Prédiction du risque des maladies endocriniennes à l'aide de la science des données et de l'intelligence artificielle explicable

Risk prediction of endocrine diseases using data science and explainable artificial intelligence

• Auteur / Autrice : Firas Ketata
• Direction : Saïd Noureddine Zerhouni, Zeina Al Masry, Slim Yacoub
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Soutenance le 02/10/2024
• Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Université de Carthage (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : établissement de préparation : Université de Franche-Comté (1971-2024)
• Jury : Président / Présidente : Mounir Sayadi
• Jury : Examinateurs / Examinatrices : Edith Grall Maës, Hatem Boulahdour
• Jury : Rapporteurs / Rapporteuses : Maria Di Mascolo, Hedi Bedoui
• DOI : 10.70675/f9d5ea05z8aa8z43c8z94ebz1ad6436aea26

Mots clés

Mots clés contrôlés

Médecine -- Prise de décision

Troubles du métabolisme des glucides

Prévision

Endocrinologie

Intelligence artificielle en médecine

Mots clés libres

Science des Données

Intelligence Artificielle

Apprentissage Automatique Explicable

Prédiction du Risque

Aide à la Décision Médicale

Maladies Endocriniennes

Data Science

Artificial Intelligence

Explicable Machine Learning

Risk Prediction

Medical Decision Support

Endocrine Diseases

Résumé

L'objectif de cette thèse est de prédire le risque de maladies endocriniennes à l'aide de la science des données et de l'apprentissage automatique. L'idée est d'exploiter cette identification de risque pour aider les médecins à gérer les ressources financières et personnaliser le traitement des anomalies glucidiques chez les patients atteints de bêta-thalassémie majeure, ainsi que pour le dépistage du syndrome métabolique chez les adolescents. Une étude d'explicabilité des prédictions a été développée dans cette thèse pour évaluer la fiabilité de la prédiction des anomalies glucidiques et pour réduire les coûts financiers associés au dépistage du syndrome métabolique. Enfin, en réponse aux limites constatées de l'apprentissage automatique explicable, nous proposons une approche visant à améliorer et évaluer cette explicabilité, que nous testons sur différents jeux de données.

This thesis aims to predict the risk of endocrine diseases using data science and machine learning. The aim is to leverage this risk identification to assist doctors in managing financial resources, personalizing the treatment of carbohydrate anomalies in patients with beta-thalassemia major, and screening for metabolic syndrome in adolescents. An explainability study of the predictions was developed in this thesis to evaluate the reliability of predicting glucose anomalies and to reduce the financial burden associated with screening for metabolic syndrome. Finally, in response to the observed limitations of explainable machine learning, we propose an approach to improve and evaluate this explainability, which we test on several datasets.