Data Challenge 2 : Prédiction des exacerbations de l'asthme

Projet académique de M1 combinant modélisation prédictive et génération de données synthétiques sur un jeu de données de patients asthmatiques.

---

Objectif

Prédire le nombre d'exacerbations d'asthme dans l'année suivant le début d'un traitement (post_index_exacerbations365), à partir de variables cliniques, démographiques et économiques pré-index.

Une seconde problématique porte sur la confidentialité des données médicales : générer des données synthétiques via la méthode Avatar qui préservent les propriétés statistiques tout en garantissant la vie privée des patients.

---

Structure du projet

├── Data/
│   ├── trainDataDC2.csv.gz          # Jeu de données (2 089 patients)
│   └── description_variables.md     # Dictionnaire des variables
├── notebook/
│   ├── Projet0/   EDA.ipynb         # Analyse exploratoire
│   ├── Projet1/                     # Méthodes d'ensemble (bagging, boosting, forêt aléatoire)
│   ├── Projet2/                     # Modèles de régression
│   └── Projet3/                     # Génération de données synthétiques (méthode Avatar)
├── Note/                            # Notes de recherche (markdown)
├── docs/                            # Visualisations
├── models/
│   └── final_model.pkl              # Modèle final sérialisé
└── outputs/                         # Fichiers de prédictions CSV

---

Données

Variable	Description
index_age	Âge du patient au début du traitement
female	Sexe féminin (0/1)
acute_bronchitis, gerd, rhinitis, …	Comorbidités pré-index (binaires)
total_pre_index_cannisters_365	Nombre de bonbonnes SABA utilisées (proxy de sévérité)
pre_asthma_days	Jours de traitement antiasthmatique
pre_asthma_charge, log_asthma_charge	Coûts de santé liés à l'asthme
total_pre_index_charge, log_charges	Coûts totaux pré-index
post_index_exacerbations365	Variable cible : exacerbations dans l'année suivante

---

Phases du projet

Projet 0 : Analyse exploratoire (EDA)

Distribution des variables, corrélations, valeurs manquantes, déséquilibre de classes.

Projet 1 : Méthodes d'ensemble

Comparaison de Bagging, Boosting (XGBoost) et Forêt aléatoire pour la prédiction d'exacerbations.

Projet 2 : Régression

Modèles de régression linéaires et non linéaires, avec gestion du déséquilibre et optimisation des hyperparamètres (Optuna).

Projet 3 : Données synthétiques (méthode Avatar)

Génération de patients synthétiques préservant les propriétés statistiques du jeu original, évalués sur des métriques de confidentialité :

• DCR (Distance to Closest Record)
• NNDR (Nearest Neighbour Distance Ratio)
• Local cloaking & hidden rate

Référence : Guillaudeux et al. 2023 : Patient-centered synthetic data generation

---

Stack technique

• Python 3.12 : gestionnaire de paquets : uv
• ML : scikit-learn, XGBoost, imbalanced-learn, Optuna
• Data : pandas, polars, numpy
• Stats : statsmodels, scipy
• Visualisation : seaborn, altair, plotly
• Réduction de dimension : prince (MCA / PCA)

---

Lancer le projet

# Installer les dépendances
uv sync

# Lancer Jupyter
uv run --with notebook jupyter notebook --notebook-dir=notebook

---

Équipe

Projet réalisé en groupe dans le cadre du Master 1 : S2.

• Groupe 3 : Abdo, Louise, Flora
• Groupe 5 : Abdo, Talha, Flora