La modélisation prédictive, qui inclut l'apprentissage automatique, a été utilisée dans divers domaines, notamment les soins de santé. Dans ce domaine, elle a été utilisée pour développer des outils de pronostic/diagnostic et des plans de traitement personnalisés. Cependant, malgré l'explosion du nombre de nouveaux développements et de publications, il existe encore un énorme fossé entre la modélisation prédictive et sa mise en œuvre dans le domaine des soins de santé : très peu de ces algorithmes parviennent jusqu'au chevet des patients. Outre certains facteurs connus qui limitent l'adoption à plus grande échelle des modèles prédictifs dans le domaine des soins de santé, à savoir l'applicabilité (des résultats), la sécurité et l'utilité, cette présentation exposera un autre facteur clé que les statisticiens et les scientifiques des données devraient prendre en compte lorsqu'ils développent de futurs modèles, à savoir l'applicabilité des données d'entrée : quelles variables inclure dans le modèle et quelles sont leurs implications pour la future mise en œuvre clinique. Certaines stratégies de modélisation pratiques seront également abordées.