CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

Résumé Technique : Prédiction Conformée CASCADE

Énoncé du Problème
La gestion efficace des médicaments pour la maladie de Parkinson (MP) est compliquée par une progression hétérogène de la maladie et des réponses variables des patients. Les systèmes d'aide à la décision clinique pour la MP utilisent souvent une architecture en deux étapes : un classifieur détermine si un ajustement médicamenteux est nécessaire (Étape 1), suivi d'un régresseur prédisant de combien la posologie doit changer (Étape 2), généralement mesuré par la dose quotidienne équivalente en L-Dopa (LEDD).

Un écart critique existe dans les méthodes actuelles de quantification de l'incertitude (UQ) pour de tels systèmes. Les approches standard de prédiction conforme (CP) traitent l'étape de régression de manière isolée, ignorant l'incertitude épistémique générée lors de l'étape de classification en amont. Par conséquent, un modèle peut produire un intervalle de prédiction statique et étroit pour un patient où la décision d'intervenir est hautement ambiguë (par exemple, 55 % de certitude), tout en produisant un intervalle similaire pour un patient ayant un besoin clair (par exemple, 99 % de certitude). Ce « conservatisme rigide » échoue à communiquer la fiabilité des prédictions, pouvant entraîner une surconfiance dangereuse dans les cas ambigus et un conservatisme inutile dans les cas clairs.

Méthodologie : Le Cadre CASCADE
Les auteurs introduisent CASCADE (Calibrated Adaptive Scaling via Conformal And Distributional Estimation), un cadre qui propage l'incertitude épistémique d'un classifieur de dépistage pour mettre à l'échelle dynamiquement les intervalles de prédiction en aval.

1. Quantification de l'Incertitude Épistémique (Étape 1) :
   Au lieu de s'appuyer sur des sorties de probabilité standard, le cadre utilise des prédicteurs Venn-Abers (VA) pour générer un intervalle multi-probabiliste $[p_0(x), p_1(x)]$ pour la tâche de classification. Le score d'incertitude, $u_{VA}(x)$, est défini comme la longueur de cet intervalle ($p_1(x) - p_0(x)$). Un intervalle plus large indique une ambiguïté plus élevée concernant la nécessité réelle d'un changement de médication.

2. Calibration Conformée Adaptative (Étape 2) :
   Le score $u_{VA}(x)$ est mappé directement sur les scores de non-conformité de la tâche de régression. Les auteurs proposent deux stratégies :

   • Approche Mondriane (Discrète) : L'ensemble de calibration est partitionné en strates basées sur les quantiles de $u_{VA}(x)$. Les intervalles de prédiction sont construits en utilisant uniquement les résidus de la strate correspondante. Bien que valide, cette approche souffre de fragmentation des données.
   • Approche Cascade Continue : Cette méthode utilise une fonction d'échelle centrée sur la moyenne $\sigma(x)$ paramétrée par un facteur de sensibilité $\beta$ :
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     Ici, $\bar{u}_{VA}$ est l'incertitude moyenne de l'ensemble de calibration. Si l'incertitude d'un patient est supérieure à la moyenne, l'intervalle s'élargit ; si elle est inférieure, il se rétrécit. L'intervalle de prédiction final est construit en utilisant un quantile global des scores de non-conformité mis à l'échelle, garantissant que la longueur de l'intervalle évolue continûment avec la difficulté de la décision clinique.

Contributions Clés

1. Transfert d'Incertitude Inter-tâches : Le cadre établit un mécanisme pour mapper la fiabilité de la classification (via Venn-Abers) directement sur les scores de non-conformité conformes, permettant aux intervalles de régression de s'adapter à l'incertitude en amont sans entraîner de modèles d'erreur auxiliaires.
2. Mécanisme d'Échelle Continue : En introduisant un paramètre ajustable $\beta$ dans l'implémentation continue, les auteurs évitent les artefacts de discrétisation et la fragmentation de la taille de l'échantillon inhérents aux approches de binning traditionnelles (Mondrian).
3. Validation Clinique : Le cadre est validé sur une décennie de données de patients hospitalisés provenant de 631 patients à l'Université de la Floride Health, démontrant qu'il maintient les garanties de couverture marginale tout en améliorant significativement l'efficacité pour les cas à haute confiance.

Résultats
Évalué par rapport aux bases de référence conformes standard (Naïve, CP Standard, CV+, J+aB) et à une base de référence Mondriane discrète :

• Couverture : Le cadre CASCADE Continu (avec $\beta=0.7$) a atteint une couverture marginale de 80,1 %, répondant au niveau de confiance cible de 80 %. En revanche, la CP Standard a atteint une couverture de 84,0 %, indiquant une sur-couverture due au conservatisme rigide.
• Efficacité : Pour les patients à faible incertitude (tiers inférieur), CASCADE a réduit la longueur moyenne de l'intervalle de prédiction de 38,9 % (de 0,113 à 0,069) par rapport à la base de référence CP Standard.
• Adaptativité (Ratio Cascade) : Le cadre a atteint un Ratio Cascade (CR) de 4,23, contre 1,00 pour la CP Standard. Cela indique que la longueur de l'intervalle pour les cas à haute incertitude (tiers supérieur) était près de 2,6 fois plus large que pour les cas à faible incertitude (0,292 contre 0,069), créant efficacement une « marge de sécurité » pour les cas ambigus.
• Significativité Statistique : Un test de Kolmogorov-Smirnov a confirmé une divergence significative ($D=0.62, p < 10^{-54}$) entre les distributions d'intervalles de CASCADE et de la CP Standard. De plus, une corrélation de Spearman quasi parfaite ($\rho = 0.999$) a été observée entre la longueur de l'intervalle et le score d'incertitude Venn-Abers, confirmant que l'adaptativité est pilotée par le signal d'incertitude.

Signification et Revendications
L'article revendique que CASCADE comble le fossé entre la prise de décision clinique discrète et la prévision continue des doses. En couplant explicitement l'incertitude de classification avec la calibration de régression, le cadre agit comme une sauvegarde automatisée :

• Il prévient la surconfiance dangereuse dans les scénarios complexes ou ambigus en élargissant automatiquement les intervalles de prédiction pour assurer une couverture robuste.
• Il élimine le conservatisme inutile pour les cas simples, fournissant aux cliniciens des directives plus précises et exploitables.

Les auteurs soulignent que bien que le cadre ait été validé sur la gestion médicamenteuse de la MP, il s'attaque à un écart fondamental de fiabilité dans n'importe quel pipeline en deux étapes où une évaluation d'intervention discrète précède une tâche de quantification continue. L'œuvre postule que l'adaptativité n'est pas simplement un perfectionnement technique, mais une nécessité clinique pour aligner le comportement de l'IA sur le principe de primum non nocere (d'abord, ne pas nuire). Les auteurs notent que bien que le cadre mette en lumière l'incertitude pour avertir les cliniciens, une validation prospective et un examen réglementaire sont requis avant le déploiement clinique.