Les modèles d’apprentissage profond, y compris TARNET, Dragonnet et NEDnet, sont de plus en plus utilisés pour estimer les effets des traitements en épidémiologie. Cette étude évalue leur performance dans le cadre de l'estimation ciblée par maximum de vraisemblance (TMLE). Des simulations plasmodes sont effectuées sur deux ensembles de données épidémiologiques : l’un avec 50 covariables spécifiées par les investigateurs et l’autre avec 167 covariables, dont 142 variables proxy. Les critères d’évaluation incluent le biais, les erreurs standards et la probabilité de couverture. Les résultats montrent que NEDnet atteint la couverture la plus élevée, mais présente un biais plus important dans les contextes à haute dimensionnalité. Les Super Learners affichent une couverture plus faible, et même le double cross-fitting n’a apporté qu’une amélioration limitée. Ces résultats soulignent l’importance du choix des estimateurs en fonction de la disponibilité et de la dimensionnalité des covariables.