La multimorbidité, c'est-à-dire la présence d'au moins deux maladies chroniques, est de plus en plus répandue au Canada, touchant environ 37 % des adultes âgés de 35 ans et plus, ce qui exerce une pression croissante sur les systèmes de santé. Sa complexité rend la recherche sur une seule maladie inadéquate et souligne la nécessité de mener des recherches sur la prédiction de la multimorbidité et la sélection de variables afin d'identifier les personnes à haut risque, d'orienter la prévention ciblée et d'améliorer la planification des soins de santé. Cette étude vise à développer un réseau neuronal régularisé basé sur les données pour la prédiction de la multimorbidité, en intégrant explicitement des approches robustes de sélection des variables et un traitement systématique des données manquantes dans le pipeline de modélisation afin d'améliorer la précision des prédictions et la fiabilité des modèles à l'aide des données de l'ESCC. Le modèle proposé sera comparé aux méthodes statistiques et d'apprentissage automatique existantes. Cette approche pourrait aider à identifier rapidement et précisément les personnes présentant un risque plus élevé de multimorbidité, ce qui favoriserait une prévention ciblée et une meilleure planification du système de santé.