📊 statistics

Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement

Ce document propose l'« egg-computation », un cadre de g-computation guidé par des experts et enrichi par des modèles de langage de grande taille qui combine le raisonnement clinique avec l'inférence causale basée sur les données pour estimer et classer avec précision les effets d'économie de temps des interventions d'amélioration de la qualité hospitalière, particulièrement pour des mesures telles que la durée de séjour où les méthodes traditionnelles peinent face aux scénarios hypothétiques ou aux mécanismes causaux complexes.

Auteurs originaux : Patrick Vossler, Jialin Ouyang, F. Richard Guo, Anran Huang, Ali Shojaie, Lucas Zier, Fan Xia, Jean Feng

Publié 2026-08-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Patrick Vossler, Jialin Ouyang, F. Richard Guo, Anran Huang, Ali Shojaie, Lucas Zier, Fan Xia, Jean Feng

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

Imaginez que vous essayez de comprendre pourquoi un embouteillage s'est produit sur votre chemin pour aller à l'école. Vous pourriez regarder les voitures et deviner : « Oh, cette voiture rouge était lente », mais ce n'est qu'une supposition. Ou bien, vous pourriez regarder une carte de l'itinéraire de chaque voiture et des feux de signalisation qu'elles ont rencontrés pour voir exactement comment une seule voiture lente a provoqué une réaction en chaîne. C'est le cœur de l'inférence causale : c'est la science qui consiste à comprendre non seulement ce qui s'est passé, mais aussi pourquoi cela s'est passé et ce qui se serait passé si nous avions changé une seule chose. Dans le monde des hôpitaux, cette question est extrêmement importante. Les hôpitaux veulent savoir comment faire rentrer les patients chez eux plus rapidement (une métrique appelée « Durée de Séjour » ou LOS) car cela permet d'économiser de l'argent et aide les patients à se sentir mieux. Mais comprendre le « pourquoi » est délicat. On ne peut pas simplement lancer un test où l'on essaie une nouvelle règle sur la moitié des patients pour voir ce qui se passe, car la nouvelle règle n'a pas encore été inventée ! Ainsi, les médecins doivent imaginer le futur, mais leur imagination peut être biaisée, et les programmes informatiques se perdent souvent parce qu'ils n'ont jamais vu la nouvelle règle auparavant.

Ce document présente une nouvelle façon ingénieuse de résoudre ce casse-tête appelée egg-computation (qui signifie Expert-Guided g-computation, ou calcul guidé par l'expert). Considérez un séjour hospitalier comme un immense jeu de société complexe où un patient passe d'une case à une autre : admission, passage à la radiologie, attente d'un médecin, obtention d'un lit, et enfin, départ. Habituellement, les cases sont reliées par des règles : vous ne pouvez pas partir tant que vous n'avez pas obtenu la note du médecin. Les auteurs ont réalisé que si vous dessinez ce jeu sous forme de diagramme de Gantt (une chronologie avec des barres montrant la durée de chaque tâche), vous pouvez le traiter comme une carte de cause à effet. Le problème est que lorsque vous voulez tester une nouvelle règle (comme « amener le médecin auprès du patient 2 heures plus vite »), vous n'avez pas de données sur ce qui se passe ensuite. Le papier propose une collaboration : les experts humains utilisent leur puissance de réflexion pour deviner comment la nouvelle règle modifie les premières étapes, puis un ordinateur utilise des données réelles pour prédire comment le reste du jeu se déroule. Pour rendre cela assez rapide pour être utilisé sur des milliers de patients, ils ont utilisé un Grand Modèle de Langage (LLM) — une IA super intelligente qui lit les notes des patients — pour agir comme l'expert. Au lieu de réentraîner l'IA, ils ont soigneusement conçu des instructions spécifiques (prompts) pour guider l'IA à travers le dessin de ces cartes et la prédiction des changements.

