IA pour le Diabète de Type 1

Abstract

Cette thèse explore l'apport de l'Intelligence Artificielle (IA) dans la gestion du diabète de type 1 (DT1), à travers trois contributions principales. La première concerne les systèmes de recommandation de bolus d'insuline, c'est-à-dire les doses administrées avant les repas pour contrôler la glycémie postprandiale. Elle est illustrée par une approche hybride combinant le contrôle Run-to-Run (R2R) et le Case-Based Reasoning (CBR), visant à personnaliser les doses en fonction du profil de chaque patient. La deuxième contribution porte sur la prédiction à court terme de la glycémie à l'aide de modèles ensemblistes, le Gradient Boosting Regressor (GBR) et l'eXtreme Gradient Boosting Regressor (XGBR), dont la combinaison par moyenne pondérée améliore la robustesse des prédictions à différents horizons temporels (15, 30, 45 et 60 minutes). Enfin, la troisième contribution porte sur la prédiction des événements glycémiques indésirables (hypoglycémie et hyperglycémie), à un horizon de 30 minutes, en s'appuyant sur des réseaux de neurones à mémoire long court terme (LSTM), avec des modèles spécialisés selon les périodes de la journée (diurne et nocturne). Les résultats obtenus sont satisfaisants et confirment la capacité de l'IA à fournir des outils de gestion personnalisés, fiables et cliniquement utiles dans le cadre du DT1.