Predicting Graduation in Undergraduate Medical Education: A Machine Learning Analysis Across Diverse High School Curricula

Cette étude rétrospective menée aux Émirats arabes unis démontre que, bien que l'analyse par intelligence artificielle puisse prédire les résultats de graduation avec une grande précision, le type de cursus scolaire antérieur n'est pas un prédicteur fiable de la réussite, contrairement à la performance académique durant les études médicales.

L'essentiel

🎓 L'histoire : Prédire qui deviendra médecin

Imaginez que vous êtes le capitaine d'un grand navire (l'université médicale) qui doit emmener des passagers (les étudiants) vers une île lointaine et difficile : la graduation.

Le problème ? Ces passagers sont arrivés sur le navire en provenance de tous les coins du monde, avec des bagages très différents. Certains venaient d'écoles américaines, d'autres britanniques, d'autres encore du système international (IB) ou du système local des Émirats.

La grande question de l'étude : Est-ce que le type de valise (le diplôme du lycée) dans laquelle un étudiant a voyagé nous dit s'il arrivera sain et sauf à l'île ? Ou est-ce que ce qui compte vraiment, c'est comment il marche une fois à bord du navire ?

🔍 Ce que les chercheurs ont fait (La méthode)

Les chercheurs de l'Université Mohammed Bin Rashid (à Dubaï) ont joué les détectives du futur. Ils ont pris les données de 661 étudiants inscrits entre 2016 et 2024.

Au lieu de simplement regarder les notes, ils ont utilisé des robots intelligents (ce qu'on appelle l'Intelligence Artificielle et le "Machine Learning"). Imaginez ces robots comme des super-cuisiniers qui goûtent des milliers de mélanges d'ingrédients pour trouver la recette parfaite de la réussite.

Ils ont nourri ces robots avec des données comme :

• Le genre de l'étudiant.
• Son score à l'entretien d'admission.
• Son diplôme de lycée (Américain, Britannique, etc.).
• Ses notes à l'université (sa moyenne générale).

Ensuite, ils ont demandé aux robots de prédire qui allait réussir et qui allait abandonner.

🏆 Les résultats surprenants

Voici la surprise du chef !

1. Le diplôme de lycée n'est pas le chef d'orchestre.
   Beaucoup pensaient que venir d'une école très rigoureuse (comme le système britannique ou américain) garantissait la réussite. Mais les robots ont dit : "Non, pas vraiment !" Le type de lycée est comme la couleur de la voiture : ça ne détermine pas si le conducteur va arriver à destination. Que vous veniez d'un lycée américain, indien ou émirati, cela ne prédit pas vraiment si vous deviendrez médecin.

2. Les notes à l'université sont le vrai moteur.
   Le facteur le plus important, de loin, c'est la moyenne générale (GPA) obtenue pendant les études de médecine. C'est comme si le robot disait : "Peu importe d'où vous venez, ce qui compte, c'est comment vous conduisez la voiture une fois sur la route."
   C'est la seule chose qui a vraiment prédit qui allait réussir.

3. Les robots ont été très précis.
   Le modèle le plus performant (le "Bayesian Network") a réussi à prédire avec une précision de 94 % qui allait réussir. C'est comme un météorologue qui prédit la pluie avec une fiabilité incroyable.

💡 La leçon à retenir (Pourquoi c'est important ?)

Cette étude nous donne un conseil précieux pour l'avenir :

• Pour les écoles : Ne vous fiez pas uniquement au passeport ou au diplôme de lycée pour choisir les futurs médecins. C'est comme choisir un athlète uniquement sur la couleur de ses chaussures. Il faut regarder comment il court pendant l'entraînement (ses notes à l'université).
• Pour les étudiants : Peu importe votre origine scolaire, si vous travaillez dur une fois à l'université, vous avez toutes les chances de réussir.
• Pour le soutien : Les écoles devraient aider les étudiants dès le début, surtout ceux qui viennent de systèmes éducatifs très différents, pour les aider à s'adapter. C'est comme donner une carte et un guide à tous les passagers, peu importe d'où ils viennent.

En résumé

Cette étude nous dit que l'origine scolaire n'est pas une prédiction de l'avenir, mais que le travail quotidien à l'université, lui, l'est. Les robots ont confirmé ce que nous savions intuitivement : c'est l'effort sur le chemin qui compte, pas le point de départ.

Résumé technique

1. Problématique et Contexte

L'Émirats Arabes Unis (EAU) se caractérise par un paysage éducatif hautement diversifié, où les étudiants accèdent à la faculté de médecine via une multitude de programmes de lycée (environ 17 curricula différents à Dubaï).

• Le problème : Il existe un manque de preuves empiriques reliant spécifiquement le type de curriculum secondaire (ex: Baccalauréat International, A-levels britanniques, Diplôme américain) à la réussite à long terme et au taux de graduation dans les programmes de médecine de premier cycle.
• L'objectif : Évaluer la valeur prédictive du type de curriculum de lycée sur les résultats de graduation, et déterminer si les modèles d'apprentissage automatique peuvent identifier précocement les facteurs de réussite ou d'échec dans un contexte éducatif diversifié.

