📊 statistics

Partial Identification Learning with Categorical Treatments for Individualized Treatment Rules

Cet article propose un nouveau cadre d'apprentissage par identification partielle qui étend l'optimisation des règles de traitement individualisées aux traitements, résultats et variables instrumentales catégoriels en introduisant un critère de perte minimax généralisé et une stratégie d'incorporation symétrique pour dériver une fonction de risque de substitution différentiable, permettant ainsi une prise de décision robuste en présence de confusion non mesurée sans s'appuyer sur des hypothèses causales fortes.

Auteurs originaux : Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

Publié 2026-08-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Johannes Hruza, Paweł Morzywołek, Jakob Zeitler, Samir Bhatt, Michael C Sachs

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

Dans le monde de la médecine et de l'économie, faire le bon choix pour un individu est souvent une question de vie ou de mort, ou du moins de bien-être significatif. Les médecins doivent décider quel médicament prescrire, et les décideurs politiques doivent choisir quelle intervention financer, mais ils ne disposent que rarement d'une information parfaite. Le scénario idéal impliquerait de savoir exactement comment chaque personne réagirait à chaque option possible si elle pouvait toutes les essayer en même temps. En réalité, les chercheurs ne peuvent observer que ce qui s'est passé pour les personnes qui ont réellement reçu un traitement spécifique. Pour comprendre ce qui se serait passé autrement, ils doivent s'appuyer sur des hypothèses. L'hypothèse la plus courante est qu'ils ont mesuré chaque facteur influençant à la fois le choix du traitement et le résultat final. S'ils ont omis ne serait-ce qu'un seul facteur caché, leurs conclusions peuvent être dangereusement erronées, menant à des politiques qui aident certains mais nuisent à d'autres.

Pour naviguer dans cette incertitude, les scientifiques utilisent parfois un outil spécial appelé variable instrumentale. Voyez cela comme une impulsion naturelle qui influence le traitement qu'une personne reçoit, mais qui n'a aucun pouvoir direct pour changer sa santé. Un exemple classique est une variante génétique qui rend une personne plus susceptible de prendre un certain médicament, ou une assignation aléatoire dans un essai qui n'est pas parfaitement suivie. Parce que cette impulsion est indépendante des facteurs cachés qui causent habituellement la confusion, elle peut aider les chercheurs à tracer une limite autour de la vérité. Au lieu de pointer du doigt une réponse unique et exacte, cette méthode définit une zone de sécurité — une plage de possibilités où la vérité doit se situer. Cette approche, connue sous le nom d'identification partielle, accepte que nous ne puissions pas tout savoir, mais elle nous permet de prendre des décisions robustes qui sont sûres même lorsque nous sommes incertains.

Une équipe de chercheurs a maintenant pris ce concept d'identification partielle et l'a étendu pour gérer une réalité beaucoup plus complexe : des situations où il n'y a pas seulement deux choix, mais de nombreux choix. Dans le monde réel, les médecins choisissent souvent entre plusieurs médicaments, ou différents niveaux de dosage, plutôt que de simplement choisir entre un traitement et un placebo. Les méthodes précédentes pour gérer ces multiples options sous l'incertitude étaient limitées à des scénarios simples de type oui ou non. Le nouveau cadre développé par Johannes Hruza et ses collègues comble cette lacune, créant un système capable d'apprendre la meilleure règle de décision face à des traitements catégoriels, des résultats et des variables instrumentales multiples. Leur travail offre un moyen de trouver la politique la plus sûre et la plus efficace, même lorsque des facteurs cachés sont à l'œuvre et que le nombre d'options est élevé.

Le défi central auquel les chercheurs ont été confrontés est de savoir comment choisir la meilleure option quand on ne peut être certain de laquelle est véritablement la meilleure. Imaginez un médecin examinant les données d'un patient et voyant que le Traitement A pourrait être très bon, mais pourrait aussi être médiocre, tandis que le Traitement B pourrait être terrible, mais pourrait aussi être excellent. Sans connaître les facteurs cachés, le médecin ne peut en être sûr. Les chercheurs ont adopté une stratégie prudente appelée approche « minimax ». Cela signifie qu'ils cherchent la décision qui minimise la pire erreur possible. Au lieu d'espérer le meilleur résultat, ils demandent : « Si je choisis ce traitement, quel est le montant maximal de bien que je pourrais manquer par rapport à l'alternative la plus performante ? » Ils choisissent ensuite la voie qui permet de garder cette perte potentielle la plus petite possible. Cela garantit que, même dans le pire des scénarios, la décision reste aussi proche de l'optimal que les informations disponibles le permettent.

