Key points are not available for this paper at this time.
Dix pour cent des données du monde ont été générées au cours des 5 dernières années (Apprentissage automatique : le pouvoir et la promesse des ordinateurs qui apprennent par exemple. Rapport n° DES4702. publié en avril 2017. Royal Society). Une petite fraction de ces données est collectée dans le but de valider des hypothèses spécifiques. Ces études sont menées par le développement de modèles mécaniques axés sur la causalité des relations d'entrée-sortie. Cependant, la grande majorité vise à soutenir des études statistiques ou de corrélation qui contournent la nécessité de causalité et se concentrent exclusivement sur la prédiction. Dans ce sens, il y a eu une vaste augmentation de l'utilisation de modèles d'apprentissage automatique, en particulier dans les sciences biomédicales et cliniques, pour essayer de garder le rythme avec le taux de génération de données. Les succès récents posent désormais la question de savoir si les modèles mécaniques sont encore pertinents dans ce domaine. En d'autres termes, pourquoi devrions-nous essayer de comprendre les mécanismes de la progression de la maladie lorsque nous pouvons utiliser des outils d'apprentissage automatique pour prédire directement le résultat de la maladie ?
Baker et al. (Mar,) ont étudié cette question.