Une approche d'apprentissage automatique explicable pour le support décisionnel médical automatisé des maladies cardiaques

La maladie coronarienne (MC) est la principale cause de mortalité dans le monde. Chaque année, elle cause environ 3,9 millions de décès en Europe et 1,8 million dans l'Union européenne (UE). Elle est responsable de 45 % et 37 % de tous les décès en Europe et dans l'Union européenne, respectivement. Utiliser l'apprentissage automatique (AA) pour prédire les maladies cardiaques est l'un des sujets de recherche les plus prometteurs, car cela peut améliorer les soins de santé et par conséquent augmenter la longévité des vies humaines. Cependant, bien que la capacité d'interpréter les résultats du modèle prédictif soit essentielle, la plupart des études connexes ne proposent pas de méthodes explicables. Pour remédier à ce problème, cet article présente une méthode de classification qui non seulement montre des performances fiables, mais est également interprétable, garantissant la transparence de son processus décisionnel. Les Explications Additives de SHapley, connues sous le nom de méthode SHAP, ont été choisies pour l'interprétabilité du modèle. Cette approche présente une comparaison entre différents classificateurs et techniques de réglage de paramètres, fournissant tous les détails nécessaires pour reproduire l'expérience et aider les futurs chercheurs travaillant dans le domaine. Le modèle proposé atteint des performances similaires à celles proposées dans la littérature, et ses prédictions sont pleinement interprétables.