Pour faire fonctionner cela pour de nombreux traitements simultanément, l'équipe a dû résoudre un problème géométrique difficile. Les méthodes standards pour comparer plusieurs options traitent souvent chaque choix comme une bataille distincte contre tous les autres, ce qui peut conduire à des résultats confus et contradictoires. Les chercheurs ont plutôt cartographié toutes les options de traitement sur les sommets d'une forme équilibrée et multipolygone dans un espace mathématique. Cette forme, appelée simplex, traite chaque option avec une symétrie parfaite, garantissant qu'aucun choix n'est favorisé par la géométrie des mathématiques elles-mêmes. Ils ont ensuite entraîné un modèle informatique pour apprendre à pointer vers le meilleur sommet de cette forme en fonction des caractéristiques du patient. En transformant le problème en une recherche fluide et continue de la bonne direction, ils ont permis à de puissants outils d'optimisation de trouver la meilleure politique, même si la logique sous-jacente est basée sur les scénarios du pire.

Les chercheurs ont testé leur nouvelle méthode à travers une série de simulations informatiques rigoureuses. Ils ont créé des mondes virtuels où ils connaissaient les vraies réponses, leur permettant de voir comment les nouvelles règles performaient par rapport aux méthodes existantes. Lors de ces tests, ils ont fait varier la force des facteurs de confusion cachés, la puissance de la variable instrumentale et le nombre d'options de traitement disponibles. Les résultats ont montré que lorsque les facteurs cachés étaient forts et trompeurs, les méthodes traditionnelles supposant l'absence de facteurs cachés échouaient de manière spectaculaire, recommandant souvent le mauvais traitement. En revanche, la nouvelle méthode d'identification partielle est restée stable et fiable. Elle ne promettait pas de trouver la réponse absolument parfaite, mais elle trouvait systématiquement une politique qui était bien plus sûre et plus proche de la vérité que les alternatives lorsque l'incertitude était élevée.

Cependant, les simulations ont également révélé une limite claire à ce que cette méthode peut accomplir. La qualité de la décision dépend fortement de la quantité d'informations fournies par la variable instrumentale. Lorsque les chercheurs utilisaient un instrument fort qui donnait des signaux clairs, la nouvelle méthode fonctionnait exceptionnellement bien, réduisant l'écart entre le choix sûr et le choix parfait. Mais lorsque l'instrument était faible, ou lorsque le nombre d'options de traitement dépassait le nombre de niveaux que l'instrument pouvait distinguer, la zone de sécurité devenait trop large pour être utile. Dans ces cas, la méthode devenait excessivement conservatrice, incapable de distinguer les options car les données ne contenaient tout simplement pas assez de levier pour les séparer. Cette découverte souligne une vérité fondamentale : aucune quantité de mathématiques astucieuses ne peut surmonter un manque d'information.

Ce travail représente une étape importante dans le domaine de la prise de décision personnalisée. En étendant l'identification partielle à des choix multiples, les chercheurs ont fourni un outil mieux adapté à la réalité désordonnée et multi-options de la vie clinique et économique. Ils ont démontré qu'il est possible d'apprendre des politiques robustes sans faire d'hypothèses irréalistes sur les facteurs cachés. Bien que la méthode ne soit pas une solution miracle pour tous les problèmes, et bien qu'elle repose sur la validité du modèle causal sous-jacent, elle offre une façon de naviguer dans l'incertitude de manière fondée. Pour les médecins et les décideurs politiques confrontés à des choix complexes avec des données incomplètes, ce cadre offre un moyen de procéder avec confiance, sachant que leurs décisions sont protégées contre les scénarios du pire que les facteurs de confusion cachés pourraient autrement créer.

Résumé Technique : Apprentissage par Identification Partielle avec Traitements Catégoriels pour les Règles de Traitement Individualisées

1. Énoncé du Problème

Le document traite du défi que représente l'apprentissage des Règles de Traitement Individualisées (RTI) dans des contextions où un facteur de confusion non mesuré est présent, et où le traitement, le résultat et les variables instrumentales (VI) sont catégoriels (multiclasses).

