Pourquoi l'individu observé n'a jamais été l'objet scientifique
Pendant deux siècles, la donnée clinique fut un stock : on l’archive, on la requête, on la fouille. Sa quatrième génération cesse de conserver et se met à apprendre. À partir d’une cohorte, elle ajuste une représentation de la population, et c’est elle, désormais, et non les lignes, que l’on interroge. Le déplacement n’est pas cosmétique. Le centre de gravité quitte l’archive pour le modèle, et chaque question en aval (qui ressemble à ce patient, qu’aurait montré un bras comparable, où le signal s’amincit-il) devient un calcul contre un objet appris plutôt qu’une consultation contre une table. Le dossier papier, la base relationnelle et l’entrepôt de vie réelle partageaient une même prémisse : la connaissance se trouve au bout de l’entassement. La quatrième génération l’inverse. La connaissance réside dans la règle capable de régénérer l’entassement, et l’entassement devient la trace jetable de cette règle.
La querelle des données synthétiques se joue un étage trop bas. Elle oppose de faux patients à des vrais, comme si l’unité en jeu était le patient. Elle ne l’a jamais été. Une étude clinique n’a jamais atteint l’individu que pour estimer ce qui lui survit : la distribution. Le lit du malade soigne une personne ; la science qui le fonde n’a étudié que des échantillons d’où l’on infère des populations. Un modèle génératif ne fabrique pas des individus fictifs. Il rend explicite la représentation que la recherche clinique poursuivait déjà sans le dire. Reformulée ainsi, l’objection courante selon laquelle ce patient n’existe pas perd son tranchant, car personne n’étudiait ce patient. Le patient était l’indice ; la distribution était la cible. TweenMe est l’un des terrains où cette distinction cesse d’être philosophique pour devenir une contrainte d’ingénierie.
Le mot modèle arrive trop vite quand on saute la chaîne qui le mérite. On part d’une cohorte, échantillon produit par un recrutement particulier. De cet échantillon, on infère les propriétés d’une distribution sous-jacente que l’échantillon ne montre qu’en partie. De cette distribution, on peut estimer quelques paramètres, comme le fait la statistique classique, ou apprendre une représentation complète capable de la régénérer, et c’est le geste génératif. La population synthétique n’apparaît qu’au bout de cette chaîne, comme une réalisation du modèle, jamais comme son origine. Rien ici ne rompt avec la biostatistique ; l’objectif reste d’inférer une structure invisible à partir d’un échantillon fini. Ce qui change, c’est l’objet appris : non plus quelques nombres de synthèse, mais une règle. C’est pourquoi l’entrepôt de vie réelle, aussi exhaustif soit-il, n’était jamais la réalité. Il était un levé : une mesure du territoire, prise avec un instrument, depuis un point de vue, à une date.
Voici le geste que le vocabulaire des faux patients dissimule. Une cohorte mêle trois choses : de l’information, de la redondance et du bruit. L’information, c’est la structure de population, les dépendances, les corrélations, les formes de trajectoire. La redondance, c’est ce qui se répète d’un patient à l’autre. Le bruit, c’est l’idiosyncrasie, ce qui n’appartient qu’à une trace et à personne d’autre. Le modèle retient l’information, compacte la redondance et écarte le bruit. L’individu compte peu dans cette opération, précisément parce qu’il était, pour une large part, le bruit écarté plutôt que le signal conservé. Une précision de rigueur empêche l’image de tromper : il s’agit d’une compression de structure pertinente, pas d’une économie de paramètres. Certains modèles profonds portent plus de paramètres que la cohorte ne contient de valeurs. Dire que la cohorte devient une équation compresse rhétoriquement cette idée, sans rien affirmer sur le nombre de termes. Le levé devient carte : non plus léger en encre, sélectif dans ce qu’il retient.
