Work

Conceptualizing and evaluating the robustness of prediction models in healthcare

Year: 2026
Type: dissertation
Abstract: Conceptualiser et évaluer la robustesse des modèles de prédiction en santé Les modèles de prédiction basés sur les méthodes de machine learning en santé affichent souvent des performances prédictives élevées, portées par l'amélioration continue des architectures de modèles et l'intégration de diverses modalités de données. Toutefois, leur capacité à maintenir une performance fiable face à des perturbations, autrement dit leur robustesse, reste moins explorée. Le déploiement de ces modèles en routine clinique, où les perturbations sont fréquentes, sans tenir compte de leur robustesse peut entraîner de graves conséquences cliniques. À ce jour, aucun consensus clair n'existe quant à la définition des perturbations pertinentes pour évaluer la robustesse en santé, à la manière dont les différentes méthodes de machine learning y réagissent, ni aux stratégies de surveillance à mettre en place après le déploiement afin de détecter une dégradation des performances liée à de nouvelles perturbations. Premièrement, cette thèse présente une revue (scoping review) visant à identifier et synthétiser les diverses notions de perturbations utilisées dans la littérature pour évaluer la robustesse des modèles de prédiction en santé. Cette revue aboutit notamment à une classification de huit différents concepts de robustesse. Deuxièmement, sur la base de ce cadre conceptuel, nous évaluons empiriquement la robustesse de plusieurs algorithmes de prédiction face à divers types de perturbations. Plus précisément, à partir des bases de données MIMIC, regroupant des données cliniques issues de soins intensifs, nous évaluons la robustesse de différents modèles pour la prédiction du risque de mortalité hospitalière. Nous comparons un large éventail de méthodes, allant des modèles linéaires et des approches d'ensemble basées sur les arbres à des modèles de fondation récents reposant sur des architectures de type transformer adaptées aux données tabulaires. Les résultats mettent en évidence des propriétés de robustesse supérieures pour les modèles de fondation par rapport aux approches plus traditionnelles dans plusieurs scénarios de perturbation. Enfin, la thèse examine les enjeux liés à la phase post-déploiement. En s'inspirant de la pharmacovigilance, nous reprenons certains des principes établis pour la surveillance et la prévention des événements indésirables causés par l'utilisation de médicaments, et discutons de la manière dont ces concepts peuvent être adaptés à la surveillance post-déploiement des modèles de prédiction en santé.
Language: French
Open Access status: green
OpenAlex ID: W7216448051
Cites:
Cited by:
Related to: 9