Prédiction précoce de la mortalité hospitalière à l’aide de l’IA

Ce projet vise à développer un modèle d’apprentissage automatique pour la prédiction précoce de la mortalité hospitalière dès l’arrivée du patient aux urgences. En s’appuyant sur les bases de données cliniques MIMIC-IV et MIMIC-IV-ED, l’étude exploite uniquement les informations disponibles au moment de l’admission, telles que les données démographiques, les signes vitaux, les antécédents médicaux et les plaintes principales.

Plusieurs algorithmes de machine learning, dont la régression logistique, Random Forest et XGBoost, sont combinés dans une approche de stacking ensemble afin d’améliorer les performances prédictives. Par ailleurs, des méthodes d’interprétabilité comme SHAP sont intégrées pour expliquer les prédictions du modèle et identifier les facteurs de risque clés.

L’objectif est de proposer un outil d’aide à la décision clinique permettant d’identifier rapidement les patients à haut risque, d’optimiser la priorisation aux urgences et, à terme, d’améliorer la qualité des soins et les résultats cliniques.