📊 statistics

Causal Inference for Case Studies in Behavioral Health

Cet article introduit un cadre d'inférence causale pour les études de cas en santé comportementale qui utilise des estimands $\Omega$ basés sur les supports de résultats plutôt que sur les distributions, permettant des conclusions causales valides en présence de confusion non mesurée avec seulement une hypothèse de positivité.

Auteurs originaux : Shane Sparkes

Publié 2026-07-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shane Sparkes

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le gros problème : Le dilemme du « voyage dans le temps »

Imaginez que vous êtes un thérapeute essayant de déterminer si un traitement spécifique a aidé un client. Dans un monde parfait, vous pourriez utiliser une « machine à voyager dans le temps » pour voir ce qui serait arrivé à cette même personne exacte si elle n'avait pas reçu le traitement. Vous pourriez comparer son « moi traité » avec son « moi non traité ».

Mais, comme le souligne l'article, le voyage dans le temps n'existe pas. On ne peut pas rembobiner l'horloge. De plus, dans la vie réelle, on ne peut pas tout mesurer. Il existe toujours des facteurs cachés (comme une mauvaise journée au travail d'un client, une dispute familiale ou la météo) qui pourraient influencer à la fois le traitement reçu et la façon dont la personne se sent. En statistiques, ces facteurs cachés sont appelés variables de confusion (ou facteurs de confusion). Habituellement, pour prouver la cause et l'effet, il faut mesurer et contrôler tous ces facteurs cachés. Mais dans le domaine de la santé comportementale, il est souvent impossible, voire contraire à l'éthique, de tout mesurer sans perturber le flux naturel des soins.

La solution : Regarder le « menu » plutôt que la « commande »

L'auteur, Shane Sparkes, propose une nouvelle façon de résoudre ce problème. Au lieu d'essayer de calculer l'amélioration moyenne (ce qui nécessite de connaître toutes les probabilités cachées), il suggère de regarder l'éventail des possibilités.

L'analogie : Le menu du restaurant
Imaginez que le niveau d'anxiété d'un client est comme un menu de sentiments possibles, allant de « Calme » (1) à « Panique » (10).

Avant le traitement : Le « menu » de sentiments possibles du client inclut tout, de 1 à 10. Il peut ressentir un 10 aujourd'hui, un 7 demain ou un 2 la semaine prochaine.
Après le traitement : Si le traitement fonctionne, le client peut toujours ressentir un 1, un 2 ou un 3, mais il ne ressentira peut-être plus jamais un 9 ou un 10. Le « 9 » et le « 10 » ont été retirés du menu.

L'article soutient que si le traitement change le menu (l'ensemble des résultats possibles), nous pouvons dire qu'il a eu un effet, même si nous ne connaissons pas les probabilités exactes de ressentir un 7 par rapport à un 8.

L'idée centrale : Les $\Omega$ -estimands

L'article introduit un terme sophistiqué appelé $\Omega$ -estimands (prononcé « Oméga-estimands »).

Les méthodes traditionnelles regardent la distribution (la probabilité de chaque nombre). Elles demandent : « Quel est le score moyen ? »
La méthode de cet article regarde le support (la liste des nombres qui sont réellement possibles). Elle demande : « Quels nombres sont sur le menu ? »

L'auteur affirme que si vous regardez le menu (le support) plutôt que les probabilités (la distribution), vous n'avez pas besoin de connaître les facteurs de confusion cachés. Tant qu'une condition de base appelée Positivité est respectée, le « menu » que vous voyez dans le monde réel est le même que celui que vous auriez vu dans une expérience parfaite.

Qu'est-ce que la Positivité ?
Voyez la Positivité comme une règle d'« options ouvertes ». Cela signifie que peu importe la situation cachée dans laquelle se trouve un client (mauvaise journée, bonne journée, crise), le prestataire de soins a toujours la possibilité de proposer le traitement. Si une crise est si grave que le prestataire ne peut plus proposer le traitement habituel, la Positivité est rompue. Mais si le prestataire peut toujours proposer le traitement (même en l'ajustant), le « menu » reste valide pour la comparaison.

Les trois « règles » de la méthode

Pour que cela fonctionne dans une clinique réelle, l'article suggère trois conditions :

Positivité (La règle de la porte ouverte) : Comme mentionné ci-dessus, le traitement doit être possible dans toutes les situations. Le « menu » des traitements ne doit pas disparaître simplement parce que la vie du client s'est compliquée.
Préservation Épistémique (La règle de la « même forme ») : C'est un peu technique, mais cela signifie essentiellement que la personne qui porte le jugement (le thérapeute ou le client) doit utiliser une manière cohérente de concevoir l'incertitude. S'ils évaluent le sentiment « moyen » avant le traitement, ils doivent évaluer le sentiment « moyen » après le traitement en utilisant la même logique mentale.
Rappel du Support (La règle du « menu de mémoire ») : Généralement, nous n'avons pas de données pour la période « avant », car le client n'était pas encore mesuré. L'article suggère de demander au client de se souvenir de sa ligne de base. La règle est la suivante : même si la mémoire du client n'est pas parfaite, tant qu'il se souvient de l'éventail des possibilités (ex: « j'avais l'habitude de ressentir entre 8 et 10 »), cette mémoire est suffisante pour comparer avec le « menu » actuel.

