Une équipe de mathématiciens dirigée par Taeho Kim l'université Lehigh a développé MALPMALP est une nouvelle méthode statistique qui bouleverse le paradigme de la prévision. Au lieu de minimiser l'erreur moyenne (comme l'a toujours fait la méthode des moindres carrés), MALP maximise le coefficient de corrélation de concordance. Peu importe si, en moyenne, vous vous trompez très peu ; l'important est que chaque valeur prédite soit aussi proche que possible de la valeur réelle..
L'étude, publiée sur arXiv en septembre 2025, démontre que MALP produit des prédictions d'une concordance supérieure lors de tests combinant l'imagerie oculaire par tomographie en cohérence optique (OCT) et la mesure de la masse grasse. Qu'est-ce que cela signifie ? Je vais vous l'expliquer, ou plutôt, vous l'écrire, sans plus attendre.
Concordance versus erreur : une distinction qui compte
Depuis des décennies, les statistiques prédictives se concentrent sur un seul objectif : réduire l’erreur moyenne. La méthode des moindres carrés, pierre angulaire de la régression linéaire, fonctionne ainsi : elle prend en compte tous les écarts entre les valeurs prédites et les valeurs réelles, les élève au carré, les additionne et tente de minimiser le total. Elle est efficace lorsque l’on souhaite que les prédictions soient en moyenne proches des valeurs réelles.
Mais Kim et ses collègues se demandaient : Est-ce vraiment nécessaire ? Dans de nombreux contextes scientifiques et médicaux, ce qui importe n'est pas l'erreur moyenne, mais l'erreur relative.accord point par pointSi un appareil médical affiche 200 et l'autre 195, même si l'erreur moyenne pour mille mesures est acceptable, cette seule divergence peut créer des problèmes de diagnostic.
Le coefficient de corrélation de concordance (CCC), introduit par Lin en 1989, mesure la précision de l'alignement des données sur une droite à 45 degrés dans un nuage de points. Si la valeur prédite est égale à la valeur réelle dans une prévision statistique, le point se situe exactement sur cette droite. Le programme MALP est conçu pour maximiser cet alignement.
Les tests : OCT et masse grasse corporelle
Pour démontrer l'efficacité de MALP, l'équipe a effectué des tests sur deux ensembles de données réelles. Le premier concernait examens oculaires avec la tomographie par cohérence optique (OCT). Les hôpitaux passent de l'ancien système Stratus OCT au nouveau Cirrus OCT, et les médecins doivent convertir les mesures pour pouvoir comparer les résultats au fil du temps.
À l'aide de scans de haute qualité provenant de 26 yeux gauches et 30 yeux droits, les chercheurs ont testé la capacité du MALP à prédire les mesures Stratus à partir des données Cirrus. Résultat : MALP a produit des prévisions plus conformes aux valeurs réelles de Stratus que la méthode des moindres carrés., même si cette dernière présentait une erreur moyenne légèrement inférieure. C'est un peu comme si la méthode des moindres carrés donnait des réponses « plus ou moins correctes », tandis que la programmation linéaire en nombres entiers mixtes (MALP) visait l'« exactitude parfaite ».
La seconde étude a porté sur 252 adultes chez lesquels on a mesuré leur poids, leur tour de taille et d'autres mensurations corporelles. La mesure précise de la masse grasse nécessite des méthodes coûteuses comme la pesée hydrostatique ; c'est pourquoi on a souvent recours à des estimations indirectes. Là aussi, MALP a fourni des prévisions plus cohérentes avec les valeurs réelles que les méthodes de prévision statistique traditionnelles.
Quand vous avez besoin de concordance (et quand vous n'en avez pas besoin)
Kim est clair : MALP ne remplace pas la méthode des moindres carrés dans tous les contextes. Si l’objectif est de minimiser l’erreur globale sur de grands ensembles de données, les méthodes traditionnelles conviennent parfaitement. Mais lorsqu’une correspondance parfaite entre les prédictions et la réalité est requise, MALP devient l’outil le plus approprié. Prenons l’exemple suivant : médecine personnalisée, où chaque patient compte individuellement, ou pour l'étalonnage d'instruments scientifiques où une précision point par point est essentielle.
L'équipe travaille déjà à étendre MALP au-delà des prédicteurs linéaires. L'objectif est de développer Prédicteur d'accord maximal (MAP)Kim propose une version plus générale applicable aux modèles non linéaires. Il reconnaît cependant que « notre cadre actuel se limite aux prédicteurs linéaires ; suffisamment large pour de nombreux domaines, il reste néanmoins mathématiquement restrictif ».
Les implications s'étendent à l'économie, à l'épidémiologie et à l'ingénierie. Elles concernent toutes les situations où il est nécessaire de convertir des mesures entre différents systèmes ou de s'assurer que les prévisions ne sont pas seulement « proches », mais coïncident En se basant sur la réalité, MALP offre une alternative concrète aux méthodes classiques.
Peut-être Nous ne pouvons pas vraiment prédire l'avenir.Mais nous pouvons au moins prédire le présent avec plus de précision. Et dans un monde où chaque point de pourcentage de concordance peut se traduire par des diagnostics plus fiables ou des outils mieux calibrés, cela compte énormément.
