Cet article présente la première étude empirique visant à déterminer si les lois d'échelle des modèles de langage à grande échelle (LLM) peuvent être appliquées aux modèles basés sur les dossiers médicaux électroniques (DME). À l'aide de données de séries chronologiques de patients issues de la base de données MIMIC-IV, nous avons entraîné des architectures Transformer avec différentes tailles de modèle et budgets de calcul. Nous avons observé des schémas d'échelle cohérents, notamment une courbe IsoFLOPs quadratique et une relation de puissance entre le calcul, les paramètres du modèle, la taille des données et l'utilité clinique. Cela démontre que les modèles de DME présentent un comportement d'échelle similaire à celui des LLM, fournissant des informations prédictives pour des stratégies d'apprentissage économes en ressources. Par conséquent, cette étude pose les bases du développement de modèles robustes basés sur les DME, capables de transformer les tâches de prédiction clinique et de faire progresser la médecine personnalisée.
