Performance Du Traitement Des Epidemiologies Par Effets De Simulation Et Data Mining

Résumé: La modélisation et simulation ont émergé comme outils de base pour le suivi épidémiologique, la prévention et la prise de décision. Cependant, concevoir un modèle prédictif optimal est une tâche des plus complexes. En effet, les systèmes épidémiologiques ont la particularité d’être décrits par un ensemble massif de composants en interaction continue et dont le comportement est dynamique et complexe. Ce qui engendre une quantité de données et de connaissances qu’il est impossible à l’être humain d’en extraire les éléments clés. Ainsi, identifier les structures appropriées et les paramètres déterminants reste à ce jour, un facteur majeur de confusion pour les épidémiologistes et les modélisateurs. Dans ce contexte de données épidémiologiques larges et souvent bruitées, la fouille de données se trouvent être des techniques effectives pour l’extraction de connaissances pertinentes. Nous présentons dans cette thèse une approche de conception des modèles prédictifs optimaux en utilisant conjointement : les outils de modélisation et simulation et les techniques de fouille de données. Notre travail est principalement guidé par : la modélisation et la simulation par les algèbres des processus, Bio-PEPA ; la fouille de données par les arbres de décisions, les règles d’association et la segmentation. Notre approche s’applique à deux exemples épidémiques réels : la tuberculose en Algérie et les oreillons en Grande Bretagne.

Publié dans la revue: