Utiliser l'apprentissage automatique pour prédire la mortalité chez les personnes âgées

Dans cette étude, on se penche de plus près sur la prévision des décès chez les personnes d'âge moyen et âgées en Angleterre en utilisant un type de modèle informatique appelé réseau de neurones convolutionnel 1D (1D-CNN). Pas de panique si tu ne comprends pas ce que c'est un "réseau de neurones convolutionnel". C'est juste un terme un peu technique pour expliquer comment les ordinateurs peuvent apprendre des schémas à partir des données. Imagine que c'est comme apprendre des tours à un chien, sauf qu'au lieu de taper dans la patte, on essaie de déterminer qui pourrait être à risque de mourir en fonction de leur mode de vie, de leur état de santé et d'autres facteurs.

C'est important parce que prédire la mortalité peut aider à mieux planifier les services de santé et à fournir un soutien à ceux qui en ont le plus besoin.

#Le Dataset

Le jeu de données avec lequel on travaille provient d'une étude à long terme appelée l'Étude longitudinale anglaise sur le vieillissement (ELSA). C'est une enquête qui se déroule tous les deux ans depuis 2002, axée sur les personnes de 50 ans et plus en Angleterre. L'enquête collecte différentes informations, y compris sur la santé, la situation économique, la vie sociale, et même les conditions psychologiques.

Imagine une grande réunion de famille où chacun raconte ses histoires de vie tous les quelques années - c'est un peu ça ELSA, mais à une échelle beaucoup plus grande et scientifique.

On s'est spécifiquement intéressé aux personnes qui ont participé à chaque vague de l'enquête (c'est le terme technique pour chaque fois que l'enquête a été réalisée), ce qui nous donne une bonne idée de leur vie au fil du temps.

#Le Problème avec les Données

Maintenant, voici la partie délicate : le jeu de données est très déséquilibré. Ça veut dire que même si on a beaucoup de données sur plein de gens, seuls quelques-uns d'entre eux sont décédés. C'est comme être dans une classe où la plupart des élèves ont des A, mais quelques-uns ont des F. Si tu regardes juste la note globale, ça ne te dira rien sur la difficulté que certains ont rencontrée.

Pour résoudre ce problème, on doit créer des données synthétiques, un peu comme si on falsifiait des informations pour équilibrer les choses.

#Comment ça Marche le 1D-CNN ?

Bon, décomposons le processus du 1D-CNN. Les CNN sont géniaux pour reconnaître des motifs, et pour nos données, on les dispose d'une manière qui a du sens pour que l'ordinateur puisse apprendre. Dans notre cas, on aligne les informations de cinq vagues de données pour que le modèle puisse voir comment la situation d'une personne change au fil du temps.

Si tu penses à nos données comme une longue file d'amis côte à côte, où chaque ami a une histoire à raconter, on veut que l'ordinateur fasse attention à la façon dont chaque histoire évolue.

L'idée principale ici est de faire glisser un "filtre" sur les données, un peu comme un chef qui tamise de la farine. Ce filtre aide l'ordinateur à se concentrer sur les éléments d'information importants en ignorant le bruit.

#Gestion des Données Manquantes

Soyons honnêtes : la vie arrive, et parfois les gens ratent une vague d'enquête. Ça veut dire qu'on peut avoir des lacunes dans nos données. Pour gérer ça, on complète les pièces manquantes avec les informations de la vague d'enquête la plus proche avant ou après. C'est comme remplir un puzzle avec les pièces que tu as - on veut garder l'image aussi complète que possible.

#Organisation des Données

On peut présenter les données de deux manières principales : format court et format long.

Dans le format court, chaque participant est représenté par une seule ligne qui inclut ses informations de toutes les vagues d'enquête. Ça aide le modèle CNN à apprendre facilement comment les données sont structurées au fil du temps.

D'un autre côté, le format long a plusieurs lignes pour chaque participant, ce qui est le fonctionnement de nombreux modèles traditionnels. Bien que ce soit super pour certaines analyses, c'est moins efficace pour notre approche CNN puisque l'on veut montrer clairement la relation des données au fil des vagues.

#Pourquoi Utiliser l'Apprentissage Automatique ?

Tu te demandes peut-être, pourquoi choisir des modèles d'apprentissage automatique plutôt que des méthodes traditionnelles ? Eh bien, l'apprentissage automatique peut identifier des motifs cachés dans les données que l'on ne verrait pas avec des modèles mathématiques classiques.

Par exemple, des chercheurs ont utilisé diverses techniques d'apprentissage automatique dans d'autres études. Ils ont examiné comment les facteurs liés au mode de vie affectent la santé ou comment certaines maladies progressent avec le temps. Dans notre cas, on essaie de voir comment toutes ces informations peuvent indiquer qui est à risque plus élevé de décès.

#Différentes Méthodes pour Équilibrer les Données

Pour traiter le déséquilibre dans nos données, on a essayé cinq méthodes différentes pour créer des données synthétiques. C'est comme essayer différentes recettes pour faire le gâteau parfait. Voilà ce qu'on a testé :

1. Suréchantillonnage aléatoire (ROS) : Cette méthode consiste à dupliquer des données du groupe minoritaire (ceux qui sont décédés) pour le rendre plus grand. C'est comme inviter des invités supplémentaires à une fête qui sont déjà là.

