Résumé:
La prédiction de la durée de séjour hospitalisé est essentielle pour optimiser les soins, planifier les ressources et réduire les coûts. Ce projet se concentre sur l'utilisation de l'intelligence artificielle, en particulier l'apprentissage automatique (machine learning), pour cette prédiction. Nous commencerons par explorer les concepts d'apprentissage automatique, y compris les notions d'apprentissage supervisé et non supervisé. Ensuite, nous étudierons les méthodes classiques utilisées, en mettant en évidence leurs avantages et leurs limites. Par la suite, nous passerons en revue les méthodes intelligentes spécifiques telles que les réseaux de neurones, les arbres de décision et les méthodes de classification, en discutant de leurs avantages, de leurs limites et de leur pertinence dans le contexte de la prédiction de la durée de séjour hospitalisé. L'objectif principal est d'aider les professionnels de la santé à choisir la méthode la plus appropriée en fonction de leurs besoins et contraintes. Grâce à des modèles adaptés développés avec l'apprentissage automatique, des prédictions précises ont été réalisées, facilitant la collecte d'informations sur les patients et l'évaluation des durées d'hospitalisation et de traitement.
Les meilleurs résultats de la prédiction de la durée de séjour hospitalier ont été obtenus avec l'algorithme de forêt aléatoire, avec un RMSE (Root Mean Square Error) de 0.24 et un coefficient de détermination (R²) de 0.94. Ces performances élevées démontrent l'efficacité de l'algorithme de forêt aléatoire dans la prédiction précise de la durée de séjour hospitalier.
