Pédagogie interactive de l'apprentissage automatique : développement d'une plateforme Web pour la modélisation prédictive Clinique

Bashardoustjoubjarkouli, Fatemeh (2025). Pédagogie interactive de l'apprentissage automatique : développement d'une plateforme Web pour la modélisation prédictive Clinique. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 64 p.

PDF Télécharger (2MB) | Prévisualisation

Résumé

« Cette Mémoire présente le développement d'une plateforme web visant à améliorer l'accessibilité des outils d'apprentissage automatique (ML) pour les professionnels de la santé. Le but de la recherche est de combler le fossé entre la complexité technique et l'utilisation pratique du ML pour la modélisation prédictive clinique, en particulier pour ceux ayant une expertise limitée en informatique. La plateforme, construite avec Flask, intègre divers modèles de ML, y compris K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Naive Bayes, Decision Tree, ainsi que des algorithmes d'apprentissage non supervisé comme K-Means et DBSCAN. Ces algorithmes sont appliqués pour analyser des ensembles de données cliniques, classifier les maladies et prédire les résultats des patients. L'hypothèse principale de ce mémoire est que le développement d'une plateforme web conviviale peut faciliter l'accès aux outils d'apprentissage automatique pour les utilisateurs disposant de connaissances de base en ML, mais sans compétences en programmation. Cette plateforme vise à leur offrir un environnement structuré pour charger des jeux de données cliniques, sélectionner des algorithmes, et visualiser les résultats, dans le but de soutenir la prise de décision clinique. La méthodologie comprend le développement d'une interface utilisateur modulaire et réactive, permettant aux utilisateurs de télécharger des ensembles de données, de prétraiter les données, et de choisir les algorithmes appropriés pour leur analyse. L'étude conclut que la plateforme améliore considérablement l'accessibilité des outils de ML pour l'analyse des données cliniques. Cependant, la portée actuelle de la plateforme la limite à des ensembles de données spécifiques, et en mettant à jour le système avec d'autres algorithmes d'apprentissage automatique pour maintenir sa pertinence et soutenir les avancées en cours. -- Mot(s) clé(s) en français : Modélisation prédictive clinique, Apprentissage automatique, Flask, KNN, SVM, Naive Bayes, Decision Tree, DBSCAN, K-Means. »--
« This study presents the development of a web-based platform aimed at improving the accessibility of machine learning (ML) platform for healthcare professionals. The goal of the research is to bridge the gap between technical complexity and practical usage of ML for clinical predictive modeling, particularly for those with limited expertise in computer science. The platform, built using Flask, integrates various ML models, including K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Naive Bayes, Decision Trees, and unsupervised learning algorithms like K-Means and DBSCAN. These algorithms are applied to analyze clinical datasets, classifying diseases and predicting patient outcomes. The main hypothesis of this thesis is that the development of a user-friendly web platform can facilitate access to machine learning tools for users who have basic knowledge of ML but no programming skills. This platform aims to provide them with a structured environment to upload clinical datasets, select algorithms, and visualize results, with the goal of supporting clinical decision-making. The methodology includes the development of a modular and responsive user interface, allowing users to upload datasets, preprocess data, and choose appropriate algorithms for their analysis. The study concludes that the platform significantly improves the accessibility of ML platform for clinical data analysis. However, the platform's current scope limits it to specific datasets, and future work should focus on expanding its capabilities to include broader types of clinical data and by updating the system with other machine learning algorithms to maintain its relevance and support ongoing advancements. -- Mot(s) clé(s) en anglais : Clinical predictive modeling, Machine learning, Flask, KNN, SVM, Naive Bayes, Decision Trees, DBSCAN, K-Means. »--

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Adda, Mehdi
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en informatique en vue de l'obtention du grade de maître ès sciences (M. Sc.).
Mots-clés :	Intelligence artificielle - Applications en médecine ; Plateformes (Informatique) - Conception ; Médecine - Informatique ; Modèles prédictifs ; Apprentissage automatique ; Flask.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	12 déc. 2025 19:37
Dernière modification :	12 déc. 2025 19:37
URI :	https://semaphore.uqar.ca/id/eprint/3360