README.md

---
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

```python
# 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.*