Le diabète sucré, en particulier le diabète de type 2, constitue un défi de santé mondial croissant, avec une prévalence en hausse dans les pays à revenu faible et intermédiaire où l'accès aux services de diagnostic est limité. La détection précoce est essentielle, mais les méthodes de dépistage traditionnelles manquent souvent les personnes à risque.
Une étude récente publiée dans Scientific Reports (2025) a évalué des modèles d'apprentissage automatique pour classer le diabète à l'aide de prédicteurs sociodémographiques, comportementaux et cliniques. Les chercheurs ont analysé les données de l'Enquête nationale sur la santé et la nutrition (NHANES) de 2013 à 2018, incluant 9 096 participants.
L'étude a comparé plusieurs algorithmes, notamment la régression logistique, la forêt aléatoire et XGBoost. Le modèle de forêt aléatoire a obtenu la meilleure précision (0,80) et une aire sous la courbe ROC de 0,87, avec comme prédicteurs clés l'âge, le tour de taille et les taux de triglycérides.
Ces résultats suggèrent que l'apprentissage automatique peut identifier efficacement les personnes à risque de diabète à partir de données facilement disponibles, améliorant potentiellement le dépistage dans les environnements à ressources limitées. Les auteurs soulignent la nécessité d'une validation externe avant une mise en œuvre clinique.