Les chercheurs ont testé cette idée de deux manières. D'abord, ils ont réalisé des simulations informatiques où ils connaissaient la réponse « réelle ». Ils ont découvert que lorsque chaque patient avait un parcours différent et complexe à travers l'hôpital, les anciennes méthodes qui tentaient d'utiliser une seule carte simple pour tout le monde se trompaient lourdement (parfois en estimant mal le temps gagné de plus de 14 heures !). Mais leur nouvelle méthode d'egg-computation, qui construisait une carte unique pour chaque patient, obtenait presque parfaitement la réponse. Ensuite, ils l'ont testée sur des données réelles provenant d'un grand hôpital urbain avec 11 idées d'amélioration différentes. Ils ont demandé à des experts humains de vérifier le travail de l'IA, et l'IA était étonnamment performante ; elle était d'accord avec les experts sur la structure du « jeu » hospitalier environ 90 % du temps. Lorsqu'ils ont calculé le temps que chaque nouvelle idée permettrait de gagner, les estimations de l'IA étaient très proches de ce que les experts humains pensaient.

La partie la plus passionnante est ce qu'ils ont découvert sur les idées elles-mêmes. Parfois, une nouvelle règle semble excellente car elle s'applique à beaucoup de patients, mais quand on regarde réellement la cause et l'effet, elle ne fait pas gagner beaucoup de temps. Par exemple, une idée concernant l'accélération des tests d'imagerie s'appliquait à de nombreux patients, mais une autre idée visant à s'assurer que les médecins répondent plus vite aux consultations était estimée comme faisant gagner plus de temps par patient, même si moins de personnes étaient concernées par celle-ci. L'IA a même aidé les médecins à comprendre pourquoi certaines idées échouaient dans la simulation : par exemple, la « planification de la sortie anticipée » ne fonctionnait pas aussi bien qu'espéré parce que l'IA a repéré que les travailleurs sociaux ne pouvaient pas régler les problèmes médicaux qui étaient en réalité la véritable raison pour laquelle les patients étaient bloqués. Le papier suggère que ce mélange d'intuition humaine et de mathématiques basées sur les données, propulsé par l'IA, est un nouvel outil puissant pour permettre aux hôpitaux de déterminer quels changements fonctionneront réellement avant de les essayer dans le monde réel.

Résumé Technique : g-computation guidée par l'expert avec les LLM pour l'estimation des effets causaux sur les délais

1. Énoncé du Problème

Les programmes d'amélioration de la qualité (QI) hospitalière font fréquemment face au défi de prioriser les interventions candidates afin d'optimiser le flux hospitalier, en ciblant spécifiquement la Durée Moyenne de Séjour (DMS). Bien que de nombreuses interventions soient proposées (ex: amélioration du triage, équilibrage de la charge de travail, aide à la décision par IA), les méthodes existantes peinent à estimer et à classer précisément leurs effets causaux.

Les approches actuelles se divisent en deux catégories présentant des limitations distinctes :

Approches Qualitatives : Reposent sur le jugement d'experts et des outils tels que les diagrammes de Gantt (ou cartes de flux de valeur) pour cartographier les trajectoires des patients. Bien qu'intuitives, ces méthodes sont sujettes aux biais cognitifs et échouent souvent à prédire avec précision les effets en aval des interventions en raison des interactions complexes entre les événements.
Approches Quantitatives : Reposent sur des modèles statistiques pilotés par les données (ex: régression). Elles échouent lorsque les interventions sont entièrement hypothétiques (manquant de données historiques), lorsque l'hypothèse de "positivité" est violée (car de nouvelles politiques n'ont jamais été mises en œuvre), ou lorsque les mécanismes causaux sont trop complexes pour être appris uniquement à partir de données tabulaires sans intégrer le raisonnement clinique.

Le problème central est l'absence d'un cadre capable d'estimer le "temps moyen économisé" ( $\tau = E[Y(0) - Y(1)]$ ) pour des interventions hypothétiques dans des contextions où les trajectoires des patients sont hétérogènes, où les données sont limitées pour les nouvelles politiques, et où un raisonnement clinique est nécessaire pour comprendre les mécanismes causaux non structurés.

