Prédiction du taux de glucose chez les patients diabétiques comme séries temporelles biologiques

Le diabète est une maladie chronique caractérisée par un taux élevé de glucose dans le sang, résultant d'une production insuffisante d'insuline par le pancréas ou d'une utilisation inefficace de l'insuline par le corps. Le suivi continu du taux de glucose sanguin est crucial pour la gestion du diabète, permettant d'éviter les complications aiguës et chroniques associées à la maladie. Ce mémoire se concentre sur l'évaluation de la performance de différents modèles prédictifs – autorégressifs, d’apprentissage automatique, et de réseaux de neurones (ARIMA, XGBoost, LSTM, TCN et Prophet) – dans la prédiction du taux de glucose sanguin chez les patients diabétiques, en exploitant des données de capteurs de glucose en continu (SGC). La recherche s'est articulée en trois phases : la préparation des données de SGC, l'implémentation de divers modèles prédictifs, et leur évaluation à l'aide de métriques telles que l'erreur moyenne absolue (MAPE) et l'erreur quadratique moyenne (RMSE). Les résultats révèlent que les modèles autorégressifs sont préférables pour des prédictions à court terme, tandis que les modèles d’apprentissage automatique et les réseaux de neurones sont plus efficaces sur des périodes plus longues, avec une performance supérieure des réseaux de neurones à architectures profondes. Cette étude met en lumière l'importance de sélectionner le modèle approprié selon la durée de la prédiction, contribuant à l’amélioration des systèmes de surveillance et de gestion du diabète.