Artificial Intelligence for diabetes disease / Mohamed El Amine Ajissa

Public ISBD Titre : Artificial Intelligence for diabetes disease Type de document : document électronique Auteurs : Mohamed El Amine Ajissa ; Abdelmounaim Cheraga, Auteur ; Kara-Mohamed ,Chafia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (82 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Diabetes Artificial Intelligence Machine Learning Deep Learning Neural Networks Random Forest Insulin Dose Prediction PIMA Dataset Blood Glucose Ratio Test Index. décimale : 004 Informatique Résumé : This project presents an intelligent diabetes prediction and insulin dose estimation system, integrating artificial intelligence techniques to improve diabetes management. Based on the Indian PIMA diabetes database and medical recommendations, the system uses a neural network for binary classification (diabetic or non-diabetic) and a Random Forest regressor to calculate daily insulin doses (bolus and basal). The user-friendly interface, developed with Streamlit, allows both patients and practitioners to interact with the system. Clinical validation is carried out by a ratio test to assess the adequacy of insulin doses based on glycemic stability. The results confirm the reliability of the system and its potential to support early diagnosis and personalized treatment strategies, thus contributing to better health outcomes for diabetic patients. It achieves an accuracy of 77.92% and an precision of 70.59%, confirming its effectiveness for early diagnosis and treatment personalization. Note de contenu : Sommaire General Introduction 11 1 Overview of Diabetes 14 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2 Definition of Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.1 Types of Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.2 Prevalence of Diabetes . . . . . . . . . . . . . . . . . . . . . . 16 1.2.3 Symptoms of Diabetes . . . . . . . . . . . . . . . . . . . . . . 17 1.2.4 Diagnosis of Diabetes . . . . . . . . . . . . . . . . . . . . . . 18 1.2.5 Risk Factors for Diabetes . . . . . . . . . . . . . . . . . . . . 18 1.2.6 Diabetes treatment . . . . . . . . . . . . . . . . . . . . . . . . 19 1.3 Insulin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.3.1 Production of Insulin . . . . . . . . . . . . . . . . . . . . . . . 20 1.3.2 Function of Insulin . . . . . . . . . . . . . . . . . . . . . . . . 21 1.3.3 Types of insulin . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.3.4 Types of Insulin Delivery . . . . . . . . . . . . . . . . . . . . . 22 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2 Machine and Deep Learning 24 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2 Artificial intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . . . 25 2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . 26 2.4.3 Semi-supervised learning . . . . . . . . . . . . . . . . . . . . . 27 2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 27 2.5 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 27 2.6 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Deep Learning Principle . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.8 Difference between Machine Learning and Deep Learning . . . . . . . 30 2.9 Artificial neural networks (ANN) . . . . . . . . . . . . . . . . . . . . 32 2.10 Applications of Deep Learning . . . . . . . . . . . . . . . . . . . . . . 33 2.11 Research on diabetes prediction using machine learning methods . . . 34 2.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3 System Description and Results 36 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2 Tools and Technologie and libraries we used in our project . . . . . . 37 3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2.2 Development modules . . . . . . . . . . . . . . . . . . . . . . 38 3.3 System Development Plan . . . . . . . . . . . . . . . . . . . . . . . . 43 3.4 The proposed prediction system . . . . . . . . . . . . . . . . . . . . . 44 3.4.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . 44 3.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.5 Model training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.5.1 Classification Model Training: Artificial Neural Network (ANN) 53 3.5.2 Regression Model Training: Random Forest . . . . . . . . . . 54 3.6 Evaluation of models . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.6.1 Performance Evaluation Metrics for the ANN Model . . . . . 55 3.6.2 Evaluation of Regression Models . . . . . . . . . . . . . . . . . 58 3.6.3 Prédictions vs. Valeurs Réelles . . . . . . . . . . . . . . . . . . 59 3.7 Interfaces of the Developed System . . . . . . . . . . . . . . . . . . . 61 3.7.1 Real test with our system . . . . . . . . . . . . . . . . . . . . 62 3.8 Ratio experience evaluation . . . . . . . . . . . . . . . . . . . . . . . 