Date de l'évènement :
Lieu de l'évènement :
Référent :
Référent :
L’obtention d’un modèle statistique de prédiction d’un risque en santé (survenue d’une maladie donnée, d’un évènement péjoratif,…) est un objectif courant. Une finalité étant souvent de construire un score de risque implémenté dans un calculateur personnalisé. Un premier cadre historique est l’approche modélisatrice reposant sur un modèle de régression. Celle-ci permet d’avoir une certaine compréhension de la relation entre l’ensemble des variables prédictives qui sont retenues et la variable réponse. Un deuxième cadre vient de la révolution de la santé numérique derrière lequel se cachent également des avancées méthodologiques utilisant l’intelligence artificielle et les techniques d’apprentissage automatique. Ces approches utilisent des algorithmes informatiques pour apprendre à partir de données, pour aider à identifier des modèles dans les données et pour faire des prédictions. L’engouement pour ces approches algorithmiques vient de leur potentiel d’analyse de structures de données vastes et complexes pour créer des modèles de prédiction qui personnalisent le pronostic dans le but d’améliorer les résultats de santé individuels. Cependant, la compréhension exacte du fonctionnement prédictif de l’algorithme n’est pas toujours possible. Au cours de cet présentation nous reviendrons sur ces deux cadres pour insister sur le fait que, quelle que soit le cadre utilisé pour développer un modèle de prédiction du risque santé il convient de respecter une démarche structurée, transparente, robuste, validée rapportant les points clés des études en se basant sur des preuves scientifiques.
Mot clefs : risque ; causalité ; méthodes de prédictions ; intelligence artificielle ; standards