L'optimisation standard des RTI repose sur l'hypothèse d'absence de « confusion non mesurée » pour identifier de manière ponctuelle les espérances conditionnelles des potentiels résultats, $\mu_a(x) = E[Y(a) | X=x]$ . Lorsque cette hypothèse est violée (par exemple, en raison de la non-conformité dans les essais cliniques ou de facteurs non observés dans les études observationnelles), les estimateurs standards deviennent biaisés. Bien que les Variables Instrumentales (VI) puissent atténuer ce problème, les approches classiques de VI nécessitent souvent de fortes hypothèses structurelles (par exemple, la monotonicité) pour parvenir à une identification ponctuelle, ce qui peut s'avérer difficile à tester ou peu plausible.

Les méthodes existantes d'identification partielle pour les RTI, telles que celles de Pu et Zhang [24], sont largement limitées aux contextes de traitements binaires. Ce document identifie une lacune dans l'extension de ces cadres d'identification robuste et partielle aux traitements multicatégoriels (par exemple, choisir entre plusieurs médicaments ou niveaux de dosage), où l'espace de décision est intrinsèquement plus complexe et où les extensions binaires standards (de type « Un-contre-Tous » ou One-vs-Rest) introduisent des incohérences géométriques.

2. Méthodologie

Le cadre proposé, nommé Apprentissage par Identification Partielle Catégorielle, se compose de trois composantes principales :

A. Bornes d'Identification Partielle

Au lieu de tenter d'identifier de manière ponctuelle $\mu_a(x)$ , le cadre caractérise une région réalisable pour la moyenne conditionnelle en utilisant des bornes inférieures et supérieures, $L_a(x)$ et $U_a(x)$ , dérivées des données observées et d'un modèle causal (par exemple, un Graphe Acyclique Dirigé). Ces bornes satisfont :
$L_a(x) \leq \mu_a(x) \leq U_a(x)$
Le document utilise le package causaloptim (Sachs et al. [26]) pour dériver des bornes symboliques nettes pour les traitements catégoriels et les VI sous des structures causales générales, traduisant les contraintes du Modèle Structurel Non Paramétrique (MSNP) en un problème d'optimisation linéaire.

B. Critère de Décision Minimax

Pour sélectionner un traitement sous incertitude, les auteurs adoptent un critère d'Opportuniste (Minimax). Plutôt que de maximiser le meilleur scénario (Optimiste) ou la pire borne inférieure (Pessimiste), l'objectif est de minimiser la perte maximale possible par rapport au traitement optimal inconnu.

Pour une action choisie $a$ , la pire perte est définie comme :
$L(x, a) := \max_{b \in A \setminus \{a\}} U_b(x) - L_a(x)$
Cela quantifie le regret maximal si l'action $a$ est choisie alors que l'action optimale réelle est $b$ . L'objectif est de trouver une politique $g$ qui minimise le risque de pire cas attendu $R(g) = E[L(X, g(X))]$ .

C. Plongement Multicatégoriel Symétrique et Perte de Substitution

La minimisation directe du risque de pire cas empirique est numériquement complexe en raison de la discontinuité de l'opérateur $\max$ et de la nature discrète de l'espace des actions. Pour surmonter cela, le document introduit :

Plongement dans un Simplex : Les traitements catégoriels sont projetés sur les sommets d'un simplex régulier dans $\mathbb{R}^{k-1}$ . Cette représentation symétrique évite les redondances géométriques et les ambiguïtés des approches « Un-contre-Tous ». Une politique est induite par une fonction $f: \mathcal{X} \to \mathbb{R}^{k-1}$ qui projette les covariables dans cet espace latent, sélectionnant le traitement $a$ qui maximise le produit scalaire $\langle w_a, f(x) \rangle$ , où $w_a$ est le vecteur sommet pour le traitement $a$ .
Risque de Substitution Pondéré : Une perte de substitution différentiable est construite à l'aide d'un schéma de pondération softmax. Le risque de substitution est défini par :
$\hat{R}_s(f) = \frac{1}{N} \sum_{i=1}^N \sum_{a=1}^k p_a(X_i, f) \hat{L}(X_i, a) + \lambda \Omega(f)$
où $p_a(X, f)$ est un poids softmax basé sur l'alignement entre $f(X)$ et le vecteur de traitement $w_a$ . Cela permet l'utilisation de l'optimisation par gradient (par exemple, L-BFGS ou la descente de gradient stochastique).
Implémentation : Le cadre supporte deux implémentations :
- À Noyaux (Kernelized) : Utilisant les Espaces de Hilbert à Noyau Reproduisant (RKHS) avec le Théorème du Représentant pour les garanties théoriques.
- Réseau de Neurones : Utilisant des Perceptrons Multicouches (MLP) pour la scalabilité à de grands ensembles de données.

