 | Voici un résumé en français des travaux : La pharmacoépidémiologie repose encore souvent sur des modèles statistiques conventionnelles, comme la régression logistique, pour prédire des issues liées aux médicaments. Avec l’essor de l’intelligence artificielle, une question émerge: les méthodes de machine learning (ML) apportent-elles un réel avantage? Pour y répondre, nous avons réalisé la plus vaste revue systématique sur le sujet. Parmi plus de 9100 études, 65 ont été retenues, couvrant 83 objectifs prédictifs et 197 comparaisons entre ML et régression logistique. Nous avons ensuite mené des méta-analyses et des network meta-analyses pour comparer leurs performances. Les résultats montrent que, dans 84 % des cas, au moins une méthode de ML dépasse les modèles statistiques conventionnelles, mais l’avantage reste bien modeste: environ 7% d’amélioration. Les algorithmes les plus performants proviennent surtout de la famille des méthodes boosted, comme GBM et XGBoost.
L’étude souligne également une forte variabilité méthodologique dans les travaux comparatifs, rappelant l’importance d’une meilleure rigueur et transparence. |
