La dialyse péritonéale (DP) est une modalité de traitement pour les patients suivis pour insuffisance rénale chronique terminale (IRCT), offrant des soins personnalisés et une meilleure qualité de vie. Cependant, la perte de la technique reste un défi important, impactant les résultats pour les patients et nécessitant des interventions opportunes
Notre étude évalue les performances d’un modèle d'apprentissage automatique, notamment l'arbre de décision. En élucidant le potentiel de l'apprentissage automatique dans l'évaluation personnalisée des risques
Nous avons étudié l'efficacité des modèles d'apprentissage automatique (Machine Learning :ML) dans la prédiction de l'échec technique chez les patients en DP. Grâce à une revue exhaustive de la littérature et au développement d'algorithmes ML robustes, nous visons à améliorer la précision du pronostic et à faciliter la prise de décision éclairée dans les services de néphrologie.
Nous avons développé un modèle prédictif basé sur l'algorithme de l'arbre de décision (AD) pour anticiper l'échec de la technique chez les patients sous dialyse péritonéale (DP). Le modèle a atteint une précision de 57.14%, un rappel (sensibilité) de 66.67% et un score F1 de 61.48%, démontrant un équilibre satisfaisant entre précision et rappel dans la prédiction des échecs de technique. L'âge s'est révélé être le facteur le plus influent dans les prédictions, suivi des facteurs tels que : goutte, de l'IMC, du score de Charlson, de la néphropathie initiale et d'autres variables.
Les modèles prédictifs fournissent un support décisionnel aux cliniciens, prolongeant ainsi la survie de la technique de la DP et améliorant la qualité de vie des patients. En utilisant ces modèles, les cliniciens peuvent mieux orienter les patients vers le traitement le plus adapté, ce qui optimise l'allocation des ressources et améliore la qualité de vie
