Une équipe internationale dirigée par Taeho Kim de l'Université Lehigh a développé le Prédicteur Linéaire d'Accord Maximum (MALP), une nouvelle méthode qui aligne étroitement les prédictions avec les valeurs du monde réel. En maximisant le Coefficient de Corrélation de Concordance, MALP surpasse les approches traditionnelles en termes d'accord, particulièrement dans les applications de santé et de biologie. Des tests sur des scans oculaires et des données de graisse corporelle démontrent ses avantages par rapport aux méthodes des moindres carrés.
Des mathématiciens de l'Université Lehigh et des collaborateurs internationaux ont introduit le Prédicteur Linéaire d'Accord Maximum (MALP), une technique conçue pour améliorer les prévisions dans des domaines comme la recherche en santé, la biologie et les sciences sociales. Dirigée par le professeur adjoint Taeho Kim, la méthode se concentre sur la maximisation du Coefficient de Corrélation de Concordance (CCC), qui mesure à quel point les valeurs prédites et observées s'alignent le long d'une ligne à 45 degrés dans un nuage de points, en mettant l'accent sur la précision et l'exactitude.
Les méthodes traditionnelles, comme l'approche des moindres carrés, visent principalement à minimiser les erreurs moyennes mais peuvent ne pas garantir un fort alignement avec les valeurs réelles. « Parfois, nous ne voulons pas seulement que nos prédictions soient proches - nous voulons qu'elles aient le plus haut degré d'accord avec les valeurs réelles », explique Kim. Il note que, bien que la corrélation de Pearson détecte les relations linéaires, elle ne cible pas spécifiquement l'alignement à 45 degrés, contrairement au CCC, introduit par Lin en 1989.
Pour tester MALP, les chercheurs ont utilisé des données simulées et des mesures du monde réel. Dans une étude en ophtalmologie, ils ont comparé les prédictions pour les lectures Stratus OCT à partir de données Cirrus OCT, en utilisant des images de 26 yeux gauches et 30 yeux droits. MALP a produit des prédictions qui correspondaient plus étroitement aux valeurs vraies de Stratus, bien que les moindres carrés aient légèrement mieux réduit les erreurs moyennes, illustrant un compromis.
Un schéma similaire est apparu avec des données de graisse corporelle de 252 adultes, incorporant des mesures comme le poids et la taille de l'abdomen pour estimer le pourcentage de graisse corporelle. MALP s'est à nouveau distingué en termes d'accord, tandis que les moindres carrés ont minimisé les erreurs plus efficacement. Kim insiste sur le choix d'outils en fonction des priorités : MALP pour l'alignement, les méthodes traditionnelles pour la réduction des erreurs.
Le travail, détaillé dans un preprint arXiv daté du 5 septembre 2025 (DOI : 10.48550/arXiv.2304.04221), pourrait améliorer les prédictions en médecine, santé publique, économie et ingénierie. Les extensions futures visent à élargir au-delà des prédicteurs linéaires vers un Prédicteur d'Accord Maximum général.