2. Méthodologie : g-computation guidée par l'expert (Egg-computation)

Les auteurs proposent l'egg-computation, un cadre hybride qui intègre le raisonnement qualitatif d'experts et la modélisation quantitative pilotée par les données. La méthodologie comble le fossé entre les diagrammes de Gantt (utilisés en gestion des opérations) et les graphes acycliques dirigés (DAG) utilisés en inférence causale.

2.1 Modèle Causal sur les Diagrammes de Gantt

Les auteurs formalisent un diagramme de Gantt comme un DAG causal où :

Les Nœuds représentent les temps d'événements ( $T_k$ ) ou les temps d'attente ( $W_k$ ) entre les événements.
Les Arêtes représentent les dépendances (ex: début-début, fin-début).
L'Intervention ( $A$ ) : Un nœud binaire représentant la politique actuelle ( $A=0$ ) versus une politique de QI candidate ( $A=1$ ).
Résultats Potentiels : $Y(a) = T_K(a)$ représente la DMS sous la politique $a$ .

Le modèle suppose une propriété de Markov locale où le temps d'attente d'un événement est indépendant des non-descendants étant donné ses parents et les covariables de base ( $X$ ).

2.2 Le Pipeline d'Egg-computation

L'estimation de l'effet causal $\tau$ est réalisée en simulant des trajectoires de patients contrefactuelles ( $Y(1)$ ) à travers un processus en trois étapes qui classifie les événements en trois types selon leur relation avec l'intervention :

Type I (Non-descendants de $A$ ) : Événements non affectés par l'intervention. Leurs temps d'attente sont copiés directement de la chronologie factuelle observée ( $W_k(1) = W_k$ ).
Type II (Descendants de $A$ , mais pas enfants directs) : Événements en aval des cibles de l'intervention. Leurs temps d'attente sont imputés via des modèles statistiques entraînés sur des données observationnelles, conditionnés par les (modifiés) temps des parents.
Type III (Enfants directs de $A$ / Cibles de l'intervention) : Événements directement modifiés par la politique. Comme ces derniers ne sont pas observés dans les données, leurs distributions de temps d'attente sont fournies par le jugement d'expert (ou un LLM aligné).

L'estimateur final est la différence moyenne entre la DMS observée et la DMS simulée contrefactuelle à travers la population.

2.3 Mise à l'échelle avec les Grands Modèles de Langage (LLM)

Pour rendre l'egg-computation réalisable à grande échelle, les auteurs ont développé un pipeline assisté par LLM pour remplacer les experts humains dans deux étapes critiques :

Étape 1 : Construction du DAG : Le LLM lit les notes cliniques non structurées et les descriptions d'interventions pour :
- Déterminer l'éligibilité des patients.
- Construire un DAG causal spécifique au patient.
- Classer les nœuds comme Type I, II ou III.
- Implémentation : Une stratégie de prompting en cinq étapes (raisonnement, extraction de nœuds, extraction d'arêtes, formatage, validation) garantit un raisonnement causal rigoureux et prévient les hallucinations.
Étape 2 : Simulation des temps :
- Pour les nœuds de Type II, le LLM peut être utilisé via l'Apprentissage en Contexte (ICL) pour prédire les temps d'attente basés sur des cas historiques similaires, ou des modèles de régression standards peuvent être utilisés.
- Pour les nœuds de Type III, le LLM est sollicité avec des spécifications d'intervention détaillées (incluant des exemples de temps attendus) pour échantillonner à partir de la distribution fournie par l'expert $p_{expert}$ .

3. Principales Contributions

Cadre Théorique : L'article établit le premier cadre d'identification causale pour les diagrammes de Gantt, prouvant que sous certaines hypothèses (Cohérence, Intervention Exogène, Restriction d'Exclusion, Markov Local et Précision de l'Expert), le temps moyen économisé est identifiable via une variante de la g-computation.
Méthodologie Hybride : Il introduit la "g-computation guidée par l'expert", qui alloue stratégiquement les tâches : les experts (ou les LLM) gèrent les composantes non identifiables (cibles d'intervention), tandis que les modèles de données gèrent les composantes identifiables (dépendances en aval).
Pipeline LLM : Il démontre un pipeline pratique, basé sur le prompting, qui met à l'échelle le raisonnement d'expert, permettant la génération de DAGs spécifiques aux patients et de simulations contrefactuelles sans réentraînement de modèle.
Validation Empirique : Le cadre est validé par des simulations et une étude réelle dans un hôpital de sécurité sociale urbain.

