Overview

Cette étude présente un système basé sur l'apprentissage automatique pour la prédiction précoce de l'anémie falciforme à l'aide de données cliniques structurées issues d'hémogrammes de patients. L'approche proposée vise à lever les limites des méthodes de diagnostic conventionnelles, qui sont souvent coûteuses, chronophages et nécessitent une infrastructure de laboratoire spécialisée. L'objectif était d'identifier le modèle le plus performant et de développer une application pouvant être utilisée par le personnel médical dans les zones difficiles d'accès comme outil de soutien au diagnostic précoce de cette maladie. Parmi les modèles évalués, le modèle Random Forest a obtenu les meilleures performances, avec une précision de 98 %, une sensibilité de 98 % et un score F1 de 98 %. Sa performance supérieure est attribuée à sa capacité à capturer les interactions non linéaires entre les variables hématologiques, cruciales pour le diagnostic clinique. Les prédictions du système ont été validées par des médecins spécialistes, montrant une grande concordance avec les diagnostics traditionnels. Une innovation clé de cette étude est l'utilisation de données structurées d'hémogrammes.

Full Product Details

9786209641688

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available