L'étude de cas : Un exemple simple

L'article utilise un exemple réel d'un étudiant de 23 ans souffrant d'anxiété.

Avant le traitement : Ses scores d'anxiété étaient élevés (autour de 10).
Après 19 séances : Ses scores ont chuté, et le score le plus bas qu'il ait jamais atteint était de 4.
Le calcul : L'auteur utilise un truc mathématique simple (le raisonnement bayésien) pour dire : « Étant donné que l'étudiant a commencé à 10 et est descendu à un minimum de 4, il existe une forte croyance que le traitement a fonctionné. »
Le résultat : Ils ont calculé une probabilité (environ 59 %) que le traitement ait été efficace. Ce n'est pas une « preuve » au sens scientifique du terme, mais cela donne au thérapeute et au client une raison cohérente et logique de croire que le traitement a aidé, grâce au fait que le « menu » des sentiments possibles a changé.

L'essentiel à retenir

Cet article affirme que nous pouvons prouver qu'un traitement fonctionne dans la vie d'une seule personne (une étude N=1) sans avoir besoin de mesurer chaque facteur caché de sa vie.

L'ancienne méthode : « Nous devons tout mesurer pour en être sûrs. » (Souvent impossible).
La nouvelle méthode : « Si le traitement supprime les pires possibilités de la vie du client (change le menu), et que le traitement était toujours une option (Positivité), alors nous avons la preuve d'un effet causal. »

L'auteur admet que cette méthode est un compromis : elle est très robuste face aux erreurs cachées (facteurs de confusion), mais elle pourrait manquer des changements subtils si le « menu » reste le même mais que la fréquence des sentiments change. Cependant, pour la santé comportementale, où l'objectif est souvent d'éliminer les symptômes les plus graves (les « 9 et 10 »), cette méthode offre une voie pratique et logique pour que les thérapeutes et les clients comprennent leurs progrès.

Résumé technique : Inférence causale pour les études de cas en santé comportementale

Énoncé du problème
L'article traite du défi fondamental que représente l'inférence causale dans les contextes observationnels $N=1$ , spécifiquement au sein des études de cas en santé comportementale. Les méthodologies d'inférence causale standard reposent généralement sur la randomisation, le contrôle expérimental ou de larges cadres de population pour ajuster les facteurs de confusion. Cependant, les processus de soins individuels manquent de ces caractéristiques. Les prestataires et les clients opèrent dans un contexte de « confusion non mesurée » ( $U$ ), où un réseau de variables latentes influence à la fois la sélection du traitement ( $T$ ) et les résultats ( $Y$ ). De plus, les conceptions expérimentales strictes (par exemple, les inversions A-B-A-B) sont souvent contraires à l'éthique ou subversives pour la relation thérapeutique. Par conséquent, les prestataires ne peuvent pas mesurer empiriquement les contrefactuels (par exemple, $Y|do(t=0)$ lorsque $Y|do(t=1)$ est observé) ni s'appuyer sur des hypothèses d'appariement basées sur la population qui présupposent une « identité essentielle » entre des points temporels ou des individus distincts. Le problème central est d'établir une voie valide vers des estimands causaux sans nécessiter la mesure ou l'ajustement des facteurs de confusion.

Méthodologie et cadre
Les auteurs proposent un cadre basé sur les Modèles Causaux Structurels (MCS) et une interprétation subjectiviste (de Finetti) de la probabilité, où la probabilité est vue comme une mesure personnelle d'incertitude plutôt que comme une fréquence objective.

