📊 statistics

The super learner for time-to-event outcomes: A tutorial

Cet article propose un tutoriel pratique sur l'utilisation de l'apprentissage superposé (super learner) pour estimer les risques et les probabilités de survie à partir de données de temps jusqu'à l'événement censurées, en détaillant trois implémentations spécifiques et leur mise en œuvre en R.

Auteurs originaux : Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Publié 2026-02-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

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

🎯 Le Super-Learner : Le "Coach de Foot" de la Médecine Prédictive

Imaginez que vous êtes un entraîneur de football (ou de basket, ou de rugby) et que vous devez prédire si votre équipe va gagner le prochain match. Vous avez une équipe de 10 analystes différents à votre disposition :

L'un regarde les statistiques historiques (modèle statistique).
L'autre utilise un algorithme complexe d'intelligence artificielle (machine learning).
Un troisième se base sur l'intuition et les tendances récentes.
Un quatrième est un expert des blessures passées.

Le problème ? Vous ne savez pas à l'avance qui est le meilleur. Parfois, l'IA gagne, parfois c'est l'expert des statistiques. Si vous choisissez un seul analyste au hasard, vous risquez de faire une erreur coûteuse.

C'est exactement le défi que rencontrent les médecins et les statisticiens lorsqu'ils essaient de prédire combien de temps un patient va vivre (ou quand il aura une rechute) en tenant compte de ses caractéristiques (âge, tumeur, traitement, etc.). Les données sont souvent "censurées" : certains patients quittent l'étude avant la fin, ou sont encore en vie quand l'étude s'arrête. C'est comme si certains joueurs quittaient le terrain avant la fin du match sans qu'on sache s'ils auraient marqué.

L'article que nous allons explorer explique comment utiliser une méthode appelée le "Super-Learner" (l'apprenant surhumain) pour résoudre ce problème.

🏗️ Comment fonctionne le Super-Learner ?

Au lieu de choisir un seul "meilleur" analyste, le Super-Learner crée une équipe d'élite. Voici les étapes, expliquées simplement :

1. Le Tournoi (La Validation Croisée)

Imaginez que vous divisez vos données (vos joueurs et leurs matchs passés) en plusieurs petits groupes (appelés "folds").

Vous laissez un groupe de côté (le groupe de test).
Vous demandez à tous vos analystes de prédire les résultats pour ce groupe, en utilisant les données des autres groupes pour s'entraîner.
Vous vérifiez qui s'est trompé le moins.
Vous répétez cela plusieurs fois en changeant le groupe de test.

C'est comme un tournoi où chaque analyste doit prouver sa valeur sur différents terrains.

2. Le Classement (La Fonction de Perte)

À la fin du tournoi, vous calculez une "note d'erreur" pour chaque analyste.

Si l'analyste A a prédit que le patient vivra 10 ans, mais qu'il est mort à 5 ans, son erreur est grande.
Si l'analyste B a prédit 6 ans, son erreur est petite.
Le Super-Learner utilise des formules mathématiques (appelées "fonctions de perte") pour mesurer cette erreur, même si certains patients ont quitté l'étude avant la fin (censure).

3. L'Entraîneur Général (L'Ensemble ou "Ensemble")

C'est ici que la magie opère. Le Super-Learner ne se contente pas de choisir le meilleur analyste. Il crée un mélange optimal.

Il dit : "L'analyste A est très bon pour les jeunes patients, l'analyste B est excellent pour les vieux, et l'analyste C est fort quand il y a beaucoup de données manquantes."
Il attribue un poids à chacun. Par exemple : "On va écouter l'analyste A à 40%, l'analyste B à 30% et l'analyste C à 30%."
Le résultat final est une prédiction combinée qui est garantie d'être aussi bonne, voire meilleure, que le meilleur analyste individuel. C'est ce qu'on appelle la "propriété oracle".

⏱️ Le Défi du Temps : Discret vs Continu

L'article explique qu'il existe trois façons principales de faire ce mélange pour des données de "temps jusqu'à un événement" (comme la survie).

A. La méthode "Discretisée" (Le calendrier en cases)

C'est la méthode originale. Imaginez que vous transformez le temps continu en une série de cases sur un calendrier (ex: mois 1, mois 2, mois 3...).

Avantage : Vous pouvez utiliser n'importe quel outil de prédiction binaire (Oui/Non) : "Le patient est-il mort ce mois-ci ?". C'est très flexible.
Inconvénient : C'est un peu grossier. La vie ne s'arrête pas à minuit le 31 janvier. Si vous mettez trop de cases, le calcul devient lent et compliqué.

B. La méthode "Temps Continu" (Le flux fluide)

C'est la méthode moderne. Ici, on ne découpe pas le temps en cases. On regarde le temps comme un flux continu, comme de l'eau qui coule.

