L’article « Do machine learning methods lead to similar individualized treatment rules? A comparison study on real data » par Florie Bouvier (alors doctorante dans l’équipe METHODS), Etienne Peyrot (doctorant dans l’équipe METHODS), Alan Balendran (doctorant dans l’équipe METHODS), Corentin Ségalas, Ian Roberts, François Petit et Raphaël Porcher fait partie des 10 articles les plus cités parmi ceux publiés par la revue Statistics in Medicine en 2024.
Dans ce travail, 21 algorithmes d’identification de règles individualisées de traitement (ou versons d’algorithmes) ont été comparés sur les données de deux essais contrôlés randomisés de grande taille, pour étudier la concordance entre les règles développées. Nous montrons qu’il existe une relative bonne concordance entre des algorithmes appartenant à la même famille, mais une concordance très faible, voire nulle, entre des algorithmes très différents. Ces différents algorithmes ne sont donc pas interchangeables, et une attention particulière doit être protée à la validation des règles de traitement obtenues à partir de l’analyse des données d’un essai contrôlé randomisé, même de taille importante. Ce travail questionne aussi les applications parfois naïves de ces algorithmes (par exemple qui n’évaluent pas les performances en termes de calibration ou de discrimination des modèles obtenus).
Par Raphaël Porcher
