Early Stage Diabetes Risk Prediction 🩺

ML Classification · HELMo 2026

Maxime & Emir

#machine-learning #diabetes-prediction #healthcare #classification #scikit-learn #nested-cross-validation #shap #fairness

---

Prédiction du risque de diabète précoce à partir de symptômes cliniques, avec nested cross-validation, pipeline scikit-learn, et zéro data leakage.

Projet académique — HELMo 2026, Maxime & Emir.

---

Dataset

data/diabetes_data_upload.csv : 520 patients, Sylhet Diabetes Hospital (Bangladesh, 2020).
Après déduplication : 251 observations uniques, 16 features (1 numérique, 15 catégorielles binaires).

Champ	Description
Age	Âge du patient
Gender	Homme / Femme
Polyuria	Urination excessive
Polydipsia	Soif excessive
sudden weight loss	Perte de poids soudaine
weakness	Faiblesse générale
Polyphagia	Faim excessive
Genital thrush	Mycose génitale
visual blurring	Vision floue
Itching	Démangeaisons
Irritability	Irritabilité
delayed healing	Cicatrisation lente
partial paresis	Paralysie partielle
muscle stiffness	Raideur musculaire
Alopecia	Perte de cheveux
Obesity	Obésité
class	Target : Positif / Négatif

---

Objectif

Construire un pipeline de classification supervisée avec validation croisée imbriquée (nested cross-validation) et zéro fuite de données.

Trois algorithmes. Une évaluation rigoureuse. Un modèle documenté.

---

Algorithmes comparés

Modèle	Rôle
LogisticRegression (elastic-net, saga)	Baseline interprétable : odds ratios directement lisibles
RandomForestClassifier	Non-linéaire, robuste aux features binaires, feature importance native
HistGradientBoostingClassifier	Boosting tabulaire performant : support natif de class_weight et des NaN

HistGradientBoosting préféré à GradientBoosting pour ses performances, son support de class_weight et la gestion native des NaN.

---

Résultats (nested CV, estimation non biaisée)

Métrique	Logistic Regression	Random Forest	HistGradientBoosting
ROC AUC	0.950 ± 0.012	0.977 ± 0.016	0.958 ± 0.019
Recall (Positive)	0.833 ± 0.089	0.926 ± 0.069	0.914 ± 0.048
F1 (Positive)	0.874 ± 0.036	0.929 ± 0.025	0.932 ± 0.022

Random Forest retenu comme modèle de référence. Bootstrap apparié confirme son avantage significatif sur la régression logistique ; HistGradientBoosting est statistiquement indistinguable.

Analyse détaillée dans le notebook : baseline heuristique clinique, bootstrap apparié, interprétabilité (SHAP), fairness par genre avec ablation sans Gender, calibration, seuil F2, ablation de la déduplication.

---

Structure

├── data/
│   └── diabetes_data_upload.csv
├── notebooks/
│   ├── eda.ipynb
│   └── diabetes_final.ipynb      # Notebook principal
├── reports/
│   ├── eda_analysis.md
│   ├── model_card.md             # Model Card du modèle retenu
│   └── results.md
├── consignes.md
├── requirements.txt
├── assets/hero.png
└── .gitignore

---

Usage

pip install -r requirements.txt
jupyter notebook notebooks/diabetes_final.ipynb

Ré-exécution complète en quelques minutes sur un CPU récent. Graine fixée à 42 : résultats identiques à chaque run (scikit-learn 1.9).

---

Livrables

Livrable	Emplacement
Notebook principal	notebooks/diabetes_final.ipynb
Model Card	reports/model_card.md
Résultats détaillés	reports/results.md
Analyse exploratoire	notebooks/eda.ipynb + reports/eda_analysis.md

---

Stack

Python · scikit-learn · pandas · numpy · scipy · matplotlib · seaborn · shap

---

Contributing

Resource	Description
CONTRIBUTING.md	Setup, workflow, PR process
CODE_OF_CONDUCT.md	Community standards
SECURITY.md	Vulnerability reporting
LICENSE	MIT — free to use, modify, distribute

---

Early Stage Diabetes Risk Prediction — De la clinique aux prédictions, rigoureusement.