Avantage : C'est beaucoup plus précis. On peut utiliser des modèles spécialisés comme les forêts aléatoires de survie ou les modèles de Cox, qui comprennent mieux la nature fluide du temps.
Inconvénient : C'est mathématiquement plus complexe à mettre en place.

L'article compare deux versions modernes de cette méthode "fluide" :

L'approche de Westling et al. : Elle utilise une boucle intelligente pour ajuster les prédictions de survie et de censure (quand un patient quitte l'étude) en même temps, comme un danseur qui ajuste ses pas en fonction de son partenaire.
L'approche "Joint Survival" de Munch & Gerds : Elle regarde l'état du patient à chaque instant (Vivant ? Mort ? Ou parti de l'étude ?) et essaie de prédire la probabilité d'être dans chaque état. C'est comme un tableau de bord qui met à jour l'état du patient en temps réel.

🧪 L'Expérience : Le Cas de Rotterdam

Pour prouver que ça marche, les auteurs ont utilisé une vraie base de données médicale (les patients du centre de Rotterdam atteints d'un cancer du sein).

Ils ont divisé les patients en deux : un groupe pour entraîner les modèles, un groupe pour tester.
Ils ont comparé les méthodes.

Le verdict ?

Les méthodes modernes (Temps Continu) ont généralement mieux performé que l'ancienne méthode (Discretisée).
Le Super-Learner (le mélange) a souvent été aussi bon, voire meilleur, que le meilleur modèle individuel.
L'astuce gagnante ? Mélanger des modèles très différents (un modèle simple, un modèle complexe, un modèle basé sur l'arbre de décision). Plus les modèles sont différents, plus l'équipe est forte !

💡 En résumé

Ce papier est un guide pratique pour les médecins et les data scientists. Il dit :

"Ne choisissez pas un seul modèle pour prédire la survie des patients. C'est comme choisir un seul joueur pour gagner la Coupe du Monde. Utilisez le Super-Learner : créez une équipe, faites-les jouer un tournoi, et laissez un 'coach' (l'algorithme) décider du meilleur mélange de stratégies. Le résultat sera plus robuste, plus précis et plus fiable."

Ils fournissent même le code informatique (en R) pour que n'importe qui puisse appliquer cette méthode dès demain. C'est passer de l'art de deviner à la science de combiner les meilleures intelligences.

1. Problématique et Contexte

L'estimation des risques ou des probabilités de survie conditionnelles aux caractéristiques individuelles à partir de données de temps jusqu'à l'événement (souvent censurées à droite) est une tâche fondamentale en statistique médicale, que ce soit pour la prédiction clinique ou l'inférence causale.

Le défi majeur réside dans l'impossibilité de déterminer a priori quel modèle parmi un ensemble de candidats (paramétriques, semi-paramétriques, non-paramétriques ou d'apprentissage automatique) offrira les meilleures estimations. Les analystes doivent souvent choisir arbitrairement entre différents modèles (ex: régression de Cox, forêts aléatoires de survie, modèles de Weibull), ce qui peut conduire à des performances sous-optimales.

L'objectif de cet article est de fournir un tutoriel pratique et accessible sur l'application du Super Learner (SL) aux données de survie. Le Super Learner est une méthode d'ensemble (stacking) qui permet de sélectionner le meilleur modèle unique ou de construire une combinaison optimale de plusieurs modèles candidats, garantissant théoriquement une performance au moins aussi bonne que le meilleur modèle individuel inclus dans la bibliothèque (propriété d'oracle).

2. Méthodologie

L'article détaille les étapes générales du Super Learner (division des données en plis, validation croisée, estimation de la perte moyenne, dérivation de l'ensemble) et présente trois implémentations spécifiques pour les données de temps jusqu'à l'événement :

A. Super Learner à temps discret (Polley & van der Laan, 2011)

Principe : Le temps de suivi est discrétisé en intervalles discrets. Le problème de prédiction d'un temps jusqu'à l'événement est transformé en une série de problèmes de prédiction binaire (l'événement s'est-il produit dans l'intervalle $t$ ?).
Avantage : Permet d'utiliser n'importe quel algorithme conçu pour des résultats binaires (régression logistique, forêts aléatoires binaires, etc.).
Fonction de perte : Trois options sont discutées :
1. Erreur quadratique sur le risque ( $L_{L2}$ ).
2. Log-vraisemblance ( $L_{loglik}$ ).
3. Perte pondérée par l'inverse de la probabilité de censure (IPCW, $L_{IPCW}$ ), qui cible directement la probabilité de survie mais nécessite une estimation de la distribution de censure.
Implémentation : Utilise le package R SuperLearner standard après transformation des données en format "long".

