Diabetes Health Indicators est un ensemble de données analytiques complet en matière de santé et de médecine, conçu pour soutenir la prédiction des risques de diabète, la recherche en santé publique et la modélisation par apprentissage automatique.

Cet ensemble de données contient 31 champs relatifs au diabète, couvrant quatre grandes catégories de variables : caractéristiques démographiques, mode de vie, antécédents médicaux et indicateurs cliniques. Chaque enregistrement représente le profil de santé d’un individu, intégrant ses attributs démographiques, ses habitudes de vie, ses antécédents médicaux familiaux et ses mesures physiologiques, fournissant ainsi une base de données complète pour la modélisation multidimensionnelle de la santé. L’ensemble de données a fait l’objet d’un prétraitement complet, présente une structure standardisée et une distribution équilibrée, répond aux normes de validation clinique et peut être utilisé directement pour l’analyse de la recherche scientifique et l’entraînement de modèles.

Principaux domaines :

• Les informations démographiques, telles que l'âge, le sexe, la race, le niveau d'éducation, la catégorie de revenu et le type de profession, sont utilisées pour analyser les disparités en matière de santé.
• Les caractéristiques liées au mode de vie, telles que le tabagisme, la consommation d'alcool, la qualité de l'alimentation, les habitudes de sommeil et la fréquence de l'exercice physique, sont utilisées pour évaluer l'impact des comportements liés au mode de vie sur le risque de diabète.
• Informations relatives aux antécédents médicaux : antécédents familiaux de prédisposition génétique, d’hypertension, de maladies cardiovasculaires, etc., afin d’améliorer l’interprétabilité médicale du modèle.
• Des indicateurs de mesure clinique tels que l'indice de masse corporelle (IMC), la pression artérielle, le cholestérol, les triglycérides, la glycémie à jeun et postprandiale, les niveaux d'insuline et l'hémoglobine glyquée (HbA1c) sont utilisés pour quantifier l'état physiologique et la progression de la maladie.
• Les variables cibles comprennent le diagnostic de diabète (si le patient est atteint de la maladie) et le stade de la maladie (prédiabète, type 1, type 2), qui peuvent être utilisés pour des tâches de modélisation de classification binaire ou multiclasse.