$\Omega$ -estimands : L'article déplace l'attention des contrastes de distributions de probabilité (par exemple, les différences de moyennes) vers des contrastes de supports. Le support d'une variable aléatoire, noté $\Omega$ , est l'ensemble des valeurs ayant une probabilité non nulle. Les auteurs définissent les $\Omega$ -estimands comme des fonctions de ces supports (par exemple, $\max(\Omega)$ , $\min(\Omega)$ , l'étendue ou la cardinalité) qui n'intègrent pas de poids de probabilité.
L'hypothèse centrale (Positivité) : Le cadre repose sur une hypothèse unique et critique : la Positivité. Formellement, pour toutes les valeurs de traitement $t \in \Omega_T$ et tous les facteurs de confusion non mesurés $u \in \Omega_U$ , la probabilité conditionnelle $f(t|u) > 0$ . Dans le contexte subjectiviste, cela implique qu'aucun état du facteur de confusion non mesuré $u$ ne rend un traitement spécifique $t$ impossible. Les auteurs soutiennent que si le traitement est conceptualisé à un niveau suffisamment grossier (par exemple, « exposition à la gestion de cas » plutôt que des micro-interventions spécifiques), la positivité est respectée même en présence de facteurs de confusion non mesurés.
Coïncidence des supports : Le résultat théorique central (Proposition 1) démontre que sous l'hypothèse de positivité, le support observationnel d'un résultat coïncide avec son support interventionnel : $\Omega_{Y|t} = \Omega_{Y|do(t)}$ . Cela signifie que l'ensemble des résultats possibles observés dans le monde réel est identique à l'ensemble des résultats possibles qui se produiraient sous une intervention hypothétique, rendant l'identification des $\Omega$ -effets immunisée contre la confusion non mesurée.

Contributions clés et extensions
L'article introduit trois conditions pour faciliter l'inférence :

Condition I (Positivité) : Suffisante pour identifier que les supports observationnels et interventionnels coïncident.
Condition II (Préservation épistémique) : Suppose que le « motif structurel » de l'incertitude de l'agent (spécifiquement la relation entre l'espérance mathématique et la moyenne fonctionnelle du support) reste invariant à travers les états de traitement et de non-traitement. Cela permet la traduction des $\Omega$ -effets en différences de valeurs attendues via une identité espérance-moyenne : $E(Y) = Av(Y) - \kappa$ , où $\kappa$ est un terme lié à l'asymétrie. Si $\kappa$ est préservé, les différences de moyennes acquièrent une signification causale.
Condition III (Rappel du support) : Permet d'utiliser l'estimation de base rappelée par le client ( $\hat{Y}$ ) comme un substitut (proxy) pour le support de base non observé ( $\Omega_{Y|t=0}$ ). Elle suppose que bien que la distribution de probabilité du rappel puisse différer, l'ensemble des valeurs possibles (le support) reste ancré à la même réalité.

Résultats et application d'étude de cas
Les auteurs démontrent leur cadre à l'aide d'une étude de cas clinique d'un étudiant de 23 ans suivant une thérapie cognitivo-comportementale (TCC) pour l'anxiété.

Données : 19 scores d'anxiété hebdomadaires (échelle 0–10) montrant une tendance à la baisse de 10 à 4.
Application : Les auteurs définissent un $\Omega$ -effet comme le contraste entre le minimum du support de base et le minimum du support de traitement ( $\min(\Omega_{Y_0}) - \min(\Omega_{Y^*})$ ).
Inférence : En utilisant une approche bayésienne subjectiviste, ils calculent la probabilité a posteriori de l'efficacité du traitement. En postulant une croyance a priori et en la mettant à jour avec les données observées (le décalage du score minimum), ils dérivent une probabilité a posteriori d'efficacité ( $\approx 0,59$ ).
Interprétation : Le résultat n'est pas une garantie basée sur la fréquence, mais une « credence cohérente et tempérée » concernant la capacité du traitement à éliminer les possibilités d'intensité de symptômes élevées (un changement de support).

Signification et revendications
L'article affirme fournir une « voie vers l'inférence causale » pour les processus de soins individuels qui contourne l'exigence traditionnelle de fermer les chemins de rétroaction (backdoor paths) ou de mesurer les facteurs de confusion.

Robustesse plutôt que sensibilité : Le cadre échange la sensibilité aux changements de distribution (qui sont confondus) contre la robustesse en se concentrant sur les changements de support (qui sont identifiables sous la condition de positivité). Il soutient qu'un traitement efficace se manifeste souvent par l'élimination de possibilités extrêmes (par exemple, prévenir une attaque de panique), ce qui est un changement de support détectable sans connaître les facteurs de confusion.
Utilité pratique : Il offre une méthode principielle et élémentaire permettant aux prestataires de raisonner sur l'efficacité du traitement en utilisant des données de soins fondés sur la mesure, sans formation statistique avancée ou conceptions expérimentales.
Limites : Les auteurs reconnaissent que la positivité est invérifiable et doit être défendue via la validité du graphe acyclique dirigé (DAG) sous-jacent. Ils notent également que le cadre est insensible aux traitements qui ne font que déplacer la masse de probabilité au sein d'un support inchangé (par exemple, rendre un « 5 » plus probable qu'un « 4 » sans éliminer le « 10 »). De plus, les résultats sont des énoncés de cohérence pour un agent de raisonnement, et non des garanties de fréquence.

En résumé, l'article soutient qu'en redéfinissant les cibles causales comme des contrastes de supports de résultats plutôt que de distributions, et en acceptant une vision subjectiviste de la probabilité, on peut parvenir à une identification causale valide dans les études de cas de santé comportementale $N=1$ sous la seule condition de positivité.