Prédiction du Risque Cardiovasculaire et du Cholestérol LDL

Objectif du Projet

Ce projet a pour but de modéliser et de prédire les risques liés aux maladies cardiovasculaires à partir de dossiers médicaux. L'étude se divise en deux tâches principales d'apprentissage automatique :

1. Classification : Prédire le risque d'accident cardiaque (Heart_Disease_Risk) à partir des caractéristiques des patients.
2. Régression : Prédire le taux de "mauvais" cholestérol (Cholesterol_LDL) en fonction des autres variables cliniques et comportementales.

Récupération des données

Les données utilisées sont issues d'un jeu de données synthétiques de la plateforme Kaggle. Bien que synthétiques, elles respectent les heuristiques médicales et les corrélations réalistes (ex: relation entre âge, IMC et pression artérielle).

🔗 Télécharger le dataset Cardiovascular Disease Risk Prediction ici

Données

Le dataset contient les profils de 15 000 patients répartis sur 19 variables :

• Variables quantitatives : Âge, Taille, Poids, IMC, Pressions artérielles (Systolique/Diastolique), Cholestérol (Total, LDL, HDL), Glycémie à jeun, Heures de sommeil.
• Variables qualitatives : Genre, Statut tabagique, Consommation d'alcool, Niveau d'activité physique, Antécédents familiaux, Niveau de stress, Risque cardiaque (cible binaire).

Méthodologie

L'analyse s'articule autour d'une démarche complète en Data Science :

1. Analyse Exploratoire (EDA) : Étude uni/bi-dimensionnelle et Analyse en Composantes Principales (ACP) pour identifier les corrélations sous-jacentes.
2. Prétraitement : Nettoyage, encodage des variables qualitatives et standardisation.
3. Modélisation (Classification & Régression) : * Modèles linéaires (Régression Logistique / Linéaire, pénalisations Lasso/Ridge).
   • Machines à Vecteurs de Support (SVM / SVR).
   • Modèles ensemblistes (Arbres de décision, Random Forest, Gradient Boosting).
   • Réseaux de Neurones (Perceptron Multicouche).
4. Optimisation et Évaluation : Recherche d'hyperparamètres par validation croisée et évaluation finale sur un échantillon test (20% des données) via des métriques adaptées (Accuracy, AUC-ROC, RMSE).

Résultats Principaux (Classification du Risque Cardiaque)

• Performance : La Régression Logistique s'est imposée comme le modèle optimal, atteignant les meilleures performances (AUC-ROC > 0.80) face aux algorithmes "boîte noire" (Réseaux de neurones, Boosting) qui n'ont pas apporté de gain prédictif significatif sur ces données.
• Interprétabilité : Le tabagisme et les antécédents familiaux ont été isolés comme les principaux vecteurs de risque cardiovasculaire. À l'inverse, l'activité physique se distingue comme le facteur protecteur majeur.

Structure du projet

└── Projet_ML_Cardio/
    ├── notebook_Python.ipynb        # Modélisation et Machine Learning en Python
    ├── notebook_R.ipynb          # Modélisation et Machine Learning en R
    ├── ML-Project-4MA-2526.pdf      # Consignes et description du projet
    ├── dataset.csv                  # Jeu de données (à télécharger)
    └── README.md                    # Description du projet

## Authors
* **Oster Eliott**
* **Paulien-Camy Lucas**
* **Costadau Lila**
* **Fauli Lukas**
*Projet réalisé dans le cadre de la 4ème année au département GMM de l'INSA Toulouse.*