Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Exploration de l’apprentissage automatique pour la prédiction du degré d’atteinte de personnes souffrant d’ARSACS à partir de signaux EMG

Bouabid Idir. (2024). Exploration de l’apprentissage automatique pour la prédiction du degré d’atteinte de personnes souffrant d’ARSACS à partir de signaux EMG. Mémoire de maîtrise, Université du Québec à Chicoutimi.

[thumbnail of Bouabid_uqac_0862N_11231.pdf] PDF
2MB

Résumé

Ce mémoire explore l’utilisation de l’apprentissage automatique pour prédire le degré d’atteinte des personnes atteintes d’Ataxie Récessive Spastique Autosomique de Charlevoix-Saguenay (ARSACS) à partir de signaux électromyographiques (EMG). L’ARSACS, une maladie neurodégénérative rare, se manifeste par une dénervation sévère des muscles, détectable grâce à l’EMG. L’objectif principal de cette recherche est d’identifier des marqueurs prédictifs permettant de suivre le degré d’atteinte des patients atteints d’ARSACS et de prévoir la progression de la maladie sur plusieurs années, contribuant ainsi à une meilleure compréhension de cette pathologie. Pour atteindre cet objectif, des approches de clustering et de régression ont été appliquées aux données EMG et cliniques, dans le but de tenter de découvrir des groupements inédits de profils de patients présentant des similitudes, et de prédire et estimer la progression de la maladie à des instants futurs. Les résultats montrent que le clustering permet d’identifier des sous-groupes cliniquement significatifs, bien que la variabilité au sein des groupes puisse limiter la discrimination des degrés d’atteinte, reflétant ainsi la complexité de la maladie. Les modèles de régression utilisés pour prédire la progression de la maladie ont rencontré des difficultés à capturer efficacement les interactions complexes entre les variables cliniques et les données EMG. La variabilité importante des performances des modèles et le risque élevé de surapprentissage mettent en évidence leur manque de robustesse. Ces résultats sont principalement dus à la taille réduite de l’échantillon de données et à la forte hétérogénéité des patients, qui limitent considérablement la généralisation des modèles. Malgré ces limites, cette recherche représente une avancée importante dans l’application de l’apprentissage automatique à l’ARSACS et ouvre la voie à des études futures en intégrant des approches plus sophistiquées et un volume de données plus important pour mieux comprendre la progression de la maladie.

Type de document:Thèse ou mémoire de l'UQAC (Mémoire de maîtrise)
Date:2024
Lieu de publication:Chicoutimi
Programme d'étude:Maîtrise en informatique
Nombre de pages:105
ISBN:Non spécifié
Sujets:Sciences naturelles et génie > Sciences mathématiques > Informatique
Sciences de la santé > Sciences médicales > Neurosciences
Département, module, service et unité de recherche:Départements et modules > Département d'informatique et de mathématique > Programmes d'études de cycles supérieurs en informatique
Directeur(s), Co-directeur(s) et responsable(s):Gaboury, Sébastien
Maître, Julien
Mots-clés:apprentissage automatique, ARSACS, EMG
Déposé le:18 déc. 2024 20:56
Dernière modification:08 janv. 2025 00:32
Afficher les statistiques de telechargements

Éditer le document (administrateurs uniquement)

Creative Commons LicenseSauf indication contraire, les documents archivés dans Constellation sont rendus disponibles selon les termes de la licence Creative Commons "Paternité, pas d'utilisation commerciale, pas de modification" 2.5 Canada.

Bibliothèque Paul-Émile-Boulet, UQAC
555, boulevard de l'Université
Chicoutimi (Québec)  CANADA G7H 2B1
418 545-5011, poste 5630