Arbres rapides et économes — décider avec quelques indices ordonnés
Un patient arrive avec une douleur thoracique. Plusieurs dizaines d’informations pourraient théoriquement être utilisées pour estimer son risque : âge, antécédents, électrocardiogramme, caractéristiques de la douleur, facteurs de risque, examens biologiques, signes associés. Mais la première décision doit parfois être prise rapidement : faut-il l’orienter vers une prise en charge intensive ou vers un niveau de surveillance moins élevé ?
Une solution consiste à calculer un score complexe combinant toutes les informations disponibles. Une autre consiste à organiser quelques indices particulièrement importants dans une suite de questions simples, chacune pouvant parfois suffire à arrêter immédiatement la recherche et à prendre une décision.
C’est le principe des arbres rapides et économes, ou *fast-and-frugal trees* (FFT).
Un arbre de ce type pourrait par exemple fonctionner ainsi : si un premier signe à haut risque est présent, classer immédiatement le patient dans la catégorie « risque élevé ». S’il est absent, examiner un deuxième indice. Celui-ci peut à son tour permettre une décision immédiate ; sinon, un troisième indice est consulté. Contrairement à un arbre de décision conventionnel qui peut développer de nombreuses branches, un FFT possède une sortie décisionnelle à chaque niveau. Il peut donc prendre une décision après une seule information pour certains cas et en demander plusieurs pour d’autres. (cambridge.org)
Ces arbres constituent une illustration particulièrement claire de la rationalité écologique : leur intérêt ne réside pas dans la simplicité pour elle-même, mais dans la possibilité de construire une procédure transparente utilisant peu d’informations tout en conservant des performances suffisantes pour une tâche déterminée.
Un arbre où chaque question peut conduire à une décision
Dans un arbre de décision ordinaire, une question divise généralement les cas en deux branches qui conduisent toutes deux à d’autres questions. L’arbre peut donc devenir profond et complexe.
Un arbre rapide et économe possède une contrainte supplémentaire : à chaque niveau, au moins une réponse doit conduire directement à une décision finale. Ce principe a été formalisé au début des années 2000 par Laura Martignon et ses collègues. (onlinelibrary.wiley.com)
Imaginons un arbre à trois indices destiné à décider si une situation nécessite une intervention immédiate.
Première question : le signe A est-il présent ? Si oui, intervenir immédiatement. Si non, examiner B.
Deuxième question : le signe B est-il absent ? Si oui, classer la situation comme faible risque. Sinon, examiner C.
Troisième question : selon la présence ou l’absence de C, choisir l’une des deux catégories finales.
Certains cas seront donc classés après une seule question, d’autres après deux, et seuls les cas restant ambigus atteindront la troisième.
L’économie ne vient pas seulement du faible nombre total de variables. Elle vient du fait que tous les individus ne nécessitent pas l’examen de toutes les variables.
Une extension de la logique de Take-the-Best
La parenté avec *Take-the-Best* est directe.
Take-the-Best compare deux options en examinant des indices ordonnés et s’arrête dès que le premier indice discriminant est rencontré.
Les FFT utilisent eux aussi une recherche ordonnée et des règles d’arrêt précoces, mais répondent souvent à un autre type de problème : classer un cas dans l’une de plusieurs catégories ou décider d’une action.
Take-the-Best pourrait demander :
« Laquelle de ces deux villes est probablement la plus peuplée ? »
Un FFT pourrait demander :
« Ce patient doit-il être classé à haut ou faible risque ? »
Dans les deux cas, on refuse l’idée qu’une décision correcte exige nécessairement d’additionner toutes les informations disponibles.
Martignon, Katsikopoulos et Woike ont montré formellement que les FFT appartiennent à une famille de stratégies lexicographiques et non compensatoires : un indice situé assez haut dans l’arbre peut provoquer une décision sans que les indices ultérieurs puissent la modifier. Leurs simulations ont également montré que ces arbres pouvaient obtenir des performances prédictives comparables à celles de méthodes plus complexes dans certains problèmes de classification. (eprints.soton.ac.uk)
Mais cette propriété rend également les erreurs possibles particulièrement faciles à comprendre : si une sortie précoce repose sur un mauvais indice ou un mauvais seuil, les informations situées plus bas dans l’arbre ne pourront jamais corriger la décision.
