📊 statistics

Discovery and inference beyond linearity for epidemiological data by integrating Bayesian regression, tree ensembles and Shapley values

Cet article présente RuleSHAP, un nouveau cadre qui intègre la régression bayésienne parcimonieuse, la génération de règles basées sur les arbres et les valeurs de Shapley pour permettre une inférence statistiquement valide et une quantification de l'incertitude pour les effets non linéaires et d'interaction dans les données épidémiologiques.

Auteurs originaux : Giorgio Spadaccini, Marjolein Fokkema, Mark A. van de Wiel

Publié 2026-06-11

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Giorgio Spadaccini, Marjolein Fokkema, Mark A. van de Wiel

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 êtes un détective essayant de résoudre un mystère sur ce qui rend le cœur des gens sain ou malsain. Vous avez un énorme tas d'indices (données) concernant l'âge, le poids, l'alimentation et le profil des personnes.

Pendant longtemps, les détectives ont utilisé un outil très simple : une règle droite. Cet outil suppose que si vous ajoutez un peu plus d'un indice (comme vieillir un peu), le résultat change d'un montant fixe et prévisible. C'est facile à utiliser, mais la vie réelle est rarement une ligne droite. Parfois, vieillir n'a d'importance que si l'on a aussi un certain poids. Parfois, l'effet d'un indice change complètement selon la personne.

C'est là que l'Apprentissage Automatique (Machine Learning - ML) entre en jeu. C'est comme un détective super intelligent et capable de changer de forme qui peut trouver ces relations étranges, courbes et complexes que la règle droite ne perçoit pas. Mais voici le problème : bien que ce détective super intelligent soit excellent pour trouver les modèles, il est très mauvais pour expliquer à quel point il est sûr de lui. Il vous donne une réponse, mais il ne vous dit pas si cette réponse est un fait solide ou juste un coup de chance. En science, savoir la partie « à quel point on est sûr » (l'incertitude) est tout aussi important que la réponse elle-même.

Le Problème : La « Boîte Noire » contre la « Règle »

L'article soutient que nous sommes coincés entre deux mauvaises options :

La Règle (Régression Linéaire) : Elle vous donne un score de confiance clair (inférence), mais elle rate toutes les relations complexes et courbes des données.
Le Changeur de Forme (Machine Learning) : Il trouve les relations complexes, mais il agit comme une « boîte noire ». Vous ne pouvez pas facilement lui demander : « À quel point es-tu confiant concernant cette règle spécifique ? » ou « Ce modèle est-il réel ou n'est-ce que du bruit ? »

Les méthodes existantes tentent de corriger cela en prenant une boîte noire et en l'éclairant avec une lampe de poche (en utilisant des choses appelées valeurs de Shapley), mais la lampe de poche est instable. Elle fait souvent paraître le détective plus confiant qu'il ne l'est réellement, ceant des fausses alertes.

La Solution : RuleSHAP

Les auteurs ont créé un nouvel outil appelé RuleSHAP. Considérez cela comme la création d'une équipe de détectives qui combine le meilleur des deux mondes.

1. Le Détective de « Lissage » (Génération de Règles)
Habituellement, lorsque ces détectives changeurs de forme cherchent des règles, ils s'emballent trop et mémorisent les indices spécifiques qu'ils examinent, au lieu d'apprendre le modèle général. C'est comme un étudiant qui mémorise les réponses d'un examen blanc au lieu d'apprendre la matière.
RuleSHAP utilise une astuce appelée « Lissage » (Smoothing). Il fait semblant que les données sont légèrement différentes à chaque fois qu'il les examine (en ajoutant un peu de « bruit »). Cela force le détective à trouver les réels modèles sous-jacents qui tiennent bon même quand les données vacillent, plutôt que de mémoriser les détails spécifiques. Cela l'empêche de faire de fausses affirmations.

