Modèles causaux et inférence causale en médecine et assurance
Toute la communauté IID (étudiant.e.s, chercheur.e.s, professionnel.le.s) est invitée au premier séminaire étudiant de l’IID, double conférence offerte en mode hybride. L’activité sera consacrée aux modèles causaux et à l’inférence causale en médecine et en assurance.
Date
- 11 octobre 2024
Heure
12h15 à 13h30
Localisation
En mode hybride
Sur Zoom et au local 2880 du pavillon Alexandre-Vachon
Coûts
Gratuit
L’activité aura lieu au local 2765 du pavillon Adrien-Pouliot. Un dîner-pizza sera offert aux participant.e.s sur place.
L’activité sera présenté sur la plateforme Zoom.
Description des conférences
Conférence #1 – Olivier Côté, étudiant au doctorat en actuariat, sous la direction de Marie-Pier Côté
Perspective causale sur les discriminations directes et indirectes liées aux caractéristiques sensibles dans les modèles prédictifs en assurance
Résumé : L’équité envers les assurés est un enjeu central pour le secteur de l’assurance. Les assureurs reposent largement sur les données personnelles pour plusieurs décisions automatisées.
Dans cette thèse, nous explorons la tarification équitable en assurance à travers une perspective causale, en mettant l’accent sur les discriminations directes et indirectes liées aux variables sensibles définies et observées. Nous analysons les mécanismes par lesquels ces variables influencent la tarification et proposons une catégorisation des méthodologies équitables en cinq familles, chacune présentant des propriétés claires en matière d’équité. Le raisonnement causal permet de représenter les biais, de clarifier les hypothèses concernant le mécanisme générateur de données, et de distinguer le signal de chaque variable par rapport aux variables sensibles.
Les outils développés guideront les spécialistes du secteur de l’assurance vers de meilleures pratiques en équité algorithmique.
Conférence #2 – Kossi Clément Trenou, étudiant au doctorat en biostatistique, sous la direction de Denis Talbot
Utilisation de l’apprentissage automatique dans le cadre des méthodes d’inférence causale en médecine personnalisée
Résumé : L’estimation des stratégies de traitement adaptatives (ATS) optimales, utiles en médecine personnalisée, utilise diverses méthodes, dont les moindres carrés pondérés dynamiques (dWOLS).
Cette approche est doublement robuste puisqu’elle requiert la modélisation du traitement et de la réponse, mais ne nécessite que la spécification correcte de l’un des deux. Les méthodes doublement robustes se combinent bien avec l’apprentissage automatique pour l’estimation d’un effet causal moyen. Malgré tout, peu d’études ont exploré l’utilisation de l’apprentissage automatique pour les ATS.
Une étude de simulations a été réalisée où le traitement de dWOLS a été modélisé à partir de l’apprentissage automatique et le modèle de réponse était paramétrique afin de simplifier l’interprétation. Les résultats indiquent que certaines approches d’apprentissage automatique réduisent le biais sans augmenter la variance, améliorant ainsi la validité des ATS estimées.
Restons en contact!
Vous souhaitez être informé des nouvelles et activités de l'IID? Abonnez-vous dès maintenant à notre infolettre mensuelle.