B. Super Learner à temps continu : Approche itérative (Westling et al., 2023)

Principe : Ne nécessite pas de discrétisation du temps. Il vise à estimer l'ensemble de la distribution de survie conditionnelle $S(t|X)$ et de la distribution de censure $G(t|X)$ .
Fonction de perte : Un score de Brier intégré pondéré ($LS,G$) sur l'intervalle $(0, \tau)$ .
Algorithme : Une approche itérative est utilisée pour estimer simultanément les distributions de survie et de censure. Le processus alterne entre l'estimation de $S(t|X)$ et $G(t|X)$ jusqu'à convergence (différence absolue maximale < $\epsilon$ ).
Implémentation : Package R survSuperLearner.

C. Super Learner de survie conjointe (Munch & Gerds, 2025)

Principe : Approche non-ensemble (sélectionne le meilleur couple de modèles) basée sur les probabilités d'occupation d'états. L'état d'un individu à un temps $t$ est défini comme : non-censuré/sans événement, événement observé, ou censuré.
Fonction de perte : Un score de Brier intégré sur les trois états possibles, utilisant les probabilités d'occupation d'états dérivées des hazards cumulés de l'événement et de la censure.
Avantage : Conçu pour gérer naturellement les événements compétitifs (bien que l'article se concentre sur un seul type d'événement absorbant).
Implémentation : Code R disponible sur GitHub (jossl).

3. Contributions Clés

Tutoriel Unifié : L'article comble un vide dans la littérature en présentant de manière pédagogique les détails techniques et les étapes d'implémentation de trois versions différentes du Super Learner pour la survie, qui étaient auparavant dispersées dans des articles techniques.
Comparaison des Approches : Il compare les propriétés des méthodes discrètes et continues, soulignant les compromis entre la flexibilité des algorithmes (plus grande en temps discret) et l'utilisation complète de l'information temporelle (préservée en temps continu).
Guide d'Implémentation R : Fournit des instructions concrètes sur les packages R à utiliser (SuperLearner, survSuperLearner, jossl) et des codes "à la main" pour illustrer les mécanismes sous-jacents.
Étude de Cas : Applique les méthodes sur le jeu de données public "Rotterdam" (cancer du sein) pour prédire la survie à 10 ans, permettant une comparaison directe des performances.

4. Résultats de l'Étude de Cas (Données Rotterdam)

L'application sur les données de Rotterdam (70% entraînement, 30% test) a montré :

Performance des modèles individuels : La forêt aléatoire de survie (Random Survival Forest) a surperformé la régression de Cox standard et la régression de Cox avec Lasso.
Temps Discret vs. Temps Continu :
- Les méthodes à temps continu (Westling et al. ; Munch & Gerds) ont offert de meilleures performances globales (score de Brier plus faible) que les méthodes à temps discret.
- La discrétisation du temps (surtout avec 100 périodes) a conduit à une modélisation moins efficace du hazard de base, dégradant légèrement les performances par rapport aux modèles continus, bien que les mesures de discrimination (C-index) soient restées similaires.
Ensemble vs. Non-Ensemble :
- Le Super Learner continu de Westling (ensemble) et celui de Munch & Gerds (non-ensemble) ont donné des résultats quasi identiques, tous deux sélectionnant la forêt aléatoire de survie comme composant principal.
- L'utilisation d'un ensemble de candidats plus riche (incluant des GAMs, XGBoost, etc.) a amélioré légèrement les performances par rapport à un ensemble simple, mais les gains étaient modestes dans cet exemple spécifique.
Perte IPCW : L'implémentation manuelle de la perte IPCW (recommandée pour cibler la probabilité de survie) dans le cadre discret a confirmé sa validité, bien que le package SuperLearner standard ne l'implémente pas nativement.

5. Signification et Conclusion

Cet article démontre que le Super Learner est un outil puissant et flexible pour la prédiction de risques en temps d'événement.

Flexibilité : Il permet d'agréger des modèles de nature très différente (paramétriques, semi-paramétriques, ML), exploitant ainsi les forces de chaque approche.
Propriété d'Oracle : Il garantit théoriquement que la performance de l'ensemble sera au moins égale à celle du meilleur modèle candidat, réduisant le risque de sous-performance dû au choix arbitraire d'un modèle.
Choix Méthodologique :
- Les approches continues sont préférées pour leur précision temporelle et leur capacité à estimer flexiblement la distribution de censure, bien que le choix des algorithmes candidats soit plus restreint.
- Les approches discrètes restent pertinentes si l'on souhaite utiliser une large gamme d'algorithmes binaires ou si la discrétisation est fine.
Au-delà de la Prédiction : Les auteurs soulignent que ces méthodes sont également cruciales pour l'inférence causale (ex: estimation de l'effet d'un traitement via TMLE), où l'estimation précise des distributions de survie et de censure est une étape de nuisance nécessaire.

En conclusion, ce tutoriel fournit les ressources nécessaires pour que les praticiens puissent implémenter ces méthodes avancées, favorisant ainsi le développement de modèles de prédiction plus robustes et précis en épidémiologie et en médecine.