📊 statistics

From Risk Sets to Martingales: A Counting-Process Framework for Event-History Learning

Cet article établit un cadre d'apprentissage unifié de l'historique des événements basé sur la notation des processus de comptage et la théorie des martingales qui traduit divers problèmes de données censurées, récurrentes et multi-états en cinq objets mathématiques récurrents, fournissant ainsi des algorithmes de calcul communs, des modèles de preuves théoriques et un langage partagé pour dériver et comparer les méthodes de survie classiques et d'apprentissage automatique.

Auteurs originaux : Eliuvish Han Cui

Publié 2026-06-23

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eliuvish Han Cui

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire quand une ampoule va griller, ou quand un patient va rechuter après un traitement. Dans le monde réel, on ne voit que rarement le moment exact où l'« événement » se produit. Parfois, l'ampoule fonctionne encore lorsque vous arrêtez de la surveiller (censure). Parfois, vous vérifiez l'ampoule une fois par semaine et vous savez qu'elle s'est cassée entre mardi et vendredi (censure par intervalle). Parfois, un patient peut tomber malade, guérir, retomber malade, puis mourir (multistate/multistatut).

Ce document est essentiellement un traducteur universel et un kit de construction pour gérer tous ces chronologies désordonnées et incomplètes. L'auteur, Elvis Han Cui, soutient qu'au lieu de traiter chaque type de données de survie comme un problème unique et déroutant, nous pouvons tous les aborder à travers une lentille mathématique unique et puissante appelée le cadre du processus de comptage (Counting-Process Framework).

Voici la décomposition des idées du document en utilisant des analogies de la vie quotidienne :

1. L'idée centrale : Le « Risque » et la « Surprise »

Le document commence par une équation simple : $dN(t) = Y(t)\alpha(t)dt + dM(t)$ .
Considérez cela comme une recette pour prédire l'avenir :

$Y(t)$ (L'ensemble à risque) : C'est la foule de personnes ou de choses actuellement « dans le jeu ». Si vous étudiez des ampoules, $Y(t)$ est le nombre d'ampoules encore allumées. Si une ampoule grille ou si vous arrêtez de la surveiller, elle quitte la foule.
$\alpha(t)$ (Le risque/Hazard) : C'est la « pression instantanée » ou le risque de défaillance à cet instant précis.
$dN(t)$ (Le saut) : C'est l'événement réel qui se produit (une ampoule qui grille, un patient qui rechute).
$dM(t)$ (La Martingale/La Surprise) : C'est la partie la plus importante. Elle représente l'inattendu. Même si vous connaissez la taille de la foule et le risque, vous ne pouvez pas prédire exactement quand la prochaine ampoule va griller. La « Martingale » est la façon mathématique de dire : « La différence entre ce que nous attendions et ce qui s'est réellement passé n'est que du bruit aléatoire. »

La thèse principale du document est que si vous pouvez séparer la foule prévisible de la surprise aléatoire, vous pouvez construire un système unifié pour analyser presque tout type de données de temps de survie.

2. Les cinq blocs de construction

Au lieu de mémoriser des centaines de formules différentes pour différents scénarios, le document affirme que chaque problème peut être décomposé en cinq objets récurrents :

Processus de risque : Qui est encore dans le jeu ?
Processus de saut : Quand l'événement s'est-il réellement produit ?
Compensateur : Que nous était-il attendu de se passer selon les règles ?
Équation d'estimation : L'outil mathématique utilisé pour trouver la réponse.
Argument de limite : La preuve que la réponse s'améliore à mesure que vous obtenez plus de données.

3. Ce que ce cadre peut faire

Le document montre comment ce cadre unique gère une grande variété de situations complexes, en les traduisant toutes dans le même langage :

Survie standard (Censure à droite) : La courbe classique de « Kaplan-Meier ». Imaginez une ligne de coureurs. Certains abandonnent (sont censurés) avant la ligne d'arrivée. Le cadre calcule la probabilité de terminer en regardant qui court encore à chaque étape.
États multiples (Multistate) : Imaginez un patient qui passe de « Sain » $\to$ « Malade » $\to$ « Mort », ou de « Sain » $\to$ « Mort » directement. Le document utilise une intégrale de produit (comme multiplier une série de petites probabilités) pour suivre la probabilité d'être dans un état spécifique à n'importe quel moment. C'est comme un organigramme où l'on multiplie les chances de suivre chaque chemin.
Événements récurrents : Et si un patient tombe malade, guérit, puis retombe malade ? Le cadre compte chaque « saut » (maladie) tant que le patient est toujours dans l'ensemble à risque.
Censure par intervalle : Imaginez que vous ne vérifiez la santé d'un patient que les lundis et les mercredis. S'il est malade le mercredi mais en bonne santé le lundi, vous savez que l'événement s'est produit entre-temps, mais pas exactement quand. Le document utilise un algorithme de « auto-cohérence » (comme un algorithme EM) pour redistribuer la masse de probabilité sur les intervalles de temps possibles jusqu'à trouver la meilleure adéquation.
Inférence causale (Variables instrumentales) : Parfois, un traitement (comme un médicament) est administré à des patients plus malades, ce qui donne l'impression que le médicament est mauvais. Pour corriger cela, le document utilise des « Variables Instrumentales » (comme un marqueur génétique ou une préférence aléatoire d'un médecin) pour isoler le véritable effet causal, en séparant l'effet du médicament de l'état de santé sous-jacent du patient.

4. L'innovation du « Cross-Fitting »

L'une des nouvelles contributions du document est une méthode pour valider les modèles modernes d'apprentissage automatique (comme les réseaux de neurones) utilisés pour les données de survie.

Le Problème : Si vous entraînez un modèle sur un ensemble de données et que vous le testez sur ce même ensemble, il pourrait simplement mémoriser les réponses (surapprentissage/overfitting).
La Solution : Le document propose une approche de « cross-fitting ». Vous entraînez le modèle sur 90 % des données et vous le testez sur les 10 % restants.
La Magie : Le document prouve une nouvelle identité mathématique : si votre modèle est bon, la « surprise » (résidus de martingale) dans le groupe de test devrait ressembler à un bruit aléatoire. Si le modèle est mauvais, la « surprise » affichera un motif. Cela donne un moyen rigoureux de vérifier si un modèle d'IA complexe apprend réellement l'historique des événements ou s'il se contente de deviner.

5. Pourquoi cela importe

Le document ne se contente pas de lister de vieilles méthodes ; il fournit un langage commun.

Pour les mathématiciens : Il fournit des « modèles de preuves ». Au lieu de prouver un nouveau théorème de zéro pour chaque nouveau type de données, vous pouvez injecter votre problème dans ces cinq blocs de construction et utiliser les preuves existantes.
Pour les data scientists : Il transforme l'analyse de survie complexe en algorithmes réutilisables. Que vous analysiez des ampoules, des durées d'emploi historiques ou des rechutes de patients, le « balayage de l'ensemble à risque » (Algorithme 1) est le même.
Pour tout le monde : Il unifie le domaine. Que vous fassiez un simple « test du Log-Rank » pour comparer deux groupes ou un modèle « bayésien non paramétrique » complexe pour les transitions multi-états, ils ne sont que différentes façons de gérer le Risque et la Surprise.

Résumé

Considérez ce document comme un adaptateur universel pour les données de temps de survie. Que vos données soient désordonnées, incomplètes, comportent plusieurs états ou impliquent des questions causales, l'auteur démontre que vous pouvez éliminer la complexité et observer les mécanismes de base : Qui est à risque ? Qu'attendions-nous ? Que s'est-il réellement passé ? Et la différence n'était-elle que du bruit aléatoire ? En répondant à ces questions de manière cohérente, nous pouvons dériver, vérifier et comparer toute méthode d'analyse des historiques d'événements.

Résumé technique : Des ensembles de risque aux martingales : un cadre de processus de comptage pour l'apprentissage de l'historique d'événements

Énoncé du problème

Les données de survie et d'historique d'événements sont intrinsèquement des observations filtrées plutôt que des variables de réponse complètes. À tout instant $t$ , l'analyste observe l'histoire accumulée (ensembles de risque, covariables, états antérieurs), mais n'observe le saut d'événement que lorsqu'il se produit. Cette asymétrie temporelle complique l'analyse des données censurées, tronquées, récurrentes, multi-états et dépendantes des covariables. Bien qu'il existe de nombreuses méthodes spécifiques (par exemple, Kaplan–Meier, régression de Cox, Fine–Gray), il est nécessaire d'établir un cadre unifié qui sépare l'information prévisible de l'ensemble de risque des sauts d'événements observés afin de faciliter la dérivation, la vérification et la comparaison des méthodes classiques et d'apprentissage automatique pour les données d'historique d'événements.

Méthodologie

L'article établit un cadre unifié basé sur la notation de processus de comptage et la représentation d'intensité multiplicative :
$dN(t) = Y(t)\alpha(t)dt + dM(t)$
où :

$N(t)$ est le processus de saut (compte d'événements observé).
$Y(t)$ est le processus de risque prévisible (nombre de sujets à risque).
$\alpha(t)$ est la fonction d'intensité.
$Y(t)\alpha(t)dt$ est l'incrément du compensateur.
$dM(t)$ est l'innovation de la martingale.

Plutôt que de répertorier des méthodes de survie spécifiques, le cadre traduit chaque problème d'apprentissage partiellement observé en cinq objets récurrents :

Processus de risque : L'ensemble prévisible des sujets éligibles à un événement.
Processus de saut : Les incréments d'événements observés.
Compensateur : Le modèle d'intensité prévisible.
Équation d'estimation : Dérivée des propriétés de la martingale ou des vraisemblances.
Argument limite : La justification asymptotique (par exemple, les théorèmes centra Limite des martingales).

Le cadre applique systématiquement cette méthodologie à quatre domaines :

Estimation non paramétrique : Dérivation des estimateurs de Nelson–Aalen (danger cumulé), Kaplan–Meier (survie), Aalen–Johansen (multi-états), Dabrowska (bivarié) et Turnbull (censuré par intervalle) comme mises à jour de produit-intégrale ou maximisations de vraisemblance.
Tests d'hypothèses : Formulation des tests log-rank et pondérés comme des contrastes de l'ensemble de risque de la martingale, s'étendant aux scénarios stratifiés, de croisement de risques (crossing-hazard) et de risques concurrents.
Modélisation de régression : Unification des modèles Cox–Andersen–Gill (multiplicatif), Aalen (additif), de transformation/AFT et des modèles semi-Markov. Il gère explicitement la dépendance à la durée en distinguant le temps calendaire du temps de séjour écoulé.
Inférence causale : Adaptation des méthodes de variables instrumentales (IV) (par exemple, G-estimation, modèles de Cox structurels) aux résultats censurés en combinant les restrictions de moments causaux avec les équations d'estimation de processus de comptage.

Le cadre intègre également l'apprentissage automatique moderne en injectant des apprenants flexibles (forêts aléatoires, réseaux de neurones) dans cette structure, en traitant spécifiquement la validation par cross-fitting pour les données censurées.

Contributions clés

1. Unification computationnelle

L'article convertit diverses tâches de calcul en algorithmes réutilisables et en diagnostics de simulation :

Balayages d'ensembles de risque (Risk-set sweeps) : Un algorithme unifié (Algorithme 1) pour les calculs de Nelson–Aalen, Kaplan–Meier, log-rank et de score de Cox.
Mises à jour par produit-intégrale : Algorithmes pour les transitions multi-états (Aalen–Johansen) et la comptabilité du temps écoulé semi-Markov.
Vraisemblances d'intervalle : Le blueprint de l'auto-cohérence de Turnbull/EM-ICM pour les données censurées par intervalle.
Validation par cross-fitting : Un wrapper (Algorithme 4) pour appliquer des apprenants modernes aux données censurées tout en respectant l'ensemble de risque prévisible et la filtration.

2. Contributions théoriques

Modèles de preuve : L'article fournit une structure standardisée pour prouver la cohérence, la normalité asymptotique et l'estimation de la variance pour une large classe d'estimateurs en utilisant les décompositions de martingales et les méthodes delta fonctionnelles.
Nouveau résultat théorique (Théorème 27) : L'article prouve une nouvelle identité de validation du compensateur hors-échantillon (out-of-fold) pour les apprenants censurés par cross-fitting. Il établit que, conditionnellement aux plis d'entraînement (training folds), les scores de résidus des plis de validation sont centrés sur la martingale si et seulement si l'intensité apprise est calibrée dans un sens d'intensité intégrée pondérée. Cela interprète le cross-fitting comme une exigence de filtration : les prédictions de validation peuvent dépendre des données d'entraînement et de l'histoire pré- $t$ , mais pas des sauts futurs de la validation.

3. Cartographie des applications

Le cadre projette divers domaines (biomédical, fiabilité, opérationnel, économique, financier, littéraire, historique et exemples de causalité de survie) sur le même langage d'ensemble de risque et de compensateur. Cela permet d'utiliser un langage mathématique commun pour dériver et comparer les méthodes à travers ces champs.

Résultats et portée

L'article ne présente pas de nouvelles données empiriques, mais plutôt une synthèse théorique et algorithmique. Ses « résultats » sont l'unification réussie de :

Estimateurs : Des courbes simples censurées à droite jusqu'aux surfaces complexes de probabilités de transition multi-états et de surfaces bivariées censurées par intervalle.
Tests : Des tests log-rank standards aux comparaisons adaptatives, pondérées et de risques concurrents.
Modèles : Des modèles paramétriques (Weibull, Gompertz) aux modèles semi-paramétriques (Cox, Aalen) et entièrement non paramétriques (Beran, Turnbull).
Méthodes causales : Modèles de Cox structurels et modèles IV à risque additif qui gèrent l'endogénéité dans les résultats de type temps-vers-événement.

L'article démontre que la décomposition du processus de comptage $dN = Y\alpha dt + dM$ sert de « base analytique commune » pour toutes ces méthodes. Il montre que l'estimateur de Nelson–Aalen est le prototype de l'estimation du danger cumulé, que l'estimateur de Kaplan–Meier est une transformation par produit-intégrale de celui-ci, et que l'estimateur d'Aalen–Johansen est l'extension multi-états de cette même logique.

Signification et revendications

L'article affirme fournir un langage mathématique commun pour dériver, vérifier et comparer les méthodes classiques et d'apprentissage automatique pour les données d'historique d'événements censurées, récurrentes et multi-états.

Pour l'analyse classique : Il offre des modèles de preuve qui clarifient les arguments récurrents de la martingale, de la vraisemblance et de l'intégrale de produit, rendant la dérivation de nouveaux estimateurs plus systématique.
Pour l'apprentissage moderne : Il traite de l'intégration de modèles d'apprentissage automatique flexibles (réseaux de neurones, forêts aléatoires) avec les exigences strictes de l'inférence de données censurées. Plus précisément, il fournit la justification théorique (Théorème 27) de l'utilisation du cross-fitting dans les contextes de survie, garantissant que les résidus de validation se comportent comme des martingales uniquement lorsque le modèle est correctement calibré.
Pour l'inférence causale : Il comble le fossé entre la théorie des variables instrumentales et l'analyse de survie, montant comment construire des estimateurs G et des modèles structurels valides qui respectent la filtration des données censurées.

Les auteurs positionnent ce travail non pas comme un catalogue de méthodes nommées, mais comme un cadre organisateur où les « ensemble de risque, le mécanisme de censure et les restrictions de filtration » sont rendus explicites pour tout problème d'apprentissage. L'objectif ultime est de faciliter le transfert de méthodes entre les domaines (par exemple, des essais cliniques à l'ingénierie de la fiabilité) en garantissant qu'ils partagent la même structure stochastique sous-jacente.