Apprentissage automatique pour la détection et la stratification de l’insuffisance cardiaque

Cette thèse porte sur la détection et la stratification de l'insuffisance cardiaque grâce à la surveillance de signaux physiologiques et de données cliniques. L'objectif est de développer des méthodes de classification binaire et multi-classes basées sur l'apprentissage automatique pour prédire, diagnostiquer et stratifier l'insuffisance cardiaque. Tout d'abord, un modèle d'apprentissage ensembliste est développé et optimisé pour prédire la présence d'une insuffisance cardiaque à partir des données de l'électrocardiogramme. La thèse élargit ensuite son champ d'application en abordant la stratification de l'insuffisance cardiaque selon le système de classification NYHA, en redéfinissant le problème comme une tâche de classification multiclasse. Un modèle hybride d'apprentissage profond est développé pour stratifier les patients sur la base des signaux de variabilité de la fréquence cardiaque. Enfin, la thèse revient sur le problème de la classification binaire en proposant un modèle innovant de fusion de données qui combine les données de l'électrocardiogramme avec les données cliniques. Cette intégration sophistiquée d'informations utilise diverses techniques de fusion pour améliorer l’explicabilité et l'efficacité diagnostique et thérapeutique, fournissant une approche complète de la gestion de l'insuffisance cardiaque. Les méthodes proposées sont validées à l'aide de bases de données médicales publiques hébergées sur Physionet.