🤖 AI

To Use AI as Dice of Possibilities with Timing Computation

Ce papier propose un paradigme d'IA novateur fondé sur les verbes, centré sur le « calcul temporel » et la « possibilité », pour surmonter les limites de la modélisation basée sur les noms, en démontrant son efficacité par la découverte pilotée par les données de trajectoires de patients et de déductions temporelles contrefactuelles dans les dossiers médicaux électroniques du cancer du sein, sans nécessiter de connaissances préalables du domaine.

Auteurs originaux : Jia Li, Vipin Kumar, Rui Zhang

Publié 2026-05-06

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jia Li, Vipin Kumar, Rui Zhang

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 Problème Central : Le Piège du « Nom »

Imaginez que vous essayez de décrire un film. La façon dont fonctionne l'IA actuelle est comme un dictionnaire. Elle observe chaque personnage, accessoire et décor comme un « nom » statique (une personne, une voiture, un hôpital). Elle compte la fréquence à laquelle ces noms apparaissent ensemble et devine ce qui se passe ensuite en se basant sur des statistiques.

Les auteurs soutiennent que c'est une mauvaise façon de comprendre l'avenir.

L'Analogie : Imaginez un médecin examinant deux patients.
- Patient A n'a subi qu'une seule séance de chimiothérapie.
- Patient B en a subi trois.
- L'Ancienne IA (basée sur les noms) : Dit : « Le Patient A est plus courant dans notre base de données, donc le parcours du Patient A est le 'standard'. » Elle traite le nombre de séances comme une étiquette fixe.
- Le Monde Réel (basé sur les verbes) : Un médecin sait que le Patient A est à un carrefour. Il pourrait se rétablir rapidement, ou mourir bientôt. Le Patient B est aussi à un carrefour, mais avec des risques différents. L'avenir n'est pas une seule étiquette ; c'est un chemin ramifié de choix et de timing.

Le document soutient que l'IA actuelle est coincée à décrire les « noms » (les points de données) mais échoue à comprendre les « verbes » (les actions, les choix et le quand).

La Solution : L'IA comme « Dés des Possibilités »

Les auteurs proposent une nouvelle façon de construire l'IA qui traite le temps non pas comme une horloge fixe, mais comme une variable calculable.

La Métaphore : Imaginez que vous lancez une paire de dés.
- Ancienne IA : Vous dit : « Selon l'histoire, le lancer le plus probable est un 7. » Elle vous donne une seule réponse fixe.
- Nouvelle IA (Les « Dés des Possibilités ») : Au lieu de vous donner une seule réponse, elle lance les dés des milliers de fois pour vous montrer le spectre entier des futurs possibles. Elle ne dit pas seulement « ce qui va arriver » ; elle vous montre « ce qui pourrait arriver si nous changions le moment d'un événement ».

Cela permet à l'IA de fonctionner comme un outil de raisonnement plutôt que de simple prédiction. Elle aide les médecins à se demander : « Si nous retardons ce traitement de deux semaines, comment tout le calendrier des possibilités change-t-il ? »

Comment Cela Fonctionne : La « Chronologie Virtuelle »

Le document introduit une astuce technique spécifique appelée Calcul du Timing.

Apprentissage du Timing vs Calcul du Timing :
- L'IA actuelle peut apprendre du temps (par exemple : « Les patients tombent généralement malades 3 jours après la chirurgie »). C'est simplement lire l'horloge.
- Cette nouvelle IA peut calculer le temps. Elle crée une chronologie virtuelle où le « quand » d'un événement est une variable qu'elle peut ajuster et tester.
La « Kurtose » (Attention au Timing) :
- Les auteurs utilisent une mesure statistique appelée « kurtose » (qui sonne sophistiqué mais signifie simplement « à quel point les données sont groupées »).
- L'Analogie : Imaginez une foule de personnes attendant un bus.
  - Si tout le monde arrive exactement à 8h00, la foule est très « groupée ». C'est une Attention au Timing élevée. Cela signifie que cet événement est un moment critique et décisif pour tout le monde.
  - Si les gens arrivent au hasard entre 7h00 et 9h00, la foule est dispersée. C'est une attention faible.
- L'IA utilise cela pour trouver automatiquement les « moments critiques » dans le parcours d'un patient sans qu'on lui dise quoi chercher.

Ce Qu'ils Ont Réellement Fait (Les Résultats)

L'équipe a testé cela sur 3 276 patientes atteintes d'un cancer du sein en utilisant leurs vrais dossiers médicaux (DME). Elles n'ont pas utilisé de règles médicales préexistantes ni de connaissances humaines pour guider l'IA. L'IA a tout compris à partir des données seules.

Elles ont démontré deux choses principales :

1. Trouver des Parcours Cachés (Découverte de Trajectoires)
L'IA a automatiquement regroupé les patients en différentes « histoires » basées sur leur historique de traitement.

