Dynamic Prediction of Alternating Recurrent Events via Neural Network

Résumé technique : Prédiction dynamique d'événements récurrents alternés via les réseaux de neurones

Énoncé du problème
Les événements récurrents alternés — des résultats où un événement primaire (ex. : hospitalisation, épisode dépressif) déclenche une période réfractaire secondaire durant laquelle l'individu n'est plus à risque de subir l'événement primaire — surviennent fréquemment en biostatistique, en sciences du comportement et en justice pénale. L'analyse de ces événements présente des défis statistiques uniques : les deux types d'événements sont mutuellement exclusifs, créant des risques concurrents ; les observations sont corrélées ; et les données sont sujettes à la censure. Les approches traditionnelles reposent souvent sur des processus de Markov basés sur l'état ou des modèles d'intensité semi-paramétriques (ex. : extensions de Cox). Cependant, ces méthodes peinent souvent face au problème du « temps de latence dépendant » (dependent gap-time) ou nécessitent que les analystes spécifient des relations paramétriques entre les covariables et les résultats. De plus, les outils de prédiction dynamique existants pour les événements récurrents traitent rarement la prédiction « en ligne » ou en temps réel, où le profil de risque d'un individu est mis à jour continuellement sur la base de l'expérience nouvellement observée, particulièrement pour les structures d'événements alternés.

Méthodologie
Les auteurs proposent un cadre de prédiction dynamique en ligne qui combine les pseudo-observations avec l'apprentissage profond pour prédire le temps jusqu'au prochain événement récurrent primaire sur une fenêtre de suivi fixe ($\tau$). La méthodologie se déroule en quatre étapes clés :

1. Transformation des données : Suivant l'approche de Tayob et Murray (2015), les auteurs transforment la chronologie des événements récurrents alternés en un ensemble de données longitudinales censurées. À des moments de contrôle prédéfinis $t$, les données sont restructurées pour identifier le temps jusqu'au premier événement observé après $t$. Crucialement, cette structure tient compte du statut « à risque » ($R_i(t)$) ; les sujets se trouvant actuellement dans une période réfractaire (secondaire) sont marqués comme n'étant pas à risque pour l'événement primaire, rendant leur temps d'événement primaire inobservable à ce moment précis.
2. Pseudo-observations : Pour gérer la censure indépendante, les auteurs construisent des pseudo-observations pour le temps de survie moyen restreint à $\tau$, soit $E[\min\{T_i(t), \tau\}]$. En utilisant une méthodologie de jack-knife (Andersen et al., 2003), ces pseudo-observations remplacent le résultat de survie censuré, permettant ainsi une modélisation par régression.
3. Pondération par l'inverse de la probabilité (IPW) : Pour corriger le biais introduit par la sélection non aléatoire des sujets dans l'ensemble « à risque » (en raison de la nature alternée des événements), le cadre utilise des poids d'inverse de probabilité. La probabilité d'être à risque, $P(R_i(t)=1 | \bar{Z}_i(t))$, est estimée soit par un réseau de neurones à mémoire courte et longue (LSTM), soit par une forêt aléatoire longitudinale. Ces poids sont incorporés dans la fonction de perte du modèle de prédiction.
4. Modèles de prédiction : Deux modèles de prédiction dynamique sont proposés :
   • Modèle basé sur le LSTM : Une architecture de réseau neuronal utilisant des LSTM pour modéliser les pseudo-observations. Cette approche exploite les mécanismes de porte pour intégrer les données historiques des covariables et gère les relations complexes et non linéaires sans spécifier de formes fonctionnelles au préalable.
   • Modèle semi-paramétrique pondéré : Une approche d'équations d'estimation généralisées (GEE) qui ajuste un modèle linéaire aux pseudo-observations pondérées. Cela sert de référence semi-paramétrique offrant une certaine interprétabilité.

Contributions clés

• Cadre novateur : Il s'agit du premier modèle de prédiction dynamique proposé spécifiquement pour les événements récurrents alternés dans un contexte en ligne.
• Intégration de l'apprentissage automatique et des statistiques : Le papier comble le fossé entre l'analyse de survie statistique et l'apprentissage automatique moderne en adaptant les architectures LSTM pour les données longitudinales censurées à l'aide de pseudo-observations et de l'IPW.
• Gestion des périodes réfractaires : La méthode traite explicitement le statut « à risque », garantissant que les prédictions pour l'événement primaire ne soient pas biaisées par le temps passé dans l'état secondaire (réfractaire).
• Comparaison des stratégies de pondération : L'étude évalue si le LSTM ou la Forêt Aléatoire est supérieur pour estimer les poids d'inverse de probabilité nécessaires pour débiaser les modèles de prédiction.

Résultats
Les méthodes proposées ont été évaluées par des études de simulation et une application aux données de l'Intern Health Study (IHS), prédisant les périodes de faible moral pour les internes en médecine de première année.

• Simulation : Dans des scénarios avec des relations de covariables complexes et des temps de latence corrélés, le modèle de prédiction dynamique basé sur le LSTM a démontré une performance supérieure par rapport aux modèles GEE semi-paramétriques (tant « Oracle » que « Effets Principaux ») en termes de statistique C (discrimination) et de somme des erreurs quadratiques (RESS), particulièrement à mesure que les données historiques s'accumulaient. Bien que le LSTM ait montré un biais légèrement plus élevé dans certains contextes (un compromis biais-variance classique), sa discrimination prédictive était exceptionnelle, dépassant souvent le modèle oracle semi-paramétrique. Tant le LSTM que la Forêt Aléatoire ont performé de manière similaire lorsqu'ils étaient utilisés pour estimer les poids d'inverse de probabilité.
• Application (IHS) : Appliqué à des données réelles, le modèle LSTM a atteint un C-statistic maximal d'environ 0,97, surpassant de manière significative le modèle GEE à effets principaux (C-statistic max ~0,82). Le modèle LSTM utilisant les poids dérivés du LSTM a présenté le RESS le plus bas après les 300 premiers jours de suivi.

Signification et affirmations
Les auteurs affirment que leur cadre constitue un outil robuste pour la prise de décision clinique en temps réel, spécifiquement pour identifier les moments opportuns pour l'intervention (ex. : notifications via application mobile pour les internes en médecine). La portée de ce travail réside dans sa capacité à exploiter le pouvoir prédictif de l'apprentissage profond (spécifiquement les LSTM) tout en maintenant une rigueur statistique grâce aux pseudo-observations et à la pondération par l'inverse de la probabilité pour gérer la censure et les structures d'événements alternés.

Le papier reconnaît modestement que, bien que l'approche LSTM offre une précision prédictive supérieure, elle fonctionne comme une « boîte noire » comparée à l'approche semi-paramétrique GEE. L'absence d'estimations de paramètres interprétables dans le modèle de réseau neuronal signifie que la forme fonctionnelle spécifique de la manière dont l'historique des covariables influence le résultat reste opaque, malgré l'utilisation d'embeddings. Les auteurs soulignent que le succès du LSTM repose lourdement sur une sélection minutieuse des hyperparamètres et sur la disponibilité d'un historique longitudinal suffisant, notant que la méthode n'est pas robuste aux choix aléatoires d'hyperparamètres. Ils concluent que si les méthodes d'apprentissage automatique excellent en prédiction, le domaine accuse encore un retard dans la fourniture des preuves statistiques théoriques (consistance, identifiabilité) qui sous-tendent les méthodes statistiques traditionnelles.