Day 2: Health Sciences Grant Awardee Presentation #3 - Sophia Rein | ADIA Lab Symposium 2025

Valeur des informations & solidité de l’argumentation

La présentation expose clairement la motivation (manque d’outils validés pour l’inférence causale à grande échelle) et la solution proposée (deep learning pour la G-formula). L’argumentation est solide : elle s’appuie sur des méthodes théoriques établies (G-formula, NICE) et identifie une lacune pratique. L’utilisation de LSTM pour modéliser les dépendances longitudinales est justifiée. La stratégie de validation par simulation et l’application à une question clinique pertinente renforcent la valeur. Cependant, aucun résultat préliminaire n’est présenté, ce qui limite l’évaluation de l’efficacité réelle de la méthode.

Rigueur scientifique, qualité des sources, adéquation du titre

La présentation ne cite pas explicitement de sources bibliographiques, mais elle mentionne des méthodes et des bases de données (MarketScan, Malaffi) qui sont des références connues. La rigueur scientifique est correcte : la méthodologie est détaillée, avec des étapes claires. Le titre est adéquat, bien que générique. L’absence de références explicites dans la vidéo est compensée par la description qui ne contient pas de liens. La présentation est cohérente avec le cadre d’un symposium académique.

Le titre est précis et correspond au contenu : présentation d'un projet de recherche en sciences de la santé lors d'un symposium.

7/10

Présentation d'un projet de recherche structuré, avec méthodologie claire (simulation, validation, application clinique). Les méthodes s'appuient sur des cadres théoriques reconnus (G-formula, LSTM). Cependant, il s'agit d'une présentation de projet sans résultats préliminaires ni validation empirique, ce qui limite la fiabilité des affirmations.

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

• 00:00Introduction par le modérateur et début de la présentation pré-enregistrée.
• 00:30Sophia Rein remercie les organisateurs et présente le titre du projet.
• 01:00Contexte : les systèmes de santé génèrent des données massives, mais les outils pour les exploiter manquent.
• 02:00Présentation de la G-formula et de l'algorithme NICE pour l'inférence causale.
• 03:00Limites des modèles paramétriques et besoin de modèles profonds pour les dépendances complexes.
• 04:00Objectifs du projet : développer un logiciel open-source et l'appliquer à une étude de cas.
• 05:00Description de l'architecture : LSTM pour covariables et résultat, avec sample splitting et cross-fitting.
• 06:00Fonctionnalités du logiciel : flexibilité, support des critères de jugement, calcul parallèle.
• 07:00Application clinique : comparaison GLP-1 vs autres antidiabétiques sur les événements cardiovasculaires.
• 08:00Utilisation des bases de données MarketScan (US) et Malaffi (UAE) pour l'émulation de target trial.
• 09:00Conclusion : innovation, impact potentiel et collaboration internationale.

• MarketScan — Base de données de réclamations d'assurance commerciale aux États-Unis, utilisée pour l'étude de cas.
• Malaffi — Système centralisé d'échange d'informations de santé d'Abou Dhabi, utilisé pour l'étude de cas.

• G-formula — Cadre théorique mentionné dans la présentation.
• LSTM — Modèle de deep learning utilisé pour modéliser les dépendances longitudinales.