Résumé Technique : Estimation de l'Effet de Traitement Joint à partir de Données de Santé Incomplètes

Énoncé du Problème

L'article aborde le défi critique de l'estimation des effets causaux de traitement à partir de dossiers médicaux électroniques (DME) observationnels lorsque deux difficultés cumulatives sont présentes : le biais de confusion temporellement variable et l'absence de données Non-Au-Hazard (MNAR).

Les méthodes standard pour l'émulation d'essais cibles (TTE) échouent souvent dans les environnements réels de DME car :

1. Biais de confusion temporellement variable : Les décisions de traitement sont pilotées par l'évolution des profils des patients, créant des dépendances complexes que les méthodes existantes ne gèrent souvent que sous des hypothèses paramétriques restrictives ou sans structure causale explicite.
2. Absence de données MNAR : Les biomarqueurs critiques dans les DME présentent souvent des taux d'absence de 50 % à 80 %. Cette absence est pilotée par des décisions cliniques (par exemple, des tests commandés uniquement lorsqu'une condition est suspectée), ce qui signifie que la probabilité de données manquantes dépend de la valeur non observée elle-même.
3. Biais cumulatif : Les stratégies d'imputation standard (par exemple, MICE, MissForest) supposent généralement une absence de données Au-Hazard (MAR) et sont validées à de faibles taux d'absence. Lorsqu'elles sont appliquées à des données MNAR à fort taux, elles déforment les structures de corrélation entre les biomarqueurs et les résultats, conduisant à des estimations causales biaisées.

Les approches existantes traitent souvent l'imputation et l'inférence causale comme des étapes séparées ou s'appuient sur des approximations variationnelles/adversariales qui introduisent des défaillances silencieuses dans l'estimation des contrefactuels.

Méthodologie

Les auteurs proposent un pipeline en deux étapes conçu pour gérer conjointement l'absence de données MNAR et la structure causale dans le temps.

Étape 1 : Imputation Évolutionnaire Pilotée par LLM

Pour traiter l'entrée de données incomplètes, les auteurs introduisent un cadre de recherche évolutionnaire où un Grand Modèle de Langage (LLM) agit comme opérateur de mutation pour générer des stratégies d'imputation.

• Mécanisme : Au lieu de remplir directement les valeurs manquantes, le LLM propose des modules Python candidats (imputeurs) $g^{(k)}$.
• Score Proxy Auto-supervisé : La qualité de chaque candidat est évaluée sur un ensemble de validation proxy (données observées masquées) à l'aide d'un score composite $s(g)$ :
  $$s(g) = \text{RMSE}(g) + \lambda_Y \Delta_Y(g) + \lambda_T \Delta_T(g)$$
  Ce score pénalise l'erreur de reconstruction ponctuelle (RMSE) et, crucialement, la distorsion des corrélations covariables–résultats ($\Delta_Y$) et des corrélations covariables–traitement ($\Delta_T$). Cela garantit que les données imputées préservent la structure causale requise pour l'estimation en aval.
• Boucle Évolutionnaire : Partant d'un imputeur de départ, le LLM propose itérativement des variations basées sur le meilleur candidat actuel et un résumé de l'historique de recherche, n'acceptant que ceux qui améliorent strictement le score proxy.
• Backends : La méthode a été évaluée en utilisant trois backends LLM : GPT-5.4, GPT-OSS-120b et Qwen3.5-Plus.

Étape 2 : CausalFlow-T (Inférence Contrefactuelle Exacte)

Les données complétées $\hat{D}$ sont alimentées dans CausalFlow-T, un modèle novateur pour l'inférence contrefactuelle exacte.

• Architecture : Il combine un Flot Autoregressif Masqué Causal (CausalMAF) avec un encodeur Long Short-Term Memory (LSTM).
• Contraintes DAG : Le flot est contraint par un Graphe Acyclique Dirigé (DAG) spécifié par un expert. L'ordre autoregressif des variables suit strictement le tri topologique du DAG. Cela garantit que les interventions (opérations do) se propagent uniquement à travers les descendants causaux, empêchant toute fuite anti-causale.
• Inférence Exacte : Contrairement aux Autoencodeurs Variationnels (CVAE) ou aux méthodes basées sur les GAN qui optimisent une borne inférieure (ELBO) ou des objectifs adversariaux, CausalFlow-T maximise la vraisemblance logarithmique exacte.
• Procédure Contrefactuelle : Il emploie la procédure Abduction-Action-Prédiction (AAP) de Pearl :
  1. Abduction : Inverser le flot exactement pour récupérer le bruit exogène $z_t$ pour un patient spécifique.
  2. Action : Intervenir sur la variable de traitement ($A \leftarrow a'$) tout en maintenant $z_t$ fixe.
  3. Prédiction : Propager l'intervention à travers le flot contraint par le DAG pour générer le résultat contrefactuel.
     Cela garantit que le même bruit spécifique à l'individu est utilisé pour les bras factuel et contrefactuel, une propriété que les méthodes variationnelles ne peuvent fournir.

Contributions Clés

1. CausalFlow-T : Un flot de normalisation contraint par un DAG permettant une inférence contrefactuelle exacte et inversible pour des données longitudinales. Les auteurs démontrent qu'il est le seul modèle satisfaisant simultanément cinq critères de fiabilité (calibration des sous-groupes, préservation de la variance des queues, reconstruction des bras, récupération du rapport de risque et stabilité).
2. Identification de Modes de Défaillance Non Superposés : Grâce à des études d'ablation, l'article révèle deux modes de défaillance distincts en inférence causale :
   • Séparation de la Confusion : Nécessite une structure causale explicite (contraintes DAG). Les modèles sans contraintes DAG maintiennent un biais systématique même avec une faible erreur factuelle.
   • Propagation Structurelle : Nécessite une inférence exacte. Les méthodes variationnelles (même avec des DAG corrects) échouent à récupérer les vrais effets de traitement sous des chemins de médiation complexes en raison de lacunes d'approximation (effondrement postérieur).
3. Imputation Évolutionnaire Pilotée par LLM : Une stratégie d'imputation novatrice qui surpasse les méthodes statistiques standard (LOCF, MissForest) et les bases de référence d'appariement de flots dans la préservation des structures de corrélation causale sous 30 %–80 % d'absence MNAR.
4. Cadre d'Évaluation Joint : L'article établit que la précision de reconstruction ponctuelle et la fidélité causale ne sont pas des objectifs alignés. Il introduit une évaluation à double couche (qualité des biomarqueurs + qualité causale en aval) pour détecter des compromis invisibles aux métriques standard.

Résultats

Benchmarks Synthétiques et Semi-Synthétiques

• Performance de CausalFlow-T : Sur quatre jeux de données synthétiques (incluant un benchmark complexe de risque cardiovasculaire à 17 nœuds) et un jeu de données semi-synthétique basé sur FIRE, CausalFlow-T a été le seul modèle à satisfaire tous les critères de fiabilité.
  • Des concurrents comme GNN-CVAE et CVAE ont souffert d'effondrement postérieur (prédiction d'effets nuls là où des effets réels existaient) ou d'effondrement de variance.
  • TARNet et les flots non contraints n'ont pas pu récupérer les rapports de risque corrects ou les directions de traitement inversées.
• Performance d'Imputation : L'imputeur piloté par LLM (spécifiquement GPT-5.4) a obtenu le meilleur rang global sur les métriques de biomarqueurs et causales.
  • Il a maintenu le MAE et le RMSE ponctuels les plus faibles sur des taux d'absence de 30 %, 50 % et 80 %.
  • Crucialement, c'était la seule stratégie qui a préservé la récupération de l'Effet Moyen de Traitement (ATE) là où les méthodes statistiques (MissForest, CausalCFM) se sont dégradées progressivement à mesure que l'absence augmentait.
  • L'étude a mis en évidence un compromis : bien que CausalCFM ait parfois mieux préservé les corrélations à faible absence, les LLM ont dominé dans les régimes à forte absence et l'extrapolation temporelle.

Application en Monde Réel

Le pipeline a été appliqué à une cohorte de 6 114 adultes atteints de diabète de type 2 dans les soins primaires suisses (base de données FIRE) pour estimer l'effet de l'initiation d'agonistes des récepteurs GLP-1 par rapport aux inhibiteurs SGLT-2 sur le poids corporel à un an.

• Résultat : Le pipeline a estimé une différence de perte de poids par protocole de −0,98 kg [IC 95 % −1,01, −0,96] en faveur des agonistes GLP-1R.
• Validation : Cette estimation est cohérente avec l'essai contrôlé randomisé (RCT) SUSTAIN 8 qui a rapporté une différence de −1,06 kg, malgré les données du monde réel présentant une absence MNAR >50 % et des agents médicamenteux mixtes.

Signification et Revendications

L'article revendique que l'adressage conjoint de la structure causale et de l'absence de données MNAR est à la fois nécessaire et réalisable pour l'estimation pratique des effets de traitement à partir de données observationnelles.

• Au-delà des RCT : Le travail démontre que les pipelines basés sur l'apprentissage automatique peuvent étendre les preuves causales au-delà des populations et conditions restreintes des RCT vers des environnements cliniques réels où les essais sont irréalisables.
• Fiabilité plutôt que Précision : Les auteurs soutiennent qu'une faible erreur de prédiction factuelle (MAE) est insuffisante pour l'inférence causale. Les modèles doivent satisfaire des critères structurels (préservation de la variance, propagation correcte de la médiation) pour être fiables.
• Lien Imputation-Causalité : L'étude établit que les choix d'imputation ont des impacts directs et mesurables sur la validité causale, nécessitant des métriques d'évaluation conjointes plutôt que de traiter l'imputation comme une tâche purement de reconstruction.
• Limites Modestes : Les auteurs reconnaissent des limites, notamment la dépendance aux DAG spécifiés par des experts (l'analyse de sensibilité montre que le biais augmente avec la suppression de voies uniques), l'utilisation d'une relaxation continue pour les résultats de survie binaires (affectant la calibration) et l'hypothèse d'échangeabilité conditionnelle. Ils notent que les travaux futurs devraient explorer des architectures de flots discrets et un raffinement automatisé des DAG.

En résumé, l'article fournit un cadre robuste en deux étapes qui comble le fossé entre les données de DME réelles, incomplètes et désordonnées, et l'inférence causale rigoureuse, validé à la fois par des vérités de terrain synthétiques et par la cohérence avec des preuves RCT établies.