Utilisation des réseaux bayésiens comme technique de fouille de données massives - application à des données de recours aux soins

Contexte. Les réseaux bayésiens sont utilisés selon deux approches distinctes, reposant sur les mêmes principes d'analyse bayésienne : comme outil de modélisation a priori faisant intervenir les hypothèses du chercheur, ou comme outil de fouille de données, sans hypothèse a priori de la part du chercheur. La première approche a diffusé dans la communauté biomédicale. La seconde provient avant tout de l'intelligence artificielle et n'est à notre connaissance pas utilisée en épidémiologie. Cette application est pourtant prometteuse - notamment dans le cas de données massives - et pourrait permettre la découverte de relations causales insoupçonnées. Cela reste cependant à montrer. Méthode. Nous avons utilisé les données de 2010 de la cohorte SIRS, reposant sur un échantillon représentatif de la population adulte du Grand Paris. Plusieurs publications en épidémiologie sociale sont fondées sur cette cohorte, dont une étudiant les recours aux soins et les caractéristiques sociales en lien avec ces recours. Nous avons réanalysé les données de cette étude avec différents algorithmes de fouille de données permettant tout d'abord d'identifier automatiquement la structure du réseau bayésien représentant les données (le graphe), et ensuite d'estimer les paramètres du réseau à partir des données. Nous avons comparé les résultats obtenus par fouille de données avec les analyses multivariées classiques et les données de la littérature. Résultats. L'analyse multivariée identifie des relations entre variables connues de la littérature. Les analyses par réseau bayésien identifient des relations plus complexes, orientées, entre variables, dont les significations sont simples. La majorité des analyses montre une partition entre variables sociales et variables de recours aux soins. Discussion. La fouille de données massives par réseau bayésien représente un ensemble de techniques théoriquement bien assises, appliquées avec succès dans différents domaines. Notre exemple de résultats obtenus sur des données connues dans le champ de l'épidémiologie sociale suggère que l'intérêt de ce type d'approche doit être clarifié. En particulier, son utilisation en aveugle paraît, au vu de nos résultats, peu pertinente

Humanities · Advanced Causal Inference Techniques · Bayesian Modeling and Causal Inference · Data-Driven Disease Surveillance · Mathematics · Philosophy

• Social Epidemiology

  Lisa F Berkman, Ichiro Kawachi•Social epidemiology•2000

  Incluir item

• Causality

  Open Access•Judea Pearl•Causality•2009

  Incluir item

• Changes in mortality inequalities over two decades

  Open Access•J P Mackenbach, Ivana Kulhánová et al.•BMJ•2016

  Incluir item