2. Méthodologie

L'étude adopte une approche rétrospective de cohorte combinant l'analyse de données institutionnelles et des techniques d'apprentissage automatique (Machine Learning - ML).

• Contexte et Population :

  • Lieu : Université Mohammed Bin Rashid de Médecine et des Sciences de la Santé (MBRU), Dubaï, EAU.
  • Période : De la création de l'université en 2016 jusqu'en 2024.
  • Échantillon : 661 étudiants inscrits au programme de médecine (76,7 % de femmes). Les données proviennent de 6 784 candidatures initiales.
  • Diversité des curricula : 11 systèmes éducatifs représentés, dominés par le système américain (48,1 %) et le système britannique (22,7 %).

• Conception de l'étude et Séparation des données :

  • Ensemble d'entraînement (Training Set) : 167 étudiants admis entre 2016 et 2018 ayant déjà terminé leurs études (statut de graduation connu).
  • Ensemble de prédiction (Prediction Set) : 494 étudiants admis entre 2019 et 2024 (statut de graduation en cours ou non finalisé au moment de l'analyse).

• Variables :

  • Variable cible : Statut de graduation (binaire : diplômé / non diplômé).
  • Variables prédictives (8) : Genre, type de curriculum, pays de résidence, année d'admission, score aux entretiens MMI (Multiple Mini Interviews), GPA par semestre, GPA annuel, et GPA cumulatif.

• Outils et Algorithmes :

  • Logiciel : IBM SPSS Modeler (mode Auto-classifier) pour l'entraînement et la modélisation, avec validation croisée via Python.
  • Algorithmes testés : 14 modèles explorés, dont les 5 meilleurs retenus pour l'analyse comparative :
    • Réseau Bayésien (Bayesian Network - BN)
    • Réseau de Neurones (Neural Network - NN)
    • Détection d'interaction automatique par Chi-carré (CHAID)
    • Régression Logistique (LR)
    • Analyse Discriminante (D)

• Validation : Utilisation de la validation croisée et de jeux de données de test (holdout). Métriques d'évaluation : Aire sous la courbe (AUC), précision, sensibilité, spécificité, et valeurs prédictives.

3. Résultats Clés

• Performance des Modèles :

  • Le Réseau Bayésien (BN) a démontré les meilleures performances prédictives avec une AUC de 0,94.
  • La Régression Logistique (LR) et le modèle CHAID ont également obtenu des résultats robustes (AUC > 0,92).
  • Le modèle BN a correctement identifié 269 étudiants sur 494 (54,5 %) comme susceptibles de réussir, avec une sensibilité de 0,98 et une spécificité de 0,71.

• Importance des Variables (Feature Importance) :

  • Facteur dominant : Le GPA cumulatif (moyenne des notes durant le programme de médecine) s'est avéré être le prédicteur le plus influent, de loin, dans tous les modèles.
  • Facteurs secondaires : Le genre, le type de curriculum de lycée et les scores MMI ont montré une importance prédictive faible à marginale.
  • Conclusion sur le curriculum : Le type de curriculum de lycée n'est pas un prédicteur fort de la réussite à la graduation lorsqu'il est isolé.

• Démographie : La cohorte est majoritairement féminine (76,7 %) et issue d'écoles privées (94,4 %). La répartition des curricula reflète la diversité internationale de Dubaï.

4. Contributions Principales

1. Preuve empirique sur la diversité éducative : L'étude démontre que dans un environnement médical hautement diversifié comme celui des EAU, l'origine du curriculum secondaire (américain, britannique, IB, etc.) ne détermine pas la réussite future.
2. Validation de l'approche ML : Démonstration de la supériorité des modèles d'apprentissage automatique (notamment les Réseaux Bayésiens) par rapport aux méthodes statistiques traditionnelles pour prédire les résultats éducatifs complexes.
3. Changement de paradigme pour l'admission : Les résultats suggèrent que les critères d'admission devraient moins se focaliser sur le type de diplôme secondaire et davantage sur la performance académique pendant le cursus médical, qui est le véritable indicateur de réussite.
4. Cadre pour le soutien étudiant : Identification précoce des étudiants à risque grâce à des modèles prédictifs, permettant des interventions ciblées indépendamment de leur background éducatif initial.

5. Signification et Implications

• Pour les institutions médicales : Les facultés de médecine peuvent affiner leurs politiques d'admission et de rétention en se basant sur des données probantes. L'accent doit être mis sur le suivi académique continu (GPA) plutôt que sur la sélection basée uniquement sur le passé scolaire.
• Équité éducative : Ces résultats soutiennent une approche inclusive, indiquant que les étudiants provenant de systèmes éducatifs moins courants (mais rigoureux) ont autant de chances de réussir que ceux des systèmes dominants, à condition d'être bien soutenus.
• Limites et Perspectives : L'étude est limitée à une seule institution (MBRU) et n'inclut pas de variables non académiques (motivation, bien-être, statut socio-économique). Une validation externe sur des données multi-institutionnelles est nécessaire pour généraliser les résultats.

En conclusion, cette recherche confirme que la performance académique au sein de l'université est le déterminant clé de la réussite, et que l'intégration de l'IA dans la gestion éducative offre des outils puissants pour optimiser le parcours des étudiants en médecine dans des contextes multiculturels.