2. La Mathématique à « Double Personnalité » (Régression Bayésienne)
Une fois les règles trouvées, l'équipe doit les peser. Les auteurs ont remarqué que les outils précédents traitaient les « lignes droites » (règles simples) et les « règles complexes » (interactions courbes) exactement de la même manière. Cela a fait que le calcul ignorait accidentellement les faits simples et linéaires parce qu'il était trop occupé à chercher des éléments complexes.
RuleSHAP sépare son cerveau en deux. Il utilise une partie de son cerveau pour gérer les faits simples et linéaires, et une autre partie pour les règles complexes. Cela garantit que si une relation est réellement une ligne droite, l'outil la reconnaît comme telle et lui donne un score de confiance approprié.

3. Le « Bulletin de Notes Local » (Valeurs de Shapley)
Enfin, l'outil calcule les « valeurs de Shapley ». Imaginez un projet de groupe où chacun contribue. Les valeurs de Shapley vous disent exactement combien chaque personne a contribué à la note finale.
RuleSHAP ne donne pas seulement une note globale ; il donne un bulletin de notes local pour chaque personne de l'étude. Il dit : « Pour cette femme de 50 ans, l'âge est un facteur de risque majeur. Mais pour cet homme de 20 ans, l'âge n'a pas beaucoup d'importance. » Crucialement, il attache un « intervalle de confiance » à chacun de ces rapports locaux, vous indiquant si cette contribution spécifique est statistiquement significative ou s'il s'agit simplement d'un bruit aléatoire.

Ce Qu'Ils Ont Trouvé

L'équipe a testé ce nouvel outil sur deux aspects :

Données Fictives : Ils ont créé un puzzle avec des réponses connues. RuleSHAP a été capable de trouver les bonnes réponses et, plus important encore, d'identifier correctement quels indices n'étaient pas importants (le bruit) sans déclencher de fausses alertes. Les autres outils se sont souvent trompés en pensant que le bruit était important.
Données de Santé Réelles : Ils ont appliqué l'outil à une étude massive de plus de 21 000 personnes aux Pays-Bas pour observer le cholestérol et la tension artérielle.
- Ils ont confirmé des faits connus : l'âge avancé et un IMC élevé signifient généralement une tension artérielle plus élevée.
- Ils ont trouvé des interactions complexes : l'effet de l'âge sur le cholestérol n'est pas le même pour tout le monde. Par exemple, l'écart de taux de cholestérol entre les hommes et les femmes s'élargit considérablement après 52 ans (coïncidant avec la ménopause).
- Ils ont trouvé un « paradoxe » : le tabagisme semblait être lié à une tension artérielle plus basse dans leurs données. Les auteurs notent qu'il s'agit d'une particularité statistique connue (probablement parce que les fumeurs peuvent avoir d'autres problèmes de santé qui réduisent leur poids ou à cause d'erreurs de mesure), et leur outil a correctement signalé cela comme une association spécifique, non causale, plutôt que comme un remède magique.

L'Essentiel

RuleSHAP est un nouveau cadre qui permet aux scientifiques d'utiliser la puissance et la flexibilité de l'apprentissage automatique pour trouver des modèles de santé complexes, mais avec le filet de sécurité de statistiques fiables. Il vous indique non seulement quel est le modèle, mais aussi à quel point vous pouvez être sûr de celui-ci pour des individus spécifiques, sans être piégé par le bruit aléatoire.

Limites : L'article note que cet outil est actuellement lourd en termes de calcul (il prend beaucoup de temps pour s'exécuter sur de très grands ensembles de données) et que, comme toutes les études observationnelles, il ne peut pas prouver de lien de cause à effet — il peut seulement montrer des associations fortes.

Résumé technique : RuleSHAP pour l'inférence épidémiologique non linéaire

Énoncé du problème

L'apprentissage automatique (ML) est de plus en plus utilisé en épidémiologie pour la « découverte sans hypothèse » de facteurs de risque et de protection, car il peut capturer des non-linéarités complexes et des interactions que les modèles linéaires rigides ne parviennent pas à saisir. Cependant, une limitation critique persiste : les modèles de ML standards manquent d'inférence statistique fiable. Bien que les mesures d'importance des caractéristiques comme SHAP (Shapley Additive Explanations) fournissent des estimations d'effets locaux, elles manquent généralement d'une quantification de l'incertitude (UQ) valide. Les tentatives existantes pour quantifier l'incertitude de SHAP se concentrent souvent uniquement sur l'incertitude aléatoire (le bruit dans les données) tout en négligeant l'incertitude épistémique (l'instabilité des paramètres du modèle). Les méthodes qui combinent la sélection de caractéristiques par ML avec une régression linéaire ultérieure produisent souvent des estimations d'incertitude trop optimistes et ne parviennent pas à capturer les interactions non linéaires de manière cohérente. Le défi consiste à développer un cadre qui offre la flexibilité du ML pour la détection de motifs complexes tout en fournissant une inférence statistique rigoureuse au niveau local avec des intervalles de crédibilité.

