Apprentissage Automatique en Épidémiologie Cardiovasculaire : Arbres de Décision et Forêts Aléatoires appliqués à la Prédiction de l’Hypertension Artérielle (HTA)
L’hypertension artérielle (HTA) constitue l’un des principaux facteurs de risque des maladies cardiovasculaires, responsables d’une part importante de la morbidité et de la mortalité dans le monde. Face à l’augmentation des données de santé et à la nécessité d’identifier précocement les personnes à risque, les méthodes d’apprentissage automatique offrent de nouvelles perspectives pour la recherche épidémiologique.
Ce document présente une application pratique des algorithmes d’Arbres de Décision (CART) et de Forêts Aléatoires (Random Forest) à la prédiction de l’HTA. À partir d’un ensemble de données intégrant des caractéristiques sociodémographiques, biologiques et comportementales, il illustre l’ensemble du processus analytique : préparation des données, analyse exploratoire, construction des modèles, évaluation de leurs performances et interprétation des résultats.
Conçu dans une approche pédagogique et appliquée, ce support permet aux étudiants, chercheurs, professionnels de santé et analystes de données de comprendre comment les techniques modernes d’intelligence artificielle peuvent contribuer à la prévention et à la surveillance des maladies cardiovasculaires. Il met également en évidence les facteurs les plus influents dans le développement de l’HTA et les avantages des modèles d’ensemble pour améliorer la précision des prédictions.
À travers des exemples concrets réalisés sous R, ce document constitue une introduction accessible et rigoureuse à l’utilisation du machine learning en épidémiologie cardiovasculaire.
