RESEAUX DE NEURONES, APPRENTISSAGE AUTOMATIQUE OU STATISTIQUS DANS LES NOMOGRAMMES ?
Objectif : Les réseaux de neurones et l’apprentissage automatique tendent à remplacer les techniques statistique traditionnelles dans la construction des nomogrammes. Le but de cette étude était de comparer les performances en prédiction sur des données réelles issues de 3 séries de patients européens provenant de 3 population différentes.
Méthodes : 3 bases de données médicales ont été utilisées : cancer de prostate : 350 patients (1) ; essais cliniques sur l’hypertension artérielle : 1472 patients (2) ; poids de bébé à la naissance 198 patients (3). Ont été comparé: la régression logistique (RL), la méthode de segmentation C5.0 et les réseaux de neurones supervisés (RN). Les performances des modèles obtenues ont été évalués par l’analyse de: sensibilité, spécificité et taux de bien classés (TBC) pour chaque méthode en fonction de l’atteinte capsulaire(1) ; la réponse au traitement (2); et le poids des bébés à la naissance (limite à 2500g) (3).
Résultats:
Conclusion : Aucune méthode de prédiction n’est parfaitement fiable. Il faut choisir la technique de modélisation au cas par cas en fonction des séries de malade et des résultats recherchés : intelligibilité et compréhensibilité versus performances en prédiction.