64 3.9 Real test with ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 General Conclusion 77 Côte titre : MAI/1003 Artificial Intelligence for diabetes disease [document électronique] / Mohamed El Amine Ajissa ; Abdelmounaim Cheraga, Auteur ; Kara-Mohamed ,Chafia, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (82 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Diabetes Artificial Intelligence Machine Learning Deep Learning Neural Networks Random Forest Insulin Dose Prediction PIMA Dataset Blood Glucose Ratio Test Index. décimale : 004 Informatique Résumé : This project presents an intelligent diabetes prediction and insulin dose estimation system, integrating artificial intelligence techniques to improve diabetes management. Based on the Indian PIMA diabetes database and medical recommendations, the system uses a neural network for binary classification (diabetic or non-diabetic) and a Random Forest regressor to calculate daily insulin doses (bolus and basal). The user-friendly interface, developed with Streamlit, allows both patients and practitioners to interact with the system. Clinical validation is carried out by a ratio test to assess the adequacy of insulin doses based on glycemic stability. The results confirm the reliability of the system and its potential to support early diagnosis and personalized treatment strategies, thus contributing to better health outcomes for diabetic patients. It achieves an accuracy of 77.92% and an precision of 70.59%, confirming its effectiveness for early diagnosis and treatment personalization. Note de contenu : Sommaire General Introduction 11 1 Overview of Diabetes 14 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2 Definition of Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.1 Types of Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.2.2 Prevalence of Diabetes . . . . . . . . . . . . . . . . . . . . . . 16 1.2.3 Symptoms of Diabetes . . . . . . . . . . . . . . . . . . . . . . 17 1.2.4 Diagnosis of Diabetes . . . . . . . . . . . . . . . . . . . . . . 18 1.2.5 Risk Factors for Diabetes . . . . . . . . . . . . . . . . . . . . 18 1.2.6 Diabetes treatment . . . . . . . . . . . . . . . . . . . . . . . . 19 1.3 Insulin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.3.1 Production of Insulin . . . . . . . . . . . . . . . . . . . . . . . 20 1.3.2 Function of Insulin . . . . . . . . . . . . . . . . . . . . . . . . 21 1.3.3 Types of insulin . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.3.4 Types of Insulin Delivery . . . . . . . . . . . . . . . . . . . . . 22 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2 Machine and Deep Learning 24 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2 Artificial intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . . . 25 2.4 Types of machine learning . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . 26 2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . 26 2.4.3 Semi-supervised learning . . . . . . . . . . . . . . . . . . . . . 27 2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . 27 2.5 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . 27 2.6 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Deep Learning Principle . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.8 Difference between Machine Learning and Deep Learning . . . . . . . 30 2.9 Artificial neural networks (ANN) . . . . . . . . . . . . . . . . . . . . 32 2.10 Applications of Deep Learning . . . . . . . . . . . . . . . . . . . . . . 33 2.11 Research on diabetes prediction using machine learning methods . . . 34 2.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3 System Description and Results 36 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2 Tools and Technologie and libraries we used in our project . . . . . . 37 3.2.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2.2 Development modules . . . . . . . . . . . . . . . . . . . . . . 38 3.3 System Development Plan . . . . . . . . . . . . . . . . . . . . . . . . 43 3.4 The proposed prediction system . . . . . . . . . . . . . . . . . . . . . 44 3.4.1 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . 44 3.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.5 Model training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.5.1 Classification Model Training: Artificial Neural Network (ANN) 53 3.5.2 Regression Model Training: Random Forest . . . . . . . . . . 54 3.6 Evaluation of models . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.6.1 Performance Evaluation Metrics for the ANN Model . . . . . 55 3.6.2 Evaluation of Regression Models . . . . . . . . . . . . . . . . . 58 3.6.3 Prédictions vs. Valeurs Réelles . . . . . . . . . . . . . . . . . . 59 3.7 Interfaces of the Developed System . . . . . . . . . . . . . . . . . . . 61 3.7.1 Real test with our system . . . . . . . . . . . . . . . . . . . . 62 3.8 Ratio experience evaluation . . . . . . . . . . . . . . . . . . . . . . . 64 3.9 Real test with ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 General Conclusion 77 Côte titre : MAI/1003

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1003	MAI/1003	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)