Résumé Technique : ConfoundingSHAP

Énoncé du Problème

En inférence causale observationnelle, l'attribution du traitement est souvent non aléatoire, entraînant des différences systématiques entre les groupes traités et non traités. Les variables qui influencent à la fois l'attribution du traitement et les résultats sont connues sous le nom de facteurs de confusion. Bien que les essais cliniques randomisés éliminent ce problème, les études observationnelles exigent que les chercheurs identifient et ajustent les facteurs de confusion pour estimer avec précision les effets causaux (par exemple, l'Effet Moyen Conditionnel du Traitement, CATE).

Un défi critique subsiste : Quelles covariables observées déterminent réellement la force de la confusion ?
Les méthodes d'explication existantes pour l'apprentissage automatique causal visent généralement des objets différents :

1. Scores de propension : Expliquer les mécanismes d'attribution du traitement.
2. Modèles de résultats : Expliquer le risque pronostique.
3. Estimateurs CATE : Expliquer l'hétérogénéité de l'effet du traitement (modificateurs d'effet).

Les auteurs soutiennent que l'application du SHAP standard (Shapley Additive exPlanations) aux estimateurs CATE est inadaptée pour identifier les facteurs de confusion. Les explications CATE se concentrent sur la variation des effets du traitement ; si un facteur de confusion déplace les résultats potentiels pour les groupes traités et témoins de manière similaire, sa contribution s'annule dans le CATE ($\tau(x) = \mu_1(x) - \mu_0(x)$), le rendant invisible pour les méthodes standard d'importance des caractéristiques. Par conséquent, il existe un manque de méthodes pour quantifier et attribuer spécifiquement la force de confusion observée aux covariables individuelles.

Méthodologie : ConfoundingSHAP

L'article présente ConfoundingSHAP, une méthode basée sur Shapley conçue pour attribuer la force de confusion aux covariables individuelles. La méthode fonctionne en définissant un jeu coopératif directement sur un fonctionnel de biais de confusion, plutôt que sur un modèle prédictif.

1. Définition du Fonctionnel de Biais de Confusion

Le cœur de la méthode consiste à quantifier le biais de confusion résiduel ($b_S$) lors de la restriction de l'ensemble d'ajustement à un sous-ensemble de covariables $S$.

• Contraste Observationnel ($\delta_S$) : La différence des résultats observés entre les unités traitées et témoins, conditionnelle au sous-ensemble $X_S$.
• Contraste Causal ($\tau_S$) : La projection du CATE à ajustement complet sur le sous-ensemble $X_S$ (c'est-à-dire $E[\tau(X) | X_S]$).
• Biais Résiduel : $b_S(x_S) = \delta_S(x_S) - \tau_S(x_S)$.

Si $S$ contient tous les facteurs de confusion, $b_S = 0$. Si $S$ est insuffisant, $b_S \neq 0$ (sauf si les biais s'annulent parfaitement).

2. Le Jeu Coopératif

Les auteurs définissent un jeu coopératif où :

• Joueurs : Les covariables individuelles.
• Coalitions : Sous-ensembles de covariables inclus dans l'ensemble d'ajustement.
• Fonction de Valeur ($\nu$) : Définie comme l'opposé du biais résiduel attendu, $\nu(S) = -E[b_S(X_S)]$.
  • Le signe négatif garantit qu'une valeur Shapley positive indique la contribution d'une covariable à la réduction du biais (c'est-à-dire son importance en tant que facteur de confusion).
• Valeurs de Shapley : La valeur Shapley $\phi_j$ pour la covariable $j$ décompose la réduction totale du biais (de l'absence d'ajustement à l'ajustement complet) en contributions individuelles.

3. Estimation Évolutif via TabPFN

L'évaluation de la fonction de valeur pour chaque coalition nécessite d'ajuster des modèles pour chaque sous-ensemble $S$, ce qui est prohibitif en termes de calcul ($O(2^p)$). Pour y remédier, les auteurs proposent une stratégie d'estimation évolutive utilisant TabPFN (un modèle fondamental tabulaire) :

1. Précalcul : Ajuster un modèle de résultat complet sur toutes les covariables pour générer des pseudo-résultats (estimations CATE à ajustement complet).
2. Apprentissage en Contexte : Pour chaque coalition interrogée $S$, utiliser TabPFN pour estimer le contraste observationnel et le contraste causal projeté sans réentraîner les paramètres du modèle. TabPFN se conditionne sur les données d'entraînement fournies dans le contexte, traitant le sous-ensemble $S$ comme les caractéristiques d'entrée.
3. Approximation Shapley : Utiliser des estimateurs Shapley efficaces (par exemple, RegressionMSR) pour approximer les valeurs sur la base d'un budget d'évaluations de coalitions, évitant ainsi l'énumération exhaustive.

