Le diabète représente un enjeu majeur de santé publique au Mali, où de nombreux cas ne sont pas diagnostiqués, ce qui favorise des complications graves et coûteuses. Cette étude propose un système interprétable, adapté au contexte africain, capable de prédire trois niveaux de risque diabétique (faible, modéré ou élevé) à partir de données cliniques simples. Les auteurs mobilisent notamment une segmentation non supervisée par KMeans, plusieurs modèles de classification et des méthodes d’interprétation des prédictions. Après optimisation et rééquilibrage des classes, le modèle XGBoost obtient la meilleure performance, avec une Balanced Accuracy de 0,88. Les variables les plus influentes sont la glycémie, l’indice de masse corporelle et l’âge. Ces résultats montrent la faisabilité d’un outil prédictif et interprétable destiné aux structures de santé communautaires.