Modèles grey-box et Neural ODE

Racym Berrah, PharmD PMx Explain Relecture scientifique par l'auteur : 2026-07-09 ORCID

Là où l'apprentissage automatique peut aider sans remplacer la pharmacologie.

01 · Pourquoi ce chapitre

Les jeux de données modernes peuvent être vastes et complexes. L'apprentissage automatique aide à détecter des motifs, mais la pharmacométrie a toujours besoin de mécanismes, d'unités et d'incertitude.

02 · Intuition

La PK mécaniste est une notice écrite par un enseignant. L'apprentissage automatique peut ajouter un assistant flexible qui remarque des motifs non spécifiés par l'enseignant.

Le danger : laisser l'assistant inventer une règle qui ne marche que pour la classe d'hier.

03 · Trois usages en pharmacométrie

Le cours distingue trois rôles concrets de l'IA :

Sélection (forêts aléatoires / VSURF) : trier des dizaines de covariables et repérer les vraiment influentes, au-delà du forward/backward manuel.
Prédiction (ex. XGBoost) : apprendre directement une relation — par exemple concentration → AUC — sans passer par une équation différentielle.
Hybridation (Neural ODE) : garder la structure mécaniste et ne confier au réseau que la partie inconnue.

04 · La formule décortiquée

Une EDO mécaniste pourrait être :

\frac{dA}{dt} = f_{\mathrm{PK}}(A, \theta)

Un modèle grey-box ou Neural ODE l'étend :

\frac{dA}{dt} = f_{\mathrm{PK}}(A, \theta) + f_{\mathrm{NN}}(A, x)

05 · Exemple concret

Un modèle de ML peut aider à classer des covariables, détecter des grappes d'EBE, ou capturer un motif non linéaire de biomarqueur.

Mais pour doser, le modèle doit encore répondre aux questions pharmacométriques de base : quelles unités, où est l'incertitude, que se passe-t-il hors du domaine d'apprentissage ?

06 · Piège fréquent

Ne confondez pas exactitude prédictive dans un jeu de données et transportabilité scientifique.

07 · À retenir

Trois usages : sélection (VSURF), prédiction (XGBoost), hybridation (Neural ODE).
Les modèles grey-box combinent mécanisme et flexibilité ; les Neural ODE gardent une vision de système dynamique.
Horizon : le jumeau numérique du patient (consortium DIGPHAT), fusion physiologie + IA.
Conclusion clinique : l'IA n'est pas magique, elle est utile. Le médecin décide ; l'algorithme réduit l'incertitude. Extrapolation, incertitude et interprétabilité restent essentielles.

Point de contrôle

Vérifiez votre compréhension

Q1. Un modèle grey-box combine...

Q2. Une Neural ODE est utile quand...

Q3. Un risque majeur du ML en pharmacométrie est...

Exercices d'entraînement

Activités guidées

Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.

Activité guidée · 10 min · Niveau 2

Contraindre une dynamique apprise

Calcul · Décision · InterprétationÀ commencer

Citer cette page

Berrah R. Modèles grey-box et Neural ODE. PMx Explain, 2026. https://rberrah.github.io/pharmacometrie/chapitres/neural-ode/

@misc{berrah2026neuralode,
  author       = {Berrah, Racym},
  title        = {{Modèles grey-box et Neural ODE}},
  howpublished = {PMx Explain},
  year         = {2026},
  url          = {https://rberrah.github.io/pharmacometrie/chapitres/neural-ode/},
  note         = {Texte actuel sous licence CC BY-NC-SA 4.0}
}