Contributions Clés

1. Méthode Nouvelle : Introduction de ConfoundingSHAP, la première méthode basée sur Shapley spécifiquement conçue pour mesurer et attribuer la force de confusion observée au niveau des covariables.
2. Distinction Théorique : Une démonstration formelle que la force de confusion est distincte de l'hétérogénéité de l'effet du traitement. L'article prouve que les explications CATE standard peuvent manquer totalement les facteurs de confusion si leurs effets sur les résultats sont symétriques entre les bras de traitement.
3. Algorithme Évolutif : Une implémentation pratique utilisant TabPFN qui évite le réajustement exhaustif requis par l'évaluation exacte du fonctionnel de biais, permettant l'application à des ensembles de données de dimension moyenne et élevée.
4. Validation Empirique : Des expériences complètes montrant la capacité de la méthode à retrouver les facteurs de confusion véritables dans des données synthétiques, à détecter la disparition de la confusion dans les essais randomisés (RCT), et à identifier des facteurs de confusion cliniquement plausibles dans des études observationnelles réelles.

Résultats Expérimentaux

Les auteurs évaluent ConfoundingSHAP dans trois principaux contextes :

1. Données Synthétiques avec Vérité Terrain Connue :

   • Dans des contextes de faible dimension (4 covariables) et de dimension moyenne (17 covariables), ConfoundingSHAP attribue correctement des valeurs Shapley élevées aux vrais facteurs de confusion et des valeurs proches de zéro aux instruments, modificateurs d'effet et prédicteurs de résultats uniquement.
   • À l'inverse, le SHAP standard appliqué à un estimateur CATE a échoué à identifier le facteur de confusion dans des scénarios spécifiques où l'effet du facteur de confusion s'annulait dans le calcul de l'effet du traitement.
   • La méthode a démontré une grande stabilité de rang sur plusieurs graines aléatoires.

2. Essai Contrôlé Randomisé (Jeu de Données ACTG) :

   • Appliqué à un jeu de données RCT réel (ACTG 175) où le traitement a été attribué au hasard, ConfoundingSHAP a correctement identifié que la force de confusion avait disparu (valeurs proches de zéro). Même lorsque l'attribution du traitement a été artificiellement modifiée pour introduire de la confusion dans une variante semi-synthétique, la méthode a réussi à retrouver les facteurs de confusion introduits.

3. Étude Observationnelle Réelle (SUPPORT/RHC) :

   • Appliqué à l'étude de cathétérisme cardiaque droit SUPPORT, la méthode a identifié des variables telles que le score de physiologie aiguë (APS1) comme ayant une forte force de confusion, s'alignant avec la connaissance clinique selon laquelle la gravité de la maladie détermine à la fois les décisions de traitement et la mortalité.
   • Les variables non pertinentes (par exemple, l'ID du patient) ont correctement reçu une force de confusion proche de zéro.

Signification et Revendications

L'article revendique que ConfoundingSHAP comble une lacune critique dans l'explicabilité de l'apprentissage automatique causal. En déplaçant le focus de « ce qui détermine l'hétérogénéité de l'effet du traitement » vers « ce qui détermine le biais de confusion », la méthode fournit des informations exploitables pour :

• Sélection de Variables : Aider les chercheurs à choisir des ensembles d'ajustement minimaux suffisants dans les études observationnelles.
• Conception d'Étude : Informer la conception d'études observationnelles prospectives (par exemple, essais cibles simulés) en mettant en évidence quelles covariables sont critiques pour la comparabilité.
• Transparence : Offrir un outil de diagnostic pour comprendre quelles covariables mesurées créent une incomparabilité entre les groupes de traitement.

Les auteurs soulignent que ConfoundingSHAP ne certifie pas l'absence de biais causal (qui dépend de la confusion non mesurée) mais quantifie plutôt le biais découlant de l'ajustement restreint des covariables observées. Il sert d'outil complémentaire aux connaissances du domaine, aux diagrammes causaux et à l'analyse de sensibilité.