TriageIntelli : développement d'un système de triage assisté par IA en centre de santé, utilisant des données multimodales

Araouchi, Ziad (2025). TriageIntelli : développement d'un système de triage assisté par IA en centre de santé, utilisant des données multimodales. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 36 p.

PDF Télécharger (1MB) | Prévisualisation

Résumé

RÉSUMÉ : Face à la surcharge chronique des services d'urgence, notre étude propose une solution concrète pour optimiser le processus de triage des patients à l'aide de l'intelligence artificielle (IA). L'objectif est clair : améliorer la prédiction du niveau de triage attribué aux patients en utilisant des données multimodales, telles que les signes vitaux, les antécédents médicaux et les plaintes exprimées à l'admission. En s'appuyant sur un jeu de données réel comprenant plus de 1 200 patients, notre recherche évalue les performances de plusieurs algorithmes d'apprentissage automatique : les machines à vecteurs de support (Support Vector Machine, SVM), les forêts aléatoires (Random Forest, RF), les réseaux de neurones (Artificial Neural Networks, ANN), la régression logistique (Logistic Regression, LR), le Gradient Boosting Machine (GBM), l'eXtreme Gradient Boosting (XGBoost), ainsi qu'un modèle empilé. Les résultats montrent que les approches fondées sur l'IA surpassent les méthodes classiques, tant en termes de précision, de rappel que de F1-score. Le modèle empilé, en particulier, atteint une précision de 80,05% et un score F1 de 74,41%, marquant une avancée significative dans ce domaine. --
ABSTRACT : In response to the chronic overcrowding of emergency departments, this study proposes a concrete solution to optimize the patient triage process using artificial intelligence (AI). The objective is clear: to improve the prediction of the triage level assigned to patients by using multimodal data, including vital signs, medical history, and presenting complaints at admission. Relying on a real-world dataset of over 1,200 patients, the study evaluates the performance of several machine learning algorithms: Support Vector Machines (SVM), Random Forest (RF), Artificial Neural Networks (ANN), Logistic Regression (LR), Gradient Boosting Machine (GBM), eXtreme Gradient Boosting (XGBoost), and a stacking model. The results show that AI-based approaches outperform traditional methods in terms of precision, recall, and F1-score. The stacking model, in particular, achieves an accuracy of 80.05% and an F1-score of 74.41%, representing a significant advancement in this field.

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 de l'UQAC offert extension à l'UQAR en vue de l'obtention du grade de maître ès sciences (M. Sc.).
Mots-clés :	Intelligence artificielle - Applications en médecine; Triage (Médecine) - Informatique; Modèles prédictifs; Apprentissage automatique.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	05 févr. 2026 20:35
Dernière modification :	05 févr. 2026 20:35
URI :	https://semaphore.uqar.ca/id/eprint/3419