Machine Learning en Santé : Combinaison de Classifieurs pour Améliorer la Précision Diagnostique

Abstract

L'intégration de l'intelligence artificielle (IA) dans les systèmes de santé transforme en profondeur la pratique clinique. Cependant, le passage de modèles performants en laboratoire à des systèmes d'aide à la décision clinique (CDSS) robustes et déployables en conditions réelles se heurte souvent à des défis majeurs de généralisation, d'hétérogénéité des données et d'interprétabilité. L'apprentissage par ensemble (ensemble learning) constitue une solution scientifique robuste en combinant plusieurs classifieurs pour atténuer le surapprentissage, améliorer la stabilité prédictive et accroître la précision diagnostique sur des populations diverses. Cet article propose une synthèse des architectures d'ensemble adaptatives, en se concentrant sur le Clinical Predictive Fusion Network (CPFN) et le Jaya-optimized Stack Ensemble (JoSE). Leur pertinence clinique et leurs avantages techniques sont examinés dans le contexte de la République Démocratique du Congo (RDC), une nation confrontée à un paysage épidémiologique complexe marqué par des épidémies récurrentes (Ebola, choléra, rougeole, Mpox, paludisme), une charge croissante de maladies non transmissibles et de troubles mentaux, ainsi que des contraintes infrastructurelles significatives. Nous proposons un cadre national pour déployer ces modèles d'ensemble afin de créer des CDSS explicables, auditables et résilients , transformant ainsi les données en intelligence clinique actionnable pour améliorer les résultats en santé.