Pourquoi vouloir sortir tôt ?
Supposons qu’un signe clinique soit tellement informatif que sa présence suffit presque toujours à justifier une action.
Continuer systématiquement à rechercher dix autres indices peut présenter plusieurs inconvénients : perte de temps, examens inutiles, surcharge cognitive et risque d’introduire du bruit dans une décision déjà suffisamment claire.
Une règle d’arrêt précoce peut alors être rationnelle.
À l’inverse, certains cas ne présentent pas le premier signe décisif. L’arbre permet de continuer l’examen uniquement pour eux.
Cette architecture produit une forme de tri de l’effort cognitif : les cas faciles sont décidés rapidement ; les cas plus ambigus consomment davantage d’information.
C’est une propriété très différente d’un score dans lequel toutes les variables doivent être collectées avant que le calcul puisse commencer.
Cette différence devient particulièrement pertinente lorsque certaines données sont coûteuses ou longues à obtenir.
Un exemple historique en médecine
L’un des exemples les plus connus provient des travaux de Lee Green et David Mehr sur l’orientation de patients présentant une suspicion de maladie cardiaque ischémique.
La procédure décrite ultérieurement dans la littérature sur les FFT examinait quelques indices séquentiels. Un changement du segment ST à l’électrocardiogramme pouvait provoquer immédiatement un classement à haut risque. En son absence, la nature de la plainte principale était examinée, puis éventuellement un troisième indice. (pmc.ncbi.nlm.nih.gov)
Dans les données étudiées, cette règle simple obtenait un compromis entre détection des infarctus et faux positifs favorable relativement aux décisions habituelles des médecins et à un instrument probabiliste plus complexe. (pmc.ncbi.nlm.nih.gov)
Cet exemple est souvent présenté comme démonstration spectaculaire de la supériorité des heuristiques.
Il faut être plus prudent.
Il montre qu’un arbre très simple peut être extrêmement performant dans un environnement particulier lorsqu’il exploite correctement quelques indices diagnostiques. Il ne démontre pas que trois questions valent généralement mieux qu’un modèle statistique, ni que le même arbre peut être transporté sans validation dans un autre hôpital ou une autre population.
L’exemple doit donc être compris comme preuve de possibilité, non comme règle universelle.
Simplicité et transparence
Les FFT possèdent un avantage pratique important : leur fonctionnement peut généralement être compris sans connaissances statistiques avancées.
Un professionnel peut voir :
- quel indice est examiné ;
- dans quel ordre ;
- quel seuil est utilisé ;
- quelle décision découle de chaque réponse.
Cette transparence permet de discuter directement la structure de l’outil.
Pourquoi l’âge apparaît-il avant le symptôme B ? Pourquoi le seuil est-il fixé à 70 plutôt qu’à 75 ? Que se passe-t-il si une donnée manque ? Quel type d’erreur produit cette branche ?
Cette propriété contraste avec certains modèles prédictifs complexes dont la performance peut être élevée mais dont le processus de décision est beaucoup moins immédiatement interprétable.
Une revue clinique publiée en 2026 souligne précisément que les FFT peuvent constituer des modèles décisionnels intuitifs utilisant quelques informations facilement accessibles et pouvant être appliqués avec une logique élémentaire. Les auteurs présentent notamment des applications en surveillance fœtale et en orientation vers les soins intensifs.
La transparence ne constitue toutefois pas une preuve de validité.
Comprendre parfaitement pourquoi un modèle se trompe ne l’empêche pas de se tromper.
Un arbre simple doit être appris à partir de bonnes données
Un FFT ne devrait pas être construit simplement en demandant à quelqu’un :
« Quels sont les trois critères qui vous semblent importants ? »
Une telle règle peut constituer une hypothèse de départ, mais elle doit être confrontée aux données.
Construire un arbre demande plusieurs choix : quels indices inclure, comment les ordonner, quels seuils utiliser, quelle branche doit produire une sortie immédiate et quel équilibre rechercher entre différents types d’erreurs.
Ces paramètres peuvent être établis par connaissances expertes, par analyse des données ou par une combinaison des deux.