Exemple : Elle a trouvé un groupe où les patients prenaient un médicament cardiaque spécifique (diurétiques) et où leur risque de lésions cardiaques augmentait temporairement avant de chuter.
Pourquoi c'est important : L'IA a vu un motif que les humains pourraient manquer parce qu'elle ne cherchait pas une « cause » spécifique. Elle a simplement regardé le timing des événements et vu lesquels importaient le plus.

2. La Machine « Et Si » (Timing Contrefactuel)
C'est la partie la plus puissante. L'IA peut simuler un « univers parallèle » pour un patient.

Le Scénario : Un patient a un diabète, une hypertension et vient de terminer sa troisième séance de chimiothérapie. Il présente un risque élevé de lésions cardiaques.
La Simulation : L'IA demande : « Et si ce patient n'avait pas reçu cette troisième séance de chimiothérapie ? »
Le Résultat : L'IA a calculé une nouvelle chronologie. Elle a montré que pour environ la moitié des patients, retarder ou sauter ce traitement spécifique aurait repoussé le risque de lésions cardiaques beaucoup plus loin dans le futur (ou l'aurait totalement évité).
La Mise en Garde : Ce n'était pas une supposition basée sur une formule ; c'était un calcul basé sur l'« espace des possibilités » des données.

La Grande Image : Un « Modèle du Monde »

Enfin, les auteurs suggèrent que cela constitue une étape vers un Modèle du Monde.

L'IA actuelle (comme les chatbots) est comme une immense bibliothèque de phrases (des noms).
Cette nouvelle approche tente de construire un modèle de comment le monde fonctionne réellement (des verbes).
Ils soutiennent que pour vraiment comprendre la cause et l'effet, nous devons cesser de traiter les événements comme des étiquettes statiques et commencer à les traiter comme des actions dynamiques qui se déroulent dans le temps.

Résumé

Ancienne Méthode : L'IA compte les noms et devine le futur le plus probable.
Nouvelle Méthode : L'IA lance les « dés des possibilités » pour cartographier tous les futurs potentiels, traitant le temps comme une variable flexible que l'on peut manipuler.
Preuve : Sur plus de 3 000 patientes atteintes d'un cancer, l'IA a trouvé de nouveaux motifs de traitement critiques et a simulé des scénarios « et si » concernant le retard des traitements, le tout sans qu'on lui dise quoi chercher.

Note : Le document indique explicitement qu'il s'agit des premières démonstrations de ces capacités spécifiques dans la littérature sur l'apprentissage automatique. Il ne prétend pas que l'IA est actuellement utilisée pour traiter des patients dans les hôpitaux, mais plutôt qu'elle a réussi à modéliser ces chronologies complexes dans un cadre de recherche.

Résumé Technique : Utiliser l'IA comme des dés de possibilités avec un calcul temporel

Énoncé du problème
L'article soutient que le paradigme dominant de modélisation « basé sur les noms » en IA — illustré par les grands modèles de langage (LLM) et les approches standard d'apprentissage automatique — contraint fondamentalement la représentation du futur. Dans ce paradigme, les modèles traitent les objets comme des entités stables et bien définies (tokens, caractéristiques, points de données) et les relations comme des mappings fonctionnels ( $f(x)=y$ ). Bien que efficace pour la prédiction de résultats, cette approche échoue à représenter le futur comme une dimension temporelle ouverte. Elle repose sur des spéculations concernant les variables à inclure, substituant souvent des corrélations denses à la causalité. De plus, les méthodes existantes d'inférence causale, bien qu'elles utilisent des contre-factuels, continuent d'opérer sous l'hypothèse que les variables pertinentes sont fermées et exhaustivement spécifiées à l'avance. Par conséquent, les modèles actuels ne peuvent pas représenter adéquatement des « futurs choisissables » ni effectuer un véritable raisonnement contre-factuel concernant quand les événements pourraient se produire, car ils traitent le timing comme une entrée fixe et observée plutôt que comme une variable calculable.

Méthodologie : Le paradigme basé sur les verbes
Les auteurs proposent un paradigme « basé sur les verbes » où l'objectif de la modélisation passe d'un futur unique et déterminé à l'espace complet des futurs possibles. L'innovation centrale est le Calcul Temporel, défini comme la capacité à traiter le temps non pas simplement comme une caractéristique d'entrée apprenable, mais comme une dimension calculable dérivée de la logique interne du modèle.

Les composants méthodologiques clés incluent :

