Deep prediction of chronic diseases (Type 2 diabetes case)

Abstract

With the global rise in diabetes prevalence, early detection has become a crucial objective in medical research. Delayed diagnosis often leads to severe complications that could otherwise be prevented through timely intervention. In this context, artificial intelligence, particularly machine learning and deep learning, has emerged as a promising tool for the classification of diabetes based on clinical health indicators. In this study, we focused on the automatic classification of type 2 diabetes using structured numerical datasets containing various physiological and lifestyle-related features. We employed and evaluated multiple classification algorithms, both traditional and deep learning-based. After comparing their performance, we selected the most accurate models. Finally, we applied pre-processing strategies and optimization techniques to enhance model performance and address overfitting issues. The main objective was to achieve high accuracy and reliability in diabetes prediction, thereby supporting early intervention and improving patient outcomes============================================================================================Avec l’augmentation continue de la prévalence du diabète à l’échelle mondiale, le diagnostic précoce est devenu un enjeu essentiel pour prévenir les complications graves et améliorer la qualité de vie des patients. Dans ce contexte, les technologies modernes, notamment l’intelligence artificielle, offrent des solutions prometteuses. Dans ce travail, nous nous sommes concentrés sur la classification automatique du diabète de type 2 à partir de données numériques structurées, composées d’indicateurs de santé tels que les mesures physiologiques, les habitudes de vie, et d’autres variables pertinentes. Nous avons utilisé plusieurs modèles de classification, issus de l’apprentissage automatique et de l’apprentissage profond, afin d’évaluer leurs performances. Après avoir identifié les modèles les plus performants, nous les avons optimisés à l’aide d’algorithmes de prétraitement et d’optimisation dans le but d’améliorer leur précision et de réduire les problèmes de surapprentissage. L’objectif principal était d’atteindre une prédiction fiable et efficace, pouvant soutenir les professionnels de la santé dans la prise de décision clinique.