2. SMOTE (Technique de suréchantillonnage synthétique des minorités) : Cette méthode crée de nouveaux exemples synthétiques du groupe minoritaire basés sur les données existantes. Imagine créer des clones virtuels d'un ami en fonction de leurs traits.

3. ADASYN (Échantillonnage synthétique adaptatif) : Cette approche est similaire à SMOTE mais se concentre sur la génération d'exemples dans les zones où la classe minoritaire est moins représentée. C'est comme s'assurer d'inviter des amis qui sont souvent laissés de côté.

4. SMOTEEN : Cette méthode combine SMOTE avec une autre technique qui nettoie les données en supprimant les doublons. Pense à ajouter de nouvelles saveurs de gâteau tout en s'assurant que les anciennes ne gâtent pas la fête.

5. SMOTETomek : Cette approche hybride utilise SMOTE et la combine avec une stratégie qui nettoie la classe majoritaire. C'est comme faire une salade équilibrée où tu ajoutes de nouveaux ingrédients mais t'assures que rien ne fane.

Après avoir essayé ces méthodes, on a remarqué que simplement suréchantillonner le groupe sous-représenté fonctionnait mieux que de mélanger différentes approches.

#Choix des Fonctions d'activation

En configurant notre CNN, on devait sélectionner des fonctions d'activation pour les couches cachées. Ces fonctions aident à décider quelles informations garder et lesquelles jeter. Pense à elles comme des videurs dans un club qui décident qui peut entrer selon les tenues qu'ils portent.

On a essayé différentes fonctions d'activation comme :

• ReLU (Unité Linéaire Rectifiée) : C'est une fonction simple qui aide les modèles à apprendre plus vite.

• SeLU (Unités Linéaires Exponentielles Échelonnées) : Celle-ci a un peu de peps et fonctionne bien dans des cas spécifiques.

• ELU (Unités Linéaires Exponentielles) : Cette fonction est super pour gérer des données avec des valeurs négatives.

• Swish : C'est un ajout plus récent qui tend à bien marcher pour diverses tâches.

• Leaky ReLU (LReLU) : Celle-là permet un petit gradient quand la sortie est inférieure à zéro, garantissant qu'aucune donnée n'est complètement ignorée.

Après nos expériences, on a découvert que Swish était la plus performante pour aider le modèle à apprendre à partir des données.

#Formation du Modèle

Une fois qu'on avait toutes nos données triées et prêtes, on les a divisées en ensembles d'Entraînement, de validation et de test. C'est comme se préparer pour un grand match - tu dois beaucoup t'entraîner, obtenir des retours, puis enfin, tester tes compétences sur le terrain.

On a utilisé une technique appelée "arrêt précoce", ce qui veut dire qu'on surveille le modèle pendant qu'il apprend, donc s'il commence à se suradapter (à devenir trop familier avec les données d'entraînement et à ne pas bien généraliser), on peut arrêter le processus d'apprentissage.

#Évaluation de la Performance du Modèle

Après avoir entraîné notre modèle, c'est l'heure de voir comment il a performé. On a regardé des métriques comme :

• Perte : Ça montre à quel point notre modèle prédit les résultats. Moins c'est mieux.

• Précision : Ça mesure à quelle fréquence notre modèle a raison.

• AUC (Aire sous la courbe des caractéristiques du récepteur) : Cette métrique aide à évaluer comment le modèle distingue ceux qui sont décédés de ceux qui ont survécu.

#Résultats et Conclusions

Après avoir traversé le processus d'entraînement et calculé les métriques, on a constaté que certaines méthodes fonctionnaient mieux que d'autres en termes de prédiction de mortalité.

Par exemple, la méthode de suréchantillonnage aléatoire a donné les pires résultats, tandis que les méthodes SMOTE et ADASYN ont produit les plus petites pertes. Cela signifie que simplement s'assurer qu'on avait assez de données sur ceux qui sont décédés a aidé notre modèle à mieux fonctionner.

Quant aux fonctions d'activation, on a découvert que Swish et ELU nous donnaient les meilleurs résultats. Cependant, il est essentiel de noter qu'il reste un défi d'obtenir que le modèle fonctionne bien avec des données non vues, même avec le meilleur modèle.

#Conclusion

Cette étude montre que l'utilisation d'un 1D-CNN sur le jeu de données ELSA est une approche prometteuse pour prédire les décès chez les personnes d'âge moyen et âgées en Angleterre. On a appris que gérer le déséquilibre dans nos données est crucial pour le succès. En créant des données synthétiques, on a pu améliorer nos prédictions.

À la fin, Swish s'est révélé être le meilleur parmi les fonctions d'activation. Bien que le chemin vers la prédiction de mortalité soit complexe et rempli de surprises, cette approche offre une étape vers une meilleure compréhension des résultats de santé de notre population vieillissante.

Alors la prochaine fois que tu entends parler d'un 1D-CNN, tu peux sourire, sachant que ce n'est pas juste du jargon scientifique, mais un outil qui pourrait aider à améliorer des vies - une base de données à la fois !