Article · IA & agents
Identifier des graphes causaux en épidémiologie
Un article passe en revue l'identifiabilité et les algorithmes de découverte causale dans des données épidémiologiques.
Une question d'identifiabilité
En épidémiologie, une association entre variables ne suffit pas à établir une cause. Les biais, les facteurs non observés et les interventions possibles déterminent ce qu'un graphe causal permet réellement d'identifier.
Du graphe aux algorithmes
Le papier présente les difficultés propres aux graphes causaux épidémiologiques, discute les conditions d'identifiabilité et examine des algorithmes de découverte pour des graphes orientés acycliques, y compris des configurations mixtes. Il introduit un modèle statistique structuré où un nœud ordinal suit un logit ordonné et les autres nœuds une famille exponentielle régulière à un paramètre ; la direction entre ces types de nœuds est identifiable pour des paramètres génériques, généralisant le cas ordinal-Poisson.
Pour les petits graphes, une recherche par score énumère les DAGs compatibles et compare leur vraisemblance. À partir de six nœuds, une optimisation continue masquée inspirée de DAGMA impose les arêtes autorisées et contrôle l’acyclicité, tandis que les seuils ordinaux et les poids sont appris conjointement. Les expériences incluent des graphes à trois nœuds et des graphes bipartites de 50 nœuds ; le normalized SHD tend vers zéro avec la taille d’échantillon dans les simulations rapportées.
Un usage responsable
Un graphe appris peut aider à formuler des hypothèses ou à sélectionner des analyses, mais il ne remplace ni le design d'une étude ni la connaissance du domaine. Toute arête doit être interprétée avec ses hypothèses et ses variables manquantes.
Limites et source
Les garanties dépendent d’une spécification correcte des familles et des liens, des hypothèses de chaque algorithme et de la qualité des données. La recherche exhaustive ne passe pas à l’échelle, et DAGMA dépend de l’optimisation, de la régularisation et du seuil de sparsité. Les validations sont simulées et ne mesurent pas la robustesse à la mauvaise spécification, aux données manquantes ou aux confusions non observées d’une cohorte réelle. Le document est un preprint et ne constitue pas une recommandation médicale.
Source
Sambit Mishra, Yingying Wang, Christine K. Johnson et Urbashi Mitra, « Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms », ArXiv 2609.20676v1 : résumé et preprint, PDF.