P36 - La prédiction de la dépression chez les Marocains atteints de maladies respiratoires chroniques - Analyse comparative des algorithmes d'apprentissage automatique

La coexistence des maladies respiratoires chroniques (MRC) et des troubles de santé mentale, comme le cas de la dépression, représente un défi complexe pour les soins de santé, surtout parmi les patients marocains. L'intégration d'outils d'apprentissage automatique ou de « Machine Learning » (ML) pour prédire la dépression chez les patients atteints de MRC peut favoriser le développement de solutions de soins de santé personnalisées, comme démontré dans d'autres contextes de maladies chroniques. Cette étude vise à comparer différents algorithmes d'apprentissage automatique pour prédire la dépression chez les patients atteints de MRC. Quatre algorithmes d'apprentissage automatique ont été évalués : les plus proches voisins (KNN), la forêt aléatoire (RF), l'arbre de décision (DT) et le boosting adaptatif (AdaBoost). En utilisant un ensemble de données spécifique aux MRC, l'équilibrage des données a été abordé par des techniques appropriées, et la sélection des caractéristiques a été réalisée pour renforcer la pertinence des variables d'entrée. Le réglage des hyperparamètres a été mis en œuvre pour optimiser les algorithmes en vue d'une prédiction précise de la dépression. Les résultats indiquent des précisions variables parmi les algorithmes d'apprentissage automatique pour la prédiction de la dépression chez les patients atteints de maladies respiratoires chroniques. KNN et RF ont montré des précisions de 48 %, soulignant les défis associés à ces méthodes. DT a atteint une précision modeste de 57 %, tandis qu'AdaBoost a performé avec une précision notable de 74 %. Malgré les précisions variables observées, l'étude met en avant le potentiel des modèles d'apprentissage automatique, particulièrement AdaBoost, pour contribuer à la prédiction de la dépression dans le contexte des maladies respiratoires chroniques chez les patients marocains. Les résultats encouragent des investigations supplémentaires visant à améliorer l'efficacité de ces modèles dans la gestion des aspects de santé mentale des individus atteints de MRC.