Ouargla, englobant 700 dossiers médicaux de patients atteints de diabète de types 1 et 2 (DT1 et DT2). Pour contribuer à l'amélioration de l'efficacité de la prédiction, nous avons traité et nettoyé les données, puis effectué des analyses statistiques et des histogrammes afin de déterminer l'impact des biomarqueurs. Pour ce faire, un modèle de réseau de neurones de type Perceptron Multicouche (MLP) a été construit, évalué et entraîné via l'environnement Python. Les résultats expérimentaux ont démontré une haute efficacité du modèle proposé, avec une précision globale de classification dépassant 93 % et une excellente capacité à distinguer précisément les cas. Ces résultats ouvrent des perspectives prometteuses pour le développement de systèmes d'aide à la décision médicale et la numérisation des dossiers de santé afin d'alléger la charge de travail du personnel médical

Diabetes is one of the most prevalent chronic diseases, with a prevalence rate reaching 10.0% in Algeria. In this work, we propose a new approach based on deep learning, a branch of artificial intelligence, using Artificial Neural Networks (ANN). This research aims to assist physicians in data classification and early prediction of the disease. This study relies on two datasets: the first is a global dataset comprising 100000 records with an infection rate of 8.82%, and the second is a local dataset collected from the "Diabetic’s House" at Mohamed Boudiaf Hospital in Ouargla, including 700 medical files of patients with type 1 and type 2 diabetes (T1D and T2D). To enhance prediction efficiency, we preprocessed and cleaned the data, and conducted statistical analyses and histograms to determine the impact of biomarkers. To achieve this, a Multi-Layer Perceptron (MLP) neural network model was built, evaluated, and trained using the Python environment. The experimental results demonstrated high efficiency for the proposed model, with an overall classification accuracy exceeding 93% and an excellent ability to precisely distinguish between cases. These findings open promising prospects for developing clinical decision support systems and digitizing health records to ease the burden on medical staff.

يعد مرض السكري أحد أكثر الأمراض المزمنة شيوعاً، حيث بلغت نسبة انتشاره في الجزائر 10.0%. وفي هذا العمل، نود أن نقترح نهجاً جديداً يعتمد على فرع من فروع الذكاء الاصطناعي، وهو التعلم العميق باستخدام الشبكات العصبية الاصطناعية (ANN). يهدف البحث إلى مساعدة الأطباء في تصنيف البيانات والتنبؤ المبكر بالمرض. تم الاعتماد في هذه الدراسة على قاعدتي بيانات؛ الأولى عالمية تضم 100,000 سجل بنسبة إصابة 8.82%، والثانية محلية جُمعت من "دار السكري" بمستشفى محمد بوضياف بورقلة وشملت 700 ملف طبي لمرضى السكري من النوعين الأول (DT1) والثاني (DT2). للمساهمة في رفع كفاءة التنبؤ، قمنا بمعالجة وتنظيف البيانات وإجراء التحليلات الإحصائية والمدرجات التكرارية لمعرفة تأثير المؤشرات الحيوية. لتحقيق ذلك، قمنا ببناء وتقييم نموذج شبكة عصبية اصطناعية من نوع (MLP) وتدريبها عبر بيئة بايثون. وأظهرت النتائج التجريبية كفاءة عالية للنموذج المقترح بدقة تصنيف إجمالية تجاوزت 93%، وقدرة ممتازة على الفصل الدقيق بين الحالات. تفتح هذه النتائج آفاقاً واعدة لتطوير أنظمة دعم القرار الطبي ورقمة الملفات الصحية لتخفيف العبء عن الأطقم الطبية