3. Contributions Clés

Extension aux Traitements Catégoriels : Le document généralise l'apprentissage par identification partielle des contextes binaires aux contextes de traitements multicatégoriels finis, comblant un vide important dans la littérature existante.
Plongement Géométriquement Cohérent : Il introduit une stratégie de plongement basée sur un simplex qui traite toutes les options de traitement de manière symétrique, résolvant les incohérences géométriques trouvées dans les extensions classiques de classification multiclasse pour les RTI.
Optimisation Différentiable : La dérivation d'une fonction de risque de substitution lisse et pondérée permet l'utilisation de méthodes d'optimisation efficaces basées sur le gradient pour l'apprentissage de RTI sous identification partielle, dépassant les limites des pertes basées sur des indicateurs.
Garanties Théoriques : Les auteurs fournissent des taux de convergence en échantillon fini via une inégalité oracle. Ils prouvent que la minimisation du risque de substitution converge vers la politique minimax et établissent les conditions sous lesquelles l'erreur d'estimation des bornes et l'erreur d'apprentissage sont contrôlées.
Validation Empirique : À travers des simulations approfondies, le document démontre que les méthodes proposées (à noyaux et neuronales) produisent des RTI nettement plus proches de l'oracle de la RTI que les alternatives existantes (régression de résultat, MOML) en présence de confusion non mesurée.

4. Résultats Expérimentaux

Les auteurs ont mené quatre études de simulation faisant varier la taille de l'échantillon, la force de la confusion, la force de la VI et le nombre de traitements ( $k$ ) :

Robustesse à la Confusion : En présence de confusion non mesurée, les méthodes standards de régression de résultat (Arbre, Réseau de neurones) et les méthodes d'identification ponctuelle (MOML) se dégradent rapidement à mesure que la force de la confusion augmente. En revanche, les méthodes d'identification partielle proposées restent stables et supérieures, restant proches de la borne minimax théorique.
Force de l'Instrument : La performance des méthodes proposées est positivement corrélée à la force de la VI. Des instruments plus forts rétrécissent les bornes d'identification, réduisant l'écart entre la politique minimax et la politique oracle.
Scalabilité et Limites Structurelles : Les méthodes fonctionnent bien lorsque le nombre de traitements $k$ est inférieur ou égal au nombre de niveaux de l'instrument $|Z|$ . Cependant, lorsque $k > |Z|$ , la performance chute brutalement. Les auteurs attribuent cela à une limitation structurelle : un instrument possédant $|Z|$ niveaux ne peut pas induire suffisamment de distributions de traitement conditionnelles distinctes pour borner étroitement $k > |Z|$ potentiels résultats simultanément.
Convergence : En l'absence de confusion, les méthodes proposées convergent vers la règle minimax (qui est sous-optimale par rapport à l'oracle dans ce cas spécifique), tandis que la régression de résultat converge vers l'oracle. Cela confirme que le cadre cible correctement l'objectif minimax.

5. Signification et Revendications

Le document prétend fournir un cadre robuste pour la prise de décision sous incertitude lorsque les hypothèses causales fortes ne peuvent être justifiées. En exploitant les bornes d'identification partielle et une stratégie de plongement symétrique, il permet l'apprentissage de règles de traitement optimales pour des choix multicatégoriels face à une confusion non mesurée.

Les auteurs soulignent que l'efficacité du cadre dépend de l'informativité des bornes. Des instruments plus forts conduisent à des bornes plus étroites et à de meilleures performances, tandis que des instruments faibles ou des scénarios où le nombre de traitements dépasse la cardinalité de l'instrument mènent à des bornes plus larges et à des décisions plus conservatrices (potentiellement moins précises).

Ce travail est présenté comme une extension fondamentale de l'apprentissage par identification partielle, allant au-delà des contextes binaires pour répondre aux complexités du monde réel dans les problèmes de décision biomédicaux et économétriques. Les auteurs notent que bien que l'accent actuel soit mis sur les variables catégorielles, le cadre pourrait être étendu aux traitements et résultats ordinaux ou continus dans des travaux futurs.