Cette étude méthodologique décrit Hippocrates, une méthodologie d’AutoML encadrée pour construire des modèles de dépistage à partir de données tabulaires de dossiers médicaux électroniques dans les systèmes de santé de Colombie et d’Amérique latine. Le développement y est découpé en 13 phases, de l’ingestion des données et des contrôles obligatoires de fuite d’information jusqu’à la calibration isotonique, au choix des seuils, à l’analyse par sous-groupes et à une documentation conforme à TRIPOD+AI. Aucun modèle ne peut être déployé sans franchir un seuil de pente de calibration de 0.85–1.15 ; 18 points de pause interrompent l’automatisation pour des décisions comme la définition de la cible ou le périmètre de déploiement, et chaque décision est consignée dans un journal d’audit en ajout seul. La méthodologie est exécutée par un agent de modèle de langage à partir de fichiers de compétences réutilisables, et a été testée sur six jeux de données synthétiques de cas limites.
Sur cinq sessions réelles consacrées au dépistage de la MRC, au dépistage de la BPCO et à la rétention du personnel, elle a produit des modèles calibrés avec une traçabilité complète des décisions. Dans une évaluation rétrospective menée dans quatre établissements (plus de 53 000 patients), le nouveau modèle de MRC a amélioré de façon constante un modèle déployé auparavant, dont la discrimination était proche du hasard (AUROC d’environ 0.58) et la pente de calibration de 0.04 ; sur cinq graines aléatoires, il atteint une AUROC de 0.7479 ± 0.0013, la variabilité entre opérateurs (environ 0.029 d’AUROC) étant la principale source d’écart. La méthode a aussi corrigé une mauvaise calibration dans le dépistage de la BPCO et détecté une fuite temporelle dans la session sur la rétention du personnel. Il s’agit d’une prépublication non encore relue par les pairs ; les auteurs appellent à des études prospectives sur la reproductibilité et l’utilité clinique.
