Etat de l'Art
Il existe de nombreuses techniques de Data Mining dont certaines sont utilisées dans le domaine de la santé.
Ces techniques se distinguent tantôt par leur capacité à formuler des "prédictions" après une phase d'apprentissage (réseaux de neurones, réseaux bayesiens, Machines à Vecteurs de Supports ...), tantôt par leur capacité à "classer" et à "expliquer" (arbres de décision, classifications, ACP...). Ces techniques sont la plupart du temps soumises à de nombreuses contraintes pratiques :
- mauvaise gestion des données manquantes,
- nécessité de prendre en compte un certain nombre de connaissances métier en amont de l'analyse,
- incapacité à explorer de manière simultanée des données qualitatives et quantitatives, limitation à un nombre réduit de dimensions ...
L'algorithme Q-Finder combine une capacité de prédiction au moins égale à ces techniques, et une description précise des conditions associées à ces prédictions, sans être soumis aux contraintes opérationnelles précitées.
