Une étude internationale menée par RISE-Health a démontré que des modèles statistiques simples peuvent être plus efficaces que des algorithmes avancés dans la prédiction du risque cardiovasculaire. La recherche a comparé 11 méthodes distinctes d'apprentissage automatique et de régression régularisée.
Les chercheurs ont analysé différentes approches pour évaluer laquelle parvenait à prédire avec la plus grande précision le risque cardiovasculaire des patients. Les résultats indiquent que les techniques de régression régularisée ont obtenu des performances supérieures ou équivalentes aux méthodes d'apprentissage automatique plus complexes.
Cette étude remet en question la croyance largement répandue selon laquelle les algorithmes plus sophistiqués sont nécessairement plus précis en médecine prédictive. La recherche suggère que la simplicité des modèles statistiques traditionnels peut être suffisante, et même avantageuse, dans certains contextes cliniques.
Les résultats ont des implications importantes pour la pratique médicale, étant donné que les méthodes plus simples tendent à être plus interprétables, plus faciles à mettre en œuvre et moins coûteuses que les solutions basées sur l'intelligence artificielle plus complexes.
