Intelligence artificielle et aide à la décision en santé publique : modélisation prédictive du recours à l'automédication dans la zone de santé de Masina 1, en République Démocratique du Congo

Résumé

Le recours à l'automédication constitue un enjeu majeur de santé publique dans les pays en développement, particulièrement dans les milieux urbains précaires où les contraintes économiques et l'accès limité aux soins favorisent cette pratique. Cette recherche vise à identifier les facteurs associés à son recours et à évaluer les performances de plusieurs algorithmes d'apprentissage automatique dans la zone de santé de Masina 1. Les données ont été collectées auprès de 423 chefs de ménage selon un échantillonnage stratifié à trois degrés. Trois modèles d’apprentissage supervisé ont été développé : la Régression Logistique, Random Forest et XGBoost. Les résultats montrent que le modèle XGBoost présente les meilleures performances avec une précision globale de 97,06 %, un indice Kappa de 0,9754 et une AUC de 0,988. L'analyse de l'importance des variables révèle que le revenu du ménage constituait la variable la plus contributive à la prédiction (17,13 %), suivi de la religion (11,05 %) et de l'âge du chef de ménage (7,43%). Cette recherche met en évidence l'intérêt des approches d'intelligence artificielle comme outil d'aide à la décision en santé publique, en permettant d'identifier les populations les plus exposées et d'orienter les stratégies de prévention et de sensibilisation de manière plus ciblée.