Modèle d’apprentissage par ensemble basé sur le double stacking pour la prédiction du syndrome métabolique

Abstract

Le syndrome métabolique est un problème majeur de santé publique en raison de son association avec les maladies cardiovasculaires, les accidents vasculaires cérébraux et le diabète de type 2. Cette étude propose un modèle de prédiction fondé sur une architecture Double Stacking appliquée aux données NHANES 1998-2018. La méthodologie comprend le prétraitement des variables démographiques, cliniques et biologiques, l’entraînement de plusieurs classifieurs de base, puis leur combinaison hiérarchique par deux niveaux successifs de méta-apprentissage. Les résultats montrent que le modèle proposé améliore la robustesse de la prédiction et atteint une accuracy de 91,25 %, un F1-score de 86,18 % et une ROC-AUC de 0,959. Ces performances indiquent que le Double Stacking constitue une approche prometteuse pour la détection précoce du syndrome métabolique.

Metabolic syndrome is a major public health issue because of its strong association with cardiovascular disease, stroke, and type 2 diabetes. This study proposes a predictive model based on a Double Stacking architecture using NHANES 1998-2018 data. The methodology includes preprocessing demographic, clinical, and biological variables, training several base classifiers, and combining them through two successive meta-learning levels. The results show that the proposed model improves predictive robustness and reaches an accuracy of 91.25%, an F1-score of 86.18%, and a ROC-AUC of 0.959. These findings suggest that Double Stacking is a promising approach for the early prediction of metabolic syndrome.