4. Résultats

4.1 Études de Simulation

Dans des simulations où les structures causales des patients étaient hétérogènes (variations de dépendances entre les rapports de scanner et d'IRM), l'egg-computation a nettement surpassé les méthodes conventionnelles :

Réduction du Biais : Les méthodes reposant sur un seul DAG partagé ont subi des biais importants (jusqu'à 14 heures) lorsque la structure supposée était erronée pour une majorité de patients.
Précision : L'egg-computation utilisant des DAGs spécifiques aux patients (extraits par le LLM) et une propagation exacte des temps a atteint un biais nul. Même avec des modèles de temps imparfaits (OLS ou kNN), le biais est resté faible (< 0,4 heure) par rapport à une erreur de spécification structurelle.

4.2 Évaluation en Monde Réel (Zuckerberg San Francisco General Hospital)

Le pipeline a été appliqué à 11 interventions de QI candidates sur 2 193 chronologies d'hospitalisation.

Concordance des Experts : Les DAGs générés par LLM ont montré une haute concordance avec les experts en QI humains.
- Spécificité pour les cibles d'intervention : ~96,5 %.
- Précision pour les arêtes en aval : ~91,8–94,2 %.
- Impact sur les Estimations : Relancer l'egg-computation avec les DAGs générés par LLM versus les DAGs corrigés par des experts a entraîné une différence moyenne dans le temps économisé estimé de seulement -2,6 à 8,1 heures, avec 19 paires sur 24 donnant des estimations identiques.
Performance du Modèle de Temps : L'Apprentissage en Contexte (ICL) utilisant GPT-5 a obtenu l'Erreur Absolue Moyenne la plus faible (24,1 heures) pour prédire les temps d'attente en aval, surpassant les modèles de régression traditionnels (Random Forest, Ridge) et les bases de référence.
Aperçus de Priorisation :
- Les classements causaux différaient significativement des classements basés uniquement sur les taux d'éligibilité. Par exemple, "L'escalade de la réponse de consultation" a été classée première par impact causal (18,9 heures économisées) malgré une éligibilité plus faible que "La priorité d'imagerie critique pour la sortie".
- Les cliniciens ont trouvé les classements causaux plus proches de leur intuition que les classements basés sur l'éligibilité.
- L'analyse a révélé des défauts de conception dans les interventions (ex: la planification de sortie précoce était souvent bloquée par des besoins médicaux insolubles), fournissant des informations exploitables pour la redéfinition des interventions.

5. Signification et Revendications

L'article affirme que l'egg-computation fournit un cadre largement applicable pour estimer le temps moyen économisé pour des interventions candidates où les mécanismes causaux peuvent être représentés via des diagrammes de Gantt.

Combler le Fossé : Il combine avec succès les forces du raisonnement qualitatif (gestion des scénarios hypothétiques et des mécanismes complexes) avec la rigueur quantitative (élimination des facteurs de confusion et exploitation des données).
Évolutivité : En exploitant les LLM, le cadre rend le raisonnement guidé par l'expert réalisable pour l'inférence causale à grande échelle dans les opérations hospitalières, surmontant les contraintes de ressources de la revue manuelle des dossiers.
Intelligence Actionnable : Au-delà d'un simple chiffre, la méthode génère des diagrammes de Gantt contrefactuels qui permettent aux cliniciens d'auditer la plausibilité du raisonnement causal et de comprendre pourquoi une intervention pourrait ou non fonctionner, facilitant ainsi une meilleure conception d'intervention.

Les auteurs concluent que bien que l'accent soit mis sur la DMS hospitalière, la méthodologie est applicable à tout domaine où les dépendances de tâches et les délais de processus sont critiques et peuvent être modélisés via des diagrammes de Gantt.