Goodness-of-Fit Checks for Joint Models

Imaginez que vous êtes un détective essayant de résoudre un mystère concernant la santé d'un patient. Vous disposez de deux types d'indices :

1. Les indices longitudinaux : une série de notes de suivi (comme la tension artérielle ou la fonction rénale) prises au fil du temps.
2. L'indice de survie : le moment où un patient subit un événement de santé majeur (comme une crise cardiaque ou une hospitalisation).

Les modèles joints sont comme le carnet de notes d'un détective super intelligent qui tente de relier ces deux types d'indices. Ils demandent : "Est-ce que la façon dont la tension artérielle d'un patient évolue en ce moment nous indique quand il pourrait faire une crise cardiaque ?"

Pendant longtemps, les statisticiens ont eu une façon d'écrire ces carnets, mais ils manquaient d'un bon moyen de vérifier si le carnet disait réellement la vérité. Ils possédaient des outils pour comparer deux carnets différents et dire : "Le carnet A est légèrement meilleur que le carnet B", mais ils ne pouvaient pas dire : "Le carnet A est complètement faux car il lui manque une pièce clé du puzzle."

Cet article introduit un nouvel ensemble de "Vérifications de Réalité" (appelées vérifications de prédictivité postérieure) pour voir si le carnet du détective correspond réellement à la vie réelle.

Les trois façons de vérifier le carnet

Les auteurs suggèrent trois approches différentes pour tester le modèle, selon la personne que vous observez :

1. La vérification par le "Rétroviseur" (Sujets existants) : Vous observez un patient que vous connaissez déjà. Vous injectez ses notes passées dans le modèle et vous demandez : "Si nous simulions ce qui aurait dû se passer selon votre modèle, cela ressemblerait-il à ce qui s'est réellement passé ?"
2. La vérification par "Prédiction Aveugle" (Nouveaux sujets) : Vous observez un tout nouveau patient pour lequel vous ne connaissez que l'âge ou le sexe, mais vous n'avez pas encore d'historique médical. Vous demandez : "Sur la base des règles générales du modèle, à quoi ressemblerait une personne typique comme celle-ci ?" Cela teste si le modèle comprend la population générale, et non seulement les personnes spécifiques qu'il a étudiées auparavant.
3. La vérification de "Milieu de Parcours" (Prédiction dynamique) : Imaginez que vous êtes à la moitié de l'histoire d'un patient. Il est toujours en vie, et vous avez des notes allant jusqu'à aujourd'hui. Vous demandez : "Étant donné tout ce que nous savons à l'instant T, le modèle prédit-il correctement son avenir ?" Cela est crucial pour les médecins qui ont besoin de mettre à jour les prédictions à mesure que de nouvelles données arrivent.

Comment vérifient-ils ? (Les outils)

L'article utilise plusieurs outils créatifs pour comparer le "Monde Simulé" (ce que le modèle pense qu'il se passe) avec le "Monde Réel" (ce qui s'est réellement passé) :

• La ligne moyenne (Moyenne) : Imaginez tracer une ligne à travers toutes les lectures de tension artérielle des patients. La ligne moyenne du modèle suit-elle la ligne réelle ? Si la ligne réelle monte et que la ligne du modèle reste plate, le modèle manque quelque chose.
• La marge de manœuvre (Variance) : Parfois, les chiffres des patients font des bonds importants ; d'autres fois, ils sont stables. Le modèle capture-t-il cette "marge de manœuvre" ? Si les données réelles sont chaotiques mais que le modèle pense que tout le monde est calme, le modèle est trop rigide.
• Le rythme (Corrélation) : Si la tension artérielle d'un patient grimpe aujourd'hui, le modèle s'attend-il à ce qu'elle soit élevée demain aussi ? Le modèle doit comprendre le "rythme" des données.
• Le lien (Concordance) : C'est la partie la plus importante pour les modèles joints. Elle vérifie si le modèle connecte correctement le changement des notes au risque de l'événement. C'est comme vérifier si le modèle a correctement deviné qu'une chute soudaine de la fonction rénale entraîne un risque plus élevé d'hospitalisation.

Le test en conditions réelles : L'étude sur l'insuffisance cardiaque

Les auteurs ont testé ces vérifications sur une étude réelle appelée Bio-SHiFT, qui suivait des patients souffrant d'insuffisance cardiaque. Ils suivaient deux éléments :

• L'eGFR : une mesure de la fonction rénale.
• La NGAL : une protéine dans le sang qui signale l'inflammation.

Ils voulaient voir si les changements de ces chiffres prédisaient les hospitalisations pour insuffisance cardiaque ou le décès.

Ce qu'ils ont trouvé :

• Les outils standards (comme le DIC et le WAIC) ne pouvaient pas faire la différence entre un bon modèle et un mauvais modèle. Ils étaient comme un juge qui choisit simplement le carnet le plus "propre" sans lire l'histoire.
• Les nouveaux "Tests de Réalité" étaient beaucoup plus affûtés. Ils pouvaient repérer quand un modèle utilisait une mauvaise mathématique (comme supposer une ligne droite alors que les données étaient en fait courbes).
• Ils ont découvert que pour la fonction rénale, le modèle fonctionnait mieux s'il examinait l'historique moyen du patient plutôt que simplement le chiffre actuel.
• Ils ont également découvert que le marqueur protéique (NGAL) était un prédicteur de problèmes bien plus fort que le chiffre de la fonction rénale, un détail que les nouveaux tests ont aidé à confirmer.

Le test de simulation : Le laboratoire de "Fausses Données"

Pour prouver l'efficacité de leurs vérifications, les auteurs ont créé un laboratoire de "Fausses Données". Ils ont construit un modèle parfait, généré 300 patients fictifs, puis ont tenté de piéger le système en lui injectant des modèles défectueux (des modèles avec une mathématique erronée ou des hypothèses incorrectes).

• Le résultat : Les outils standards n'ont pas remarqué les modèles défectueux ; ils pensaient que les mauvais modèles étaient corrects.
• Les nouveaux tests : Les nouveaux "Tests de Réalité" ont immédiatement repéré les erreurs. Ils pouvaient dire : "Hé, ce modèle pense que les données suivent une ligne droite, mais les fausses données sont en fait une courbe !"

L'essentiel

Cet article offre aux statisticiens et aux médecins une nouvelle lampe de poche. Au lieu de simplement deviner quel modèle est le meilleur, ils peuvent désormais braquer la lumière sur les parties spécifiques du modèle pour voir si elles correspondent aux données.

• La bonne nouvelle : Si un modèle est erroné, ces tests vous diront probablement où il est erroné (est-ce la moyenne ? la variabilité ? la connexion avec l'événement ?).
• L'outil : Tout cela est disponible via un progiciel gratuit appelé JMbayes2, afin que quiconque puisse utiliser ces vérifications dès aujourd'hui.

En résumé, l'article dit : "Ne faites pas confiance au modèle simplement parce qu'il semble correct sur le papier. Simulez le futur, comparez-le à la réalité, et assurez-vous que votre carnet de détective résout réellement le mystère."