Il faut ensuite tester l’arbre sur des observations qui n’ont pas servi à le construire.
Sinon, un arbre apparemment excellent peut simplement refléter les particularités du jeu de données initial.
Cette exigence est exactement la même que pour un modèle plus complexe : la simplicité ne dispense jamais de validation externe ou hors échantillon.
Le compromis entre faux positifs et faux négatifs
Un arbre décisionnel ne peut généralement pas être jugé uniquement par son taux global de bonnes réponses.
Supposons qu’un outil médical soit destiné à identifier les patients nécessitant une investigation urgente.
Deux erreurs sont possibles.
Un faux négatif classe comme rassurant un patient réellement à risque.
Un faux positif classe comme à risque un patient qui ne l’est pas.
Ces deux erreurs n’ont pas nécessairement le même coût.
Dans un triage destiné à ne manquer presque aucun événement grave, il peut être raisonnable d’accepter davantage de faux positifs. Dans un autre contexte, une intervention inutile peut être suffisamment dangereuse pour exiger une plus grande spécificité.
L’organisation même d’un FFT peut être adaptée à ce compromis. Certaines structures sont orientées vers la sensibilité, d’autres vers la spécificité.
Il n’existe donc pas un « meilleur arbre » indépendamment de l’objectif.
La question doit toujours inclure :
quelle erreur cherchons-nous particulièrement à éviter ?
Exemple récent : prédire le délirium postopératoire
Une étude publiée en avril 2026 fournit un exemple particulièrement instructif parce qu’elle compare les FFT à plusieurs méthodes modernes sur 61 150 patients chirurgicaux issus de données cliniques de routine de la Charité à Berlin. Les auteurs ont comparé des FFT avec régression logistique, arbre CART, forêt aléatoire et machine à vecteurs de support, en évaluant leurs performances sur des données de test distinctes des données d’apprentissage.
Dans cette étude, les FFT obtenaient une *balanced accuracy* d’environ 60 %, contre environ 50 à 52 % pour les modèles comparateurs. Mais ce résultat ne doit pas être interprété comme une victoire générale des heuristiques sur le machine learning. Les auteurs indiquent explicitement que l’ensemble des modèles conservaient des performances seulement modérées et que les résultats dépendaient des caractéristiques imparfaites et incomplètes des données de routine. Les modèles complexes présentaient également des signes de surajustement.
L’arbre préopératoire finalement retenu ne comportait que trois indices — âge, statut ASA et chirurgie locomotrice — et utilisait en moyenne 1,5 indice par décision. Il atteignait 32 % de sensibilité et 85 % de spécificité. L’arbre périopératoire, également composé de trois indices, atteignait 55 % de sensibilité et 66 % de spécificité.
Ces chiffres illustrent parfaitement la bonne manière de penser les FFT : ils ne sont pas magiquement précis parce qu’ils sont simples. Leur intérêt doit être jugé simultanément sur la discrimination obtenue, le type d’erreurs produites, la quantité d’information nécessaire et la facilité réelle d’utilisation.
Réduire 99 % de l’information n’est pas automatiquement un succès
L’étude sur le délirium rapporte une réduction considérable de l’information nécessaire : autour de 98 à 99 % par rapport à l’ensemble des variables disponibles.
Ce type de chiffre peut sembler spectaculaire.
Mais l’objectif n’est pas de maximiser la quantité d’information ignorée.
Si supprimer 99 % des variables conserve une performance suffisante pour la tâche, cette parcimonie possède une valeur pratique considérable.
Si la même suppression fait manquer des patients à haut risque dans un contexte où ces faux négatifs sont inacceptables, elle devient problématique.
Une heuristique ne doit donc pas être évaluée par son économie seule.
La véritable question est un rapport :
combien de performance conservons-nous pour combien de ressources économisées, et quelles erreurs acceptons-nous en échange ?
C’est le cœur de la rationalité écologique.
Un outil rapide pour évaluer des revues systématiques
Les FFT ne sont pas limités au diagnostic médical.
