AI for Causal Inference from Healthcare Databases | Miguel Hernán | ADIA Lab Symposium 2026

AI for Causal Inference from Healthcare Databases | Miguel Hernán | ADIA Lab Symposium 2026

IA pour l'inférence causale à partir de bases de données de soins de santé | Miguel Hernán | Symposium ADIA Lab 2026

Historique des titres
  • AI for Causal Inference from Healthcare Databases | Miguel Hernán | ADIA Lab Symposium 2026 — observé le 20261104-0952 UTC (YouTube)

par Miguel Hernán · Voir la chaîne sur PSI

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Miguel Hernán 👥 879 📅 4 novembre 2026 ⏱ 25 min 👁 2 📄 expert opinion 🧭 2026-11-04
Disponible en : Français (actuel) English

Mots-clés

inférence causaletarget trialagents IAbases de données de santéconfondants

Résumé

Le professeur Miguel Hernán expose comment les outils d’IA peuvent aider à l’inférence causale à partir de bases de données de santé observationnelles. Il définit d’abord le problème : estimer l’effet d’interventions de santé sans essais randomisés, en s’appuyant sur des données de routine (dossiers médicaux, remboursements). Il introduit le framework « target trial » : toute analyse causale observationnelle doit être conceptualisée comme l’émulation d’un essai randomisé hypothétique, dont le protocole précise six éléments (critères d’éligibilité, stratégies de traitement, assignation, durée de suivi, critère de jugement, contraste causal). Il décrit un workflow en cinq étapes : spécification de la question, identification des confondants, cartographie des données, assemblage des données et analyse. Il évalue où les agents d’IA peuvent intervenir : les étapes 4 et 5 (assemblage et analyse) sont algorithmiques et facilement automatisables, mais elles ne représentent qu’une petite part du temps. Les étapes 1 et 2 exigent des connaissances expertes, et surtout l’étape 3 (mapping des données) est la plus longue (80-90% du temps) et la plus difficile à automatiser car elle nécessite un modèle causal substantiel. Hernán souligne que le facteur limitant n’est pas l’algorithme mais la modélisation causale, que les modèles de langage peuvent partiellement fournir de manière implicite, mais qu’il faut développer des agents capables d’acquérir ces modèles via l’apprentissage par renforcement ou des modèles contraints par ontologie. La validation des mappings reste un défi, avec des analyses de sensibilité comme solution pratique. Il conclut que l’automatisation complète est encore lointaine, mais que l’augmentation humaine sur l’étape de mapping est le véritable gisement de gain.

260 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

L’exposé apporte une clarification précieuse en distinguant les tâches de description, prédiction et prédiction contrefactuelle, et en identifiant les points d’entrée pertinents pour l’IA dans le workflow d’inférence causale. L’argumentation est solide, appuyée sur l’expérience concrète de l’orateur (exemple du dépistage du cancer colorectal avec données Medicare) et sur le framework du target trial, reconnu dans la communauté. La démonstration que l’étape la plus longue (cartographie des données) est aussi la plus sous-estimée constitue une contribution utile pour orienter les efforts de recherche en IA. L’orateur nuance les capacités actuelles de l’IA et met en avant le rôle crucial du modèle causal, ce qui renforce la rigueur du propos.

Rigueur scientifique, qualité des sources, adéquation du titre

La conférence est rigoureuse : l’orateur est un expert de premier plan, et le contenu est cohérent avec la littérature académique (target trial framework, méthodologie épidémiologique). Cependant, la présentation reste une introduction et ne cite pas explicitement d’études détaillées, bien qu’elle mentionne l’exemple du dépistage colorectal et les travaux de Jamie Robins. La description fournie ne contient qu’un lien vers le symposium, aucune source directe n’est donc présente dans les liens. L’adéquation titre/contenu est excellente. Le niveau technique est élevé mais accessible, et l’argumentation est structurée.

210 mots

Adéquation titre / contenu

Titre parfaitement adéquat : il décrit exactement le sujet traité.

Qualité & fiabilité

8/10

Conférence d'un expert reconnu (Harvard, CAUSALab) présentant un cadre méthodologique solide (target trial framework), avec exemples concrets et évaluation des enjeux pour l'IA. Le discours est clair, structuré, mais reste une vue d'ensemble sans détails techniques exhaustifs.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Apport & nouveautés

L’apport original de cette conférence est de fournir un cadre opérationnel pour intégrer l’IA dans le processus d’inférence causale en identifiant le maillon le plus coûteux (mapping des données) et en distinguant les tâches algorithmiques des tâches nécessitant un modèle causal. Il invite à recentrer les efforts de développement sur l’étape 3 plutôt que sur l’analyse automatique, souvent mise en avant.

Pour aller plus loin :

  • Target Trial Framework — Notion centrale, avec historique et applications.
  • Causal inference — Concepts de base et méthodes.
  • Counterfactual conditional — Fondement philosophique de la prédiction contrefactuelle.
  • Reinforcement learning — Méthode citée pour l’acquisition de modèles causaux par les machines.
  • Confounding — Concept clé pour l’identification des confondants.

114 mots

Profil radar

Profil équilibré : fiabilité très élevée, niveau technique élevé, qualité d'information élevée, quantité moyenne (vidéo courte), l'ensemble reflète une synthèse experte mais non exhaustive.

Fiabilité 9/10