Méthodologie : Le cadre RuleSHAP

Les auteurs proposent RuleSHAP, un cadre qui intègre la régression parcimonieuse bayésienne, les ensembles d'arbres et les valeurs de Shapley pour remédier aux limites des modèles de la famille RuleFit. La méthodologie repose sur trois innovations centrales :

1. Ajustement linéaire amélioré avec un prior de type « Horseshoe » structuré

RuleSHAP emploie un modèle de régression linéaire bayésienne enrichi par des règles de décision dichotomiques. Contra�irement au modèle standard HorseRule, qui utilise un paramètre de contraction globale unique pouvant provoquer une contraction excessive des termes linéaires (entraînant la perte de signaux linéaires), RuleSHxAP introduit un prior de type « horseshoe » hiérarchique structuré.

Contractions globales distinctes : Le modèle utilise des paramètres de contraction globale distincts ( $\tau_L$ pour les termes linéaires et $\tau_R$ pour les termes de règles). Cela garantit que les règles non informatives n'augmentent pas la contraction globale au détriment des termes linéaires.
Focus sur l'inférence : Cette séparation permet une quantification plus précise de l'incertitude pour les effets linéaires, ce qui est crucial car les termes linéaires ne sont pas conditionnés par les données de la même manière que les règles, les rendant ainsi plus propices à l'inférence.

2. Génération de règles robuste (Forêt aléatoire lissée)

Pour remédier au problème selon lequel la génération de règles est aléatoire et dépendante de l'ensemble de données spécifique (entraînant un surapprentissage et une incertitude sous-estimée), RuleSHAP introduit une approche de « Forêt aléatoire lissée » (Smoothing Random Forest) :

Intégration du bootstrap paramétrique : Au lieu d'utiliser les résultats bruts observés pour la génération de règles, la méthode ajuste une forêt aléatoire, estime les paramètres de la distribution des résultats (par exemple, la moyenne et la variance) en utilisant des prédictions hors échantillon (out-of-bag), puis génère des règles en ajustant une nouvelle forêt aléatoire sur des résultats synthétiques échantillonnés à partir de ces distributions estimées.
Ajustement basé sur les résidus : Pour l'ajustement linéaire initial, les règles sont générées à partir des résidus d'une régression de type Horseshoe bayésienne sur les termes linéaires. Cela garantit que les règles modélisent les tendances au-delà du linéaire plutôt que de recréer des signaux linéaires.
Désagrégation des règles : Pour améliorer l'interprétabilité et prévenir le surapprentissage des interactions complexes, la méthode désagrège complètement les chemins d'arbres. Les conditions dans un chemin d'arbre sont recombinées de toutes les manières possibles, permettant au modèle d'utiliser des conditions simples et nécessaires sans être contraint d'utiliser des règles d'interaction inutilement complexes.

3. Calcul efficace des valeurs de Shapley

Le cadre dérive des formules explicites pour calculer les valeurs de Shapley marginales et les valeurs de Shapley d'interaction directement à partir des termes de règles.

Estimation directe : Contra'irement à TreeSHAP, qui nécessite de reconvertir les règles en arbres complets (augmentant le coût de calcul), RuleSHAP fournit un estimateur non biaisé des valeurs de Shapley sous forme de moyennes d'échantillons sur l'ensemble des données.
Propagation de l'incertitude : En calculant les valeurs de Shapley pour chaque échantillon postérieur du modèle bayésien, le cadre génère des distributions postérieures complètes pour les effets des caractéristiques, permettant la construction d'intervalles de crédibilité pour l'inférence locale.