Une étude de 2024 a développé deux arbres destinés à accélérer l’évaluation méthodologique de revues systématiques, normalement réalisée avec les 16 critères d’AMSTAR 2. Les arbres n’utilisaient que trois items. Sur le jeu de données étudié, un arbre de dépistage identifiait tous les travaux n’appartenant pas à la catégorie de qualité « critically low », tandis qu’un arbre d’évaluation rapide atteignait 95 % d’exactitude globale pour différencier certaines catégories de qualité.
L’objectif n’était pas de prétendre que trois questions contiennent toute l’information d’AMSTAR 2.
Il était de déterminer si quelques critères particulièrement discriminants pouvaient servir de filtre rapide dans une situation où examiner intégralement un très grand nombre de revues coûte beaucoup de temps.
C’est un usage typique de l’heuristique : réduire rapidement un ensemble de cas, puis réserver éventuellement une évaluation plus approfondie aux cas qui le nécessitent.
Cette logique rejoint celle de l’élimination par aspects étudiée précédemment, mais l’architecture est différente : le FFT spécifie explicitement l’ordre des questions et la décision associée à chaque sortie.
Cas pratique — construire un arbre de tri
Imaginons un service confronté régulièrement à une décision binaire : orientation immédiate vers un niveau de surveillance renforcé ou prise en charge standard.
Plusieurs variables semblent prédictives.
Une mauvaise méthode consisterait à choisir intuitivement trois critères populaires, à fixer leurs seuils selon l’habitude du service et à déployer immédiatement l’arbre.
Une démarche plus rigoureuse commence par définir le résultat que l’on veut prédire et les conséquences respectives des faux positifs et des faux négatifs.
Il faut ensuite étudier sur des données pertinentes quels indices apportent réellement de l’information, sélectionner un petit nombre de variables disponibles au moment de la décision, tester plusieurs ordres et plusieurs seuils, puis évaluer les arbres obtenus sur des données indépendantes.
Enfin, même un arbre validé doit être surveillé après son déploiement.
La population peut changer, les techniques peuvent évoluer, une nouvelle procédure peut modifier la valeur prédictive d’un indice. Un arbre performant en 2026 peut devenir moins bien calibré quelques années plus tard.
La simplicité de la règle rend cette réévaluation plus facile ; elle ne la rend pas facultative.
Un arbre ne remplace pas nécessairement le jugement professionnel
Un FFT peut être utilisé de plusieurs manières.
Il peut produire directement une décision automatisée.
Il peut constituer une règle que le professionnel applique sauf justification explicite de dérogation.
Il peut simplement servir de support de décision, attirant l’attention sur quelques indices particulièrement importants.
Ces usages ne sont pas équivalents.
Dans certains environnements très standardisés, une règle décisionnelle stricte peut être adaptée. Dans d’autres, des informations rares mais importantes ne figurant pas dans l’arbre doivent pouvoir modifier la décision.
Un professionnel pourrait donc utiliser le FFT comme point de départ tout en disposant d’une procédure permettant de signaler les cas hors distribution, les exceptions ou les données inhabituelles.
Le risque inverse existe également : si l’on autorise systématiquement chacun à ignorer la règle sur la base d’une simple impression, l’outil perd rapidement sa fonction.
La conception doit donc préciser quand une dérogation est permise et comment elle est documentée.
Simple ne signifie pas forcément facile à construire
L’un des paradoxes des modèles parcimonieux est que le modèle final peut être extrêmement simple alors que le travail nécessaire pour découvrir cette simplicité est considérable.
Un arbre de trois questions peut résulter de l’analyse de milliers de patients et de dizaines de variables.
Un utilisateur voit :
A ? → oui : décision 1. Sinon B ? → etc.
Mais cette règle peut être le produit d’un long processus de collecte de données, de validation et d’optimisation.
Cela permet d’éviter une confusion fréquente entre simplicité de l’outil et simplicité de la preuve qui le justifie.
Une procédure facilement mémorisable peut reposer sur une science très sophistiquée.
Inversement, une règle extrêmement intuitive mais jamais évaluée reste simplement une intuition formalisée.
Les arbres rapides face à l’intelligence artificielle
Le développement de modèles d’apprentissage automatique rend cette question particulièrement actuelle.
Un système complexe peut théoriquement exploiter des centaines de variables et découvrir des relations difficiles à identifier manuellement. Dans certains domaines riches en données, cela constitue un avantage réel.
Mais une performance statistique supