Testez vos connaissances avant le webinaire“L’intelligence Artificielle en Santé”

Company

This field is for validation purposes and should be left unchanged.

Nom*

Prenom*

Votre Centre*

Quelle affirmation décrit le mieux la relation entre Intelligence Artificielle (IA) et Machine Learning (ML) ?*

A. Le Machine Learning est un sous-ensemble de l’Intelligence Artificielle

B. L’Intelligence Artificielle est un sous-ensemble du Machine Learning

C. Le Machine Learning et l’IA sont deux termes équivalents

D. Le Machine Learning correspond uniquement aux réseaux de neurones

E. Le Machine Learning est une méthode statistique indépendante de l’IA

Quelle affirmation décrit le mieux le Deep Learning ?*

A. Il s’agit d’un synonyme de Machine Learning

B. Il correspond à des modèles utilisant plusieurs couches de réseaux de neurones

C. Il s’agit d’une méthode d’apprentissage non supervisé

D. Il ne peut être utilisé que pour l’analyse d’images

E. Il ne nécessite pas de phase d’entraînement

Quelle est la caractéristique principale d’un modèle non supervisé ?*

A. Il prédit un événement clinique

B. Il estime un effet causal

C. Il identifie des structures ou des groupes dans les données

D. Il nécessite une variable cible

E. Il produit toujours une probabilité de risque

Vous souhaitez identifier des phénotypes de patients dans une cohorte de patients transplantés cardiaques. Pourquoi utiliser une analyse en archétypes plutôt qu’un clustering classique ?*

A. Les archétypes identifient les profils moyens

B. Les archétypes identifient les profils extrêmes dans l’espace des données

C. Les archétypes nécessitent moins de données

D. Les archétypes permettent d’estimer un risque individuel

E. Les archétypes permettent d’estimer une causalité

Dans une étude, un biomarqueur est fortement associé aux infections fongiques (HR = 2,3 ; p < 0,001). Cependant, lorsqu’il est ajouté à un modèle prédictif existant, la performance du modèle ne change pas. Quelle est l’explication la plus probable ?*

A. Le biomarqueur n’est pas réellement associé à l’événement

B. Le biomarqueur n’est pas causal

C. L’étude manque de puissance statistique

D. Le modèle est surappris

E. L’information apportée est déjà capturée par d’autres variables du modèle

Une étude développe un modèle pour prédire la perte du greffon après transplantation. Dans le modèle final, certaines variables incluses ne sont pas statistiquement associées au critère de jugement (p > 0,05). Quelle affirmation est la plus correcte ?*

A. Ces variables devraient être retirées car elles ne sont pas associées à l’évènement

B. Dans un modèle prédictif, une variable peut améliorer la prédiction même si elle n’est pas significativement associée

C. Les variables non significatives indiquent que le modèle est surappris

D. Les variables incluses dans un modèle prédictif doivent toujours être significatives

E. Les variables non significatives indiquent une erreur dans l’analyse

Un modèle validé estime chez un patient un risque de décès à 5 ans de 60 %. Quelle interprétation est la plus correcte ?*

A. Le patient a exactement 60 % de probabilité de décès

B. Environ 60 % des patients ayant un profil similaire décèderont à 5 ans

C. Le modèle indique que le décès est probable chez ce patient (≈60 %)

D. Le risque réel du patient est très proche de 60 %

E. Le patient décèdera si la probabilité dépasse 50 %

Un modèle d’IA prédit le risque d’infection sévère après transplantation avec une ROC-AUC = 0,82. Cependant, les probabilités prédites sont systématiquement deux fois plus élevées que le risque observé. Quel est le problème principal ?*

A. Mauvaise calibration

B. Mauvaise discrimination

C. Déséquilibre de classes

D. Surapprentissage

E. Manque de validation externe

Un modèle de Machine Learning prédit la survenue d’une maladie à CMV. Résultats : C-index entraînement = 0,94 et C-index validation externe = 0,66 Quelle est l’explication la plus probable ?*

A. Déséquilibre de classes

B. Mauvaise calibration

C. Surapprentissage

D. Mauvaise définition de l’endpoint

E. Multicolinéarité

Une équipe développe un modèle de Machine Learning pour prédire la perte du greffon à 5 ans après transplantation. Les variables incluent l’âge du receveur, l’eGFR à 1 an, la protéinurie à 1 an et la biopsie réalisée à 4 ans. Le modèle obtient ROC-AUC = 0,94. Quelle critique méthodologique est la plus pertinente ?*

A. Déséquilibre de classes

B. Mauvaise calibration

C. Fuite d’information

D. Multicolinéarité

E. Surapprentissage

Testez vos connaissances avant le webinaire
“L’Intelligence Artificielle en Santé”

Bienvenue sur MSD Connect

Etes-vous un professionnel de santé ?

Bienvenue sur MSD Connect

Etes-vous un professionnel de santé ?

Testez vos connaissances avant le webinaire
“L’Intelligence Artificielle en Santé”