Variables de possibilité : Les auteurs redéfinissent les variables de $X \in \mathbb{R}^n$ vers des variables de possibilité $X = (X, t) \in \mathbb{R}^{n+1}$ , où $t$ est une dimension temporelle calculable.
Apprentissage du timing vs Calcul du timing : L'article distingue le « timing-apprenable » (extraction d'informations temporelles à partir de la vérité terrain) du « timing-calculable » (prédiction de distributions de timing). Les méthodes existantes manquent de ce dernier car elles n'ont pas de définition formelle de la Distribution de Timing Possible.
Implémentation par réseaux de neurones : Le cadre utilise des réseaux de neurones entraînés par rétropropagation. Contrairement à la modélisation directe où $f(x)=y$ est pré-spécifié, cette approche raisonne à rebours à partir d'un résultat déterminé ( $y$ ) pour retrouver la signification historique des événements passés ( $x$ ).
Chronologie virtuelle ( $\tau$ ) : Le modèle construit un espace temporel latent où les horodatages d'entrée sont traités comme une vérité terrain, mais un timing relatif virtuel $\tau(t)$ est défini par des paramètres entraînables. Cela permet au modèle de générer plusieurs instanciations indépendantes du même événement, créant une distribution de timings possibles plutôt qu'une estimation ponctuelle unique.
Attention temporelle : La concentration de la distribution de timing au sein d'une cohorte de patients est mesurée via l'aplatissement (terme « attention temporelle »). Les événements avec une attention temporelle plus élevée présentent des distributions plus concentrées, indiquant une plus grande signification temporelle.

Contributions clés

Cadre théorique : L'article introduit une ontologie basée sur les verbes où les « verbes » (actions/choix) représentent des possibilités ouvertes, et le « timing » est une variable calculable essentielle au raisonnement causal. Il postule que l'IA devrait fonctionner comme des « dés de possibilités » — faisant rouler l'espace des futurs ouverts vers la vue — plutôt que comme un oracle délivrant des réponses fixes.
Définition formelle du calcul temporel : Les auteurs fournissent la première définition formelle du calcul temporel dans un contexte de réseau de neurones, le distinguant de l'analyse de survie standard ou de la prédiction de séries temporelles.
Découverte pilotée par les données sans connaissance préalable : Le cadre démontre que des trajectoires cliniquement significatives et des déductions de timing contre-factuelles peuvent être obtenues purement par des méthodes pilotées par les données, ne nécessitant aucune connaissance préalable du domaine ni ensembles de variables pré-spécifiés.

Résultats
Le cadre a été appliqué à des données longitudinales de dossiers médicaux électroniques (DME) provenant de 3 276 patientes atteintes de cancer du sein pour prédire le moment d'apparition de maladies cardiaques induites par une cardiotoxicité. L'étude rapporte deux démonstrations empiriques principales :

Découverte automatique de trajectoires de patients :
- Le modèle a automatiquement identifié des trajectoires de patients cliniquement significatives sans règles pré-définies.
- Attention temporelle ( $\kappa$ ) : Les événements avec des tailles de cohorte plus importantes ont systématiquement montré une attention temporelle plus élevée.
- Convergence des trajectoires : Le modèle a identifié que différents chemins intermédiaires pouvaient converger vers un événement terminal partagé (par exemple, une deuxième radiothérapie), indiquant une signification temporelle équivalente.
- Points de bascule critiques : Le modèle a détecté des événements spécifiques (par exemple, l'administration de diurétiques) où le taux positif de cardiotoxicité a atteint un pic puis décliné, contrastant avec des tendances monotones dans d'autres voies.
- Efficacité : L'approche a évalué les événements simultanément sans contraintes d'ordre logique, évitant la complexité de recherche exponentielle des méthodes traditionnelles basées sur les règles d'association.
Déduction de timing contre-factuel :
- Le modèle a effectué un raisonnement contre-factuel en supposant que les patients positifs (ceux ayant développé une cardiotoxicité) sont restés négatifs.
- Décalages de timing : Les distributions résultantes ont montré que pour environ la moitié de la cohorte, le timing relatif de la troisième thérapie ciblée (Target_3) s'est déplacé de manière marquée vers des valeurs plus élevées sous l'hypothèse contre-factuelle.
- Implication clinique : Cela suggère que le report ou l'annulation de la troisième thérapie ciblée pourrait réduire considérablement le risque d'apparition de cardiotoxicité pour ces patients spécifiques.

Signification et revendications
L'article revendique que ces résultats représentent les premières démonstrations de ce type dans la littérature sur l'apprentissage automatique pour la découverte automatique de trajectoires et la déduction de timing contre-factuel utilisant des méthodes purement pilotées par les données.

Les auteurs soutiennent que ce travail comble un fossé fondamental entre la « grammaire de la pensée » (qui est orientée vers le futur et axée sur le choix) et les paradigmes de modélisation actuels. En traitant le « factum » (le contenu conceptuel d'un scénario causal) comme une unité primitive au sein d'un espace de possibilités, le paradigme basé sur les verbes :

Dissout le problème de confusion inhérent à l'inférence basée sur les noms en absorbant la structure causale résiduelle dans un espace de possibilités ouvert plutôt que de l'attribuer à tort à des variables observées.
Fournit une fondation pour une nouvelle classe de modèles génératifs (« Modèles du Monde ») qui sont structurellement alignés sur les structures conceptuelles humaines, allant au-delà des associations statistiques de tokens des LLM actuels.

L'article dirige explicitement les lecteurs vers un article technique accompagnateur (Li et al., 2026) pour les détails de mise en œuvre, affirmant que le travail actuel établit la nécessité conceptuelle et empirique de passer d'une modélisation basée sur les noms à une modélisation basée sur les verbes.