Résumé Technique : Correction du Biais Diagnostique Hétérogène à l'Aide de Modèles de Markov Cachés Causaux

Énoncé du Problème

Les modèles de prédiction clinique développés à partir de dossiers médicaux électroniques (DME) de routine souffrent souvent d'un biais diagnostique hétérogène. Dans les soins courants, les individus identifiés comme à haut risque (en raison de facteurs cliniques) ou appartenant à des groupes démographiques spécifiques (par exemple, sexe, ethnie, statut socio-économique) sont fréquemment testés plus souvent que les autres. Cela se traduit par un délai diagnostique différentiel, où certains groupes sont sous-diagnostiqués ou diagnostiqués plus tardivement que ce qu'ils seraient dans des conditions de test égales.

Par conséquent, les modèles entraînés sur de telles données apprennent à prédire le taux de diagnostic observé plutôt que le risque réel de la maladie sous-jacente. Cela conduit à une sous-estimation systématique du risque pour les groupes sous-diagnostiqués, provoquant des erreurs de calibration et une éventuelle injustice dans la prise de décision clinique. Les approches standard échouent souvent à résoudre ce problème car le statut de la maladie « réel » n'est pas observé pour les individus non diagnostiqués, et le biais est piloté par l'interaction entre les attributs du patient et le comportement de test du système de santé.

Méthodologie

Les auteurs proposent un cadre d'inférence causale utilisant un Modèle de Markov Caché (HMM) pour corriger ce biais. L'approche comprend trois composants principaux :

1. Modélisation Causale via Graphes Acycliques Dirigés (DAG)

Les auteurs définissent un DAG où :

• $X_n$ : Covariables de base (facteurs de risque).
• $A_n$ : Attributs d'observabilité (par exemple, sexe, ethnie, comorbidités) qui influencent à la fois le risque de maladie et la probabilité de test.
• $\tilde{A}_n$ : La présentation de $A_n$ affectant spécifiquement la décision de test conditionnelle au stade de la maladie.
• $S_{n,t}$ : Stade latent de la maladie (0 : Pas de maladie, 1 : Stade précoce, 2 : Stade tardif).
• $R_{n,t}$ : Résultats des tests (Négatif, Précoce Positif, Tardif Positif, ou Pas de test).
• $D_{n,t}$ : Diagnostic (survient si un test est positif).

L'objectif est d'estimer un estimand contrefactuel : la probabilité de diagnostic $P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$, représentant le risque si l'individu était soumis au taux de test d'un groupe de référence (généralement le groupe avec les délais diagnostiques les plus courts), tout en conservant sa progression réelle de la maladie et ses facteurs de risque.

2. Formulation du Modèle de Markov Caché

Le processus longitudinal de la maladie est modélisé comme un HMM avec :

• Noyau de Transition ($Q$) : Définit la probabilité de passer d'un stade de maladie à un autre (0 $\to$ 1 $\to$ 2). Il suppose une maladie progressive où la régression est impossible. La transition de « Pas de maladie » à « Stade précoce » est régie par une fonction de risque $h(X_n, A_n, t)$, tandis que la transition de « Précoce » à « Tardif » est une probabilité constante $\beta_{S=1 \to 2}$.
• Probabilités d'Émission ($\Gamma$) : Définit la probabilité d'observer un résultat de test $R_{n,t}$ étant donné le stade latent $S_{n,t}$ et l'attribut d'observabilité $A_n$. Crucialement, les taux de test pour la maladie au stade précoce ($\beta_{S=1, A_n}^R$) sont autorisés à varier selon $A_n$, capturant l'hétérogénéité diagnostique. Les taux de test pour le stade tardif sont supposés indépendants de $A_n$ en raison des symptômes sévères.
• État Initial ($\pi$) : La distribution de probabilité du stade de la maladie à la base.

Les paramètres du modèle sont estimés par maximum de vraisemblance en utilisant un algorithme vers l'avant et une optimisation basée sur le gradient (L-BFGS dans PyTorch), en marginalisant sur les états latents non observés.

3. Imputation de Résultat Contrefactuel

Une fois le HMM ajusté, la méthode génère un jeu de données contrefactuel pour entraîner un modèle de prédiction standard :

1. Reconstruction : Le HMM estime la probabilité de la trajectoire de maladie latente pour chaque individu étant donné son historique de tests observé.
2. Intervention : Les probabilités d'émission sont modifiées pour refléter le taux de test du groupe de référence ($\tilde{A}_n = 0$).
3. Imputation : Les probabilités de diagnostic contrefactuelles ($p_{n,T}^{cf}$) sont calculées. Pour éviter d'enfler l'incidence, les auteurs appliquent une hypothèse de monotonie : si un individu a été diagnostiqué dans la réalité ($D=1$), il reste diagnostiqué dans le contrefactuel ($D^{cf}=1$). Seuls les individus non diagnostiqués ($D=0$) dans le groupe sous-diagnostiqué sont ré-imputés en fonction de leur probabilité contrefactuelle.
4. Recalibration : Les probabilités contrefactuelles pour les cas ré-imputés sont redimensionnées pour garantir que l'incidence contrefactuelle totale correspond à l'incidence de la population contrefactuelle estimée.
5. Entraînement : Un modèle de régression logistique standard est entraîné sur ce jeu de données ré-imputé pour prédire le résultat contrefactuel.

