Parcours 9
IA en pharmacométrie
Modèles grey-box, Neural ODE et apprentissage automatique, avec validation et incertitude.
Prérequis
Équations différentielles et exponentiellesPK/PD : Emax et turnoverSuivi thérapeutique (TDM)Statistiques utilisées en pharmacométrieCovariables : effets fixes, ETA et transformationsNCA vs PopPK vs PBPKRaisonnement bayésien, EBE et shrinkageCours et activités
- 01
Modèles grey-box et Neural ODE
Là où l'apprentissage automatique peut aider sans remplacer la pharmacologie.
- Contraindre une dynamique apprise10 min · À commencer
- 02
Machine learning pour le TDM
Estimer l'exposition (AUC) à partir de quelques prélèvements par apprentissage automatique.
- Biais, RMSE et AUC à ±20 %10 min · À commencer
- 03
Arbres de décision et forêts aléatoires
De l'arbre unique (des marches) à la forêt aléatoire (une moyenne robuste) : les briques du ML tabulaire.
- Moyenner des arbres10 min · À commencer
- 04
Gradient boosting : XGBoost et CatBoost
Additionner de petits arbres qui corrigent les erreurs du précédent : les modèles qui gagnent sur données tabulaires.
- Une correction à petit pas10 min · À commencer
- 05
Machines à vecteurs de support (SVM)
Séparer deux classes avec la marge la plus large possible, et courber la frontière par le kernel trick.
- Lire une marge normalisée10 min · À commencer
- 06
Sélection de variables : VSURF et OrdinalForest
Choisir les covariables qui comptent vraiment — et gérer une réponse ordinale — avec les forêts aléatoires.
- Sélectionner sans voir le test10 min · À commencer
- 07
Grands modèles de langage (LLM)
Transformers, attention et prédiction du mot suivant : ce que sont — et ne sont pas — les LLM.
- Auditer une réponse plausible10 min · À commencer
- Cas de synthèse IA : gain apparent ou modèle transportable ?25 min · À commencer
- 08
Sous-groupes cachés : clustering, PCA et RMT
Découvrir des phénotypes dans les paramètres individuels — clustering (k-means/kNN), réduction de dimension (PCA) et tri signal/bruit (RMT).
- Calculer un voisinage après standardisation10 min · À commencer
Mise en pratique
Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Contraindre une dynamique apprise
Calcul · Décision · InterprétationÀ commencer
Contraindre une dynamique apprise
Calcul · Décision · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Biais, RMSE et AUC à ±20 %
Calcul · InterprétationÀ commencer
Biais, RMSE et AUC à ±20 %
Calcul · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Moyenner des arbres
Calcul · Décision · InterprétationÀ commencer
Moyenner des arbres
Calcul · Décision · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Une correction à petit pas
Calcul · InterprétationÀ commencer
Une correction à petit pas
Calcul · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Lire une marge normalisée
Calcul · InterprétationÀ commencer
Lire une marge normalisée
Calcul · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Sélectionner sans voir le test
Calcul · Décision · InterprétationÀ commencer
Sélectionner sans voir le test
Calcul · Décision · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.
Auditer une réponse plausible
Calcul · Décision · InterprétationÀ commencer
Auditer une réponse plausible
Calcul · Décision · InterprétationÀ commencerUn problème cumulatif mobilisant plusieurs cours dans une décision argumentée.
Cas de synthèse IA : gain apparent ou modèle transportable ?
Calcul · Décision · InterprétationÀ commencer
Cas de synthèse IA : gain apparent ou modèle transportable ?
Calcul · Décision · InterprétationÀ commencerCas en plusieurs étapes combinant calcul, interprétation et raisonnement.