README.md

metadata

title: Réseau Bayésien - Évaluation d'Autonomie
emoji: 🧠
colorFrom: blue
colorTo: green
sdk: streamlit
sdk_version: 1.28.0
app_file: app.py
pinned: false
license: mit

🧠 Réseau Bayésien pour l'Évaluation d'Autonomie

Une application interactive utilisant un réseau bayésien complet pour évaluer l'autonomie des personnes âgées et générer des recommandations personnalisées.

🎯 Fonctionnalités

📊 Analyse Probabiliste

• 12 variables interconnectées modélisant l'autonomie
• Inférence bayésienne pour calculer les probabilités d'autonomie
• Variables actionnables vs non-actionnables clairement distinguées

🎯 Recommandations Personnalisées

• Analyse du profil individuel (âge, sexe, éducation, activité physique, IMC)
• Suggestions d'interventions basées sur l'impact probabiliste
• Priorités et pourcentages d'amélioration quantifiés

💊 Analyse d'Interventions

• Comparaison avant/après intervention
• Impact quantifié des changements de comportement
• Visualisations interactives des probabilités

📈 Facteurs Influents

• Classement des variables par ordre d'impact
• Identification des leviers d'action les plus efficaces
• Métriques d'influence basées sur les différences probabilistes

🌐 Visualisation Interactive

• Graphique D3.js du réseau bayésien
• Nœuds colorés par catégorie (démographique/actionnable/intermédiaire/résultat)
• Navigation par glisser-déposer pour explorer la structure

🏗️ Architecture Technique

Réseau Bayésien Complet - 12 Variables

Variables Non-Actionnables (3)

• Age : 4 catégories (60-69, 70-79, 80-89, 90+)
• Sex : 2 catégories (male, female)
• Education_Level : 3 catégories (primary/secondary/higher)

Variables Actionnables (5)

• Physical_Activity : 4 niveaux (sedentary → high)
• BMI_Category : 4 catégories (underweight_normal → obese_severe)
• Smoking_Status : 3 catégories (never, former, current)
• Social_Support : 3 niveaux (poor → good)
• Social_Engagement : 3 niveaux (low → high)

Variables Intermédiaires (3)

• Physical_Frailty : 3 états (robust → frail)
• Cognitive_Function : 3 états (normal → severe_impairment)
• Depression : 3 niveaux (absent_mild → severe)

Variable de Résultat (1)

• Global_Autonomy : 4 états (autonomous → heavily_dependent)

Dépendances Causales - 22 Arcs

Le réseau modélise les relations causales complexes entre :

• Facteurs démographiques → Variables actionnables
• Variables actionnables → États intermédiaires
• États intermédiaires → Autonomie globale

📚 Base Scientifique

Le modèle s'appuie sur la littérature gériatrique pour :

• Tables de probabilités basées sur des études épidémiologiques
• Relations causales validées par la recherche clinique
• Variables d'intervention issues des recommandations de santé publique

Facteurs d'Influence Principaux

1. Social_Support (29.9% d'influence) - Réseau de soutien familial/communautaire
2. Social_Engagement (19.4%) - Participation aux activités sociales
3. Physical_Activity (19.3%) - Niveau d'exercice physique
4. Smoking_Status (6.5%) - Statut tabagique
5. BMI_Category (4.8%) - Catégorie de poids corporel

🚀 Utilisation

Interface Web - 7 Pages Interactives

1. 🏠 Accueil - Démonstrations avec scénarios comparatifs
2. 📊 Structure du Réseau - Vue d'ensemble du modèle (12 nœuds, 22 arcs)
3. 🌐 Visualisation D3.js - Graphique interactif force-directed
4. 🔍 Inférence - Calculs probabilistes personnalisés
5. 💊 Analyse d'Intervention - Comparaisons avant/après changements
6. 📈 Facteurs Influents - Classement des variables par impact
7. 📋 Recommandations - Conseils personnalisés avec profils complets

Exemple d'Utilisation

# Profil à risque élevé
profile = {
    'Age': 'age_80_89',
    'Sex': 'male',
    'Education_Level': 'primary_or_below',
    'Physical_Activity': 'sedentary',
    'BMI_Category': 'obese_severe'
}

# Résultat: 27.8% de probabilité d'autonomie
# Recommandation #1: Développer le soutien social (+12.1%)
# Recommandation #2: Augmenter l'engagement social (+7.4%)

🛠️ Technologies

• Backend : Python, pgmpy (réseaux bayésiens)
• Frontend : Streamlit, Plotly (visualisations)
• Visualisation : D3.js (graphiques interactifs)
• Déploiement : Hugging Face Spaces

📊 Métriques de Performance

• Temps d'inférence : <100ms par calcul
• Précision probabiliste : Tables complètes pour toutes combinaisons
• Couverture : 12 variables × 22 relations causales
• Robustesse : Gestion des profils incomplets

🎓 Applications

Recherche Clinique

• Identification des facteurs de risque majeurs
• Évaluation d'interventions préventives
• Stratification de populations âgées

Santé Publique

• Programmes de prévention ciblés
• Allocation de ressources basée sur l'evidence
• Politiques de vieillissement en santé

Pratique Clinique

• Outil d'aide à la décision gériatrique
• Évaluation gérontologique standardisée
• Planification de soins personnalisés

---

Application développée avec Claude Code - Interface intelligente pour l'analyse bayésienne de l'autonomie.