Contributions Clés

• Cadre HMM Causal : L'article introduit une application novatrice des HMM causaux pour modéliser et corriger explicitement le délai diagnostique différentiel dans les maladies progressives, allant au-delà de la simple correction d'étiquettes.
• Identifiabilité et Robustesse : Grâce à des simulations, les auteurs démontrent que les paramètres du HMM sont identifiables et que l'approche reste robuste même lorsque les hypothèses (telles que la sensibilité parfaite du test ou des taux de progression uniformes) sont violées.
• Application Réelle : La méthode est appliquée à un vaste jeu de données de la UK Biobank pour prédire l'incidence de la maladie rénale chronique (CKD) sur 5 ans, corrigeant avec succès le biais à travers plusieurs sous-groupes.
• Équité Centrée sur les Données : L'approche s'aligne sur l'équité « centrée sur les données » en modélisant les mécanismes d'enregistrement des données (comportement de test) qui génèrent le biais, plutôt que de simplement supprimer les attributs protégés du modèle.

Résultats

Études de Simulation

Dans des simulations avec 50 000 patients, la méthode proposée a nettement surpassé les modèles « Naïfs » standards (entraînés sur des données observées) et « Aveugles » (entraînés sans attributs protégés) :

• Calibration : Le ratio Observé:Attendu (O:E) pour le groupe sous-diagnostiqué est passé de 1,34 (Naïf) à 1,02 (Proposé), indiquant une calibration quasi parfaite.
• Robustesse : Même lorsque les hypothèses étaient violées (par exemple, sensibilité imparfaite du test ou taux de progression variables), la méthode proposée a maintenu une meilleure calibration que les modèles standards, bien que le biais d'estimation des paramètres ait augmenté.

Étude de Cas : Maladie Rénale Chronique (CKD)

En utilisant 123 460 individus de la UK Biobank :

• Hétérogénéité Diagnostique : Le HMM a identifié le diabète comme le principal moteur de l'observabilité (Rapport de cotes : 10,36 pour les taux de test), suivi de l'hypertension. Être femme était associé à des taux de test plus faibles (OR : 0,69).
• Correction du Biais :
  • Le modèle Naïf a sous-estimé sévèrement le risque pour les patients sans diabète (ratio O:E : 1,55).
  • Le modèle Imputé a corrigé cela, atteignant un ratio O:E de 1,01 pour le groupe non diabétique, tout en maintenant la calibration pour le groupe diabétique (O:E : 1,01).
• Utilité Clinique : L'analyse de la courbe de décision a montré un bénéfice net amélioré pour les deux groupes, en particulier pour la population sous-diagnostiquée, sans réduire les performances pour les groupes bien surveillés.
• Stratification du Risque : Le modèle corrigé a augmenté le risque estimé pour les patients sans diabète, reflétant leur vrai risque sous-jacent plutôt que leur moindre probabilité d'être testés.

Signification et Revendications

Les auteurs affirment que leur approche offre une méthode théoriquement fondée et empiriquement validée pour réduire le biais et l'injustice dans les modèles de prédiction clinique, sans nécessiter de données d'incidence externes ni d'hypothèses fixes sur la prévalence de la maladie.

En modélisant explicitement le « processus diagnostique » comme une variable latente influencée par les attributs du patient, la méthode permet d'estimer le risque dans un scénario contrefactuel équitable où les taux de test sont égalisés. Les auteurs soulignent que cela conduit à une stratification du risque plus précise, garantissant que les populations sous-diagnostiquées ne sont pas systématiquement négligées dans les soins préventifs. Ils positionnent ce travail comme une étape vers l'équité « centrée sur les données », en s'attaquant aux causes racines du biais dans les données cliniques de routine plutôt qu'à la simple atténuation des symptômes dans le modèle final.

L'article conclut avec modestie, notant que si la méthode repose sur des hypothèses spécifiques (par exemple, progression markovienne, taux de test constants au stade tardif), elle fournit un cadre flexible qui peut être étendu à des trajectoires de maladies plus complexes et à plusieurs types de tests dans les travaux futurs.