Résultats clés

Études de simulation

Les auteurs ont validé RuleSHAP sur des données simulées (benchmark de Friedman) avec des tailles d'échantillon ( $n$ ) et des dimensions ( $p$ ) variables, en le comparant à OLS, LASSO, RuleFit, HorseRule, Random Forest et BART.

Reconstruction du signal : RuleSHAP a identifié avec succès les signaux linéaires ( $x_4, x_5$ ) que RuleFit et HorseRule manquent souvent en raison d'une contraction excessive. Il a reconstruit les effets d'interaction ( $x_1, x_2$ ) et les effets purement non linéaires ( $x_3$ ) avec une précision comparable ou supérieure à celle des concurrents pour des tailles d'échantillon plus importantes.
Détection du bruit : RuleSHAP a démontré une capacité supérieure à distinguer le signal du bruit. Alors que BART et HorseRule produisent fréquemment des effets locaux significatifs pour les variables de bruit (en raison d'une incertitude sous-estimée), les intervalles de crédibilité de RuleSHAP pour les variables de bruit contiennent systématiquement zéro.
Quantification de l'incertitude : RuleSHAP a obtenu les taux de rejet les plus bas pour les variables de bruit et les plus élevés pour les signaux, indiquant un meilleur équilibre entre les erreurs de Type I et de Type II dans l'inférence locale.

Application épidémiologique (Étude HELIUS)

Le cadre a été appliqué à la cohorte HELIUS ( $n=21\,570$ ) pour étudier les facteurs de risque de la pression artérielle systolique (PAS) et du cholestérol.

Performance prédictive : RuleSHAP a égalé les modèles linéaires pour la PAS (une relation largement linéaire) mais a nettement surpassé les modèles linéaires pour le cholestérol, capturant les non-linéarités nécessaires.
Résultats d'inférence :
- PAS : A confirmé les associations positives avec l'âge, l'IMC et le glucose. Il a révélé des effets hétérogènes de l'âge selon l'ethnie et le sexe.
- Cholestérol : A détecté une association positive avec le tabagisme et une association négative avec le glucose. De manière cruciale, il a découvert une interaction non linéaire entre l'âge et le sexe, montrant que la différence de taux de cholestérol entre les sexes devient plus prononcée après l'âge de 52 ans, ce qui correspond aux périodes de la ménopause.
- Contrôle du bruit : Les quatre variables de bruit ajoutées ont été correctement identifiées comme ayant des effets non significatifs.

Signification et revendications

L'article affirme que RuleSHAP offre un cadre valide pour la découverte sans hypothèse avec une inférence statistique locale. Sa principale importance réside dans le fait qu'il comble le fossé entre la flexibilité du ML et la rigueur de l'inférence statistique :

Inférence locale : Contrairement aux modèles additifs généralisés (GAM), qui sont limités à l'inférence globale ou à des intervalles locaux sous-optimaux, RuleSHAP fournit des intervalles de crédibilité valides pour les effets locaux des caractéristiques.
Incertitude épistémique : En intégrant la régression bayésienne, la méthode tient compte de l'instabilité du modèle (incertitude épistémique), ce qui est souvent négligé dans d'autres tentatives d'inférence basées sur SHAP.
Équilibre Linéaire/Non linéaire : Le prior structuré empêche la « sur-contraction » des termes linéaires, un mode de défaillance courant des variantes précédentes de RuleFit, garantissant que les signaux linéaires ne soient pas perdus dans la recherche d'interactions complexes.
Efficacité de calcul : Les formules explicites dérivées pour les valeurs de Shapley permettent un calcul efficace qui s'adapte mieux que la conversion des règles en arbres complets pour TreeSHAP, particerlement lors de l'analyse de règles individuelles.

Les auteurs concluent que bien que le coût de calcul reste une limitation (l'échelle est quadratique par rapport à la taille de l'échantillon pour l'ajustement bayésien), RuleSHAP constitue un outil robuste pour un ML transparent en santé, permettant la détection de facteurs de risque complexes et non linéaires avec une quantification de l'incertitude statistiquement valide.