Un modèle de population est une carte, et une carte n’est fiable que là où elle a été levée. Dans une région densément mesurée, elle interpole entre des points réels ; aux marges, elle conjecture. Trois dangers habitent les zones blanches. Le biais de levé : ce qui était sur-représenté dans les données l’est sur la carte, avec d’autant plus d’aplomb que le tracé est net. La zone non relevée : une région plausible mais à peine observée, où le modèle extrapole sans contrainte. Et le rare : un générateur n’invente pas le rare, il recopie le peu qu’il en a vu et diffuse les particularités d’une poignée comme si elles décrivaient une population. Une carte ne révèle pas une cité enfouie sous un tesson, un modèle ne révèle pas une sous-population sous une douzaine de cas. Interpoler dans le support relevé n’est pas extrapoler dans la zone blanche, et confondre les deux est l’erreur que la validation existe pour rattraper.
Le critère décisif d’un modèle de population n’est pas la ressemblance. Deux niveaux doivent rester séparés, et leur confusion explique l’essentiel des malentendus du champ. La fidélité statistique demande à quel point la distribution apprise épouse la distribution réelle : distance de Wasserstein faible, log-rank non significatif entre courbes de survie, pMSE proche de l’indiscernabilité. La substituabilité opérationnelle demande plus difficile : un modèle entraîné sur les sorties du générateur, puis testé sur données réelles, préserve-t-il les conclusions. C’est le protocole Train-on-Synthetic, Test-on-Real, et il ne demande pas si la carte ressemble au terrain mais si l’on parvient à destination en s’y fiant. Une carte peut être fidèle dans ses grandes lignes et fausse sur l’itinéraire précis parce qu’elle a manqué une dépendance que les marges ne montrent pas. La validation se fait donc contre des mesures réelles externes, jamais contre le verdict du modèle sur lui-même. Une représentation sans ce protocole n’est pas un modèle de population : c’est une assertion cartographiée.
Si le modèle est la carte, une cohorte synthétique en est l’usage : l’itinéraire qu’un humain demande à la carte de tracer. Et cet usage change de nature. Hier, on interrogeait un entrepôt en SQL, une question par requête. Demain, on dialogue avec un modèle de population : montre-moi des patients comparables à celui-ci, mais sans insuffisance rénale. Cette phrase ne décrit pas une consultation de ligne ; elle décrit un chemin dans un espace. Le danger est l’euphorie qu’inspire la fluidité, car elle glisse l’inférence sous la conversation. La clause sans insuffisance rénale n’est légitime que si la carte a correctement relevé la dépendance entre cette condition et le reste. Sinon l’itinéraire traverse une zone blanche en ayant l’air d’une route. La surface conversationnelle ne supprime pas le calcul ; elle l’enfouit, ce qui le rend plus facile à oublier et plus dangereux à laisser sans validation.
Une thèse aussi large réclame son propre garde-fou, posé plutôt que découvert ensuite. L’affirmation que l’objet fut toujours la distribution vaut pour la science de l’inférence : épidémiologie, effets de traitement, structures de risque, trajectoires. Elle ne vaut pas pour la décision singulière, où l’individu cesse d’être l’indice et redevient la cible. Soigner et étudier ne sont pas le même acte, et le principe de représentation clinique relève du second, pas du premier. Une cohorte n’est jamais étudiée pour elle-même ; sa seule fonction est de fournir une représentation de la distribution génératrice, suffisamment fidèle pour une famille de décisions déclarée. Le mot décisif est suffisamment : la fidélité n’est jamais absolue, elle est relative aux décisions visées. Les trois premières générations appliquaient ce principe sans le nommer, en laissant la représentation implicite dans la tête du biostatisticien. La quatrième le rend explicite, et avec lui rend explicites ses conditions de validité, ce qui est à la fois un gain et une exposition. La carte s’enrichit ; le territoire ne bouge pas.
Notes doctrinales et explorations sur l’IA en systèmes régulés. Une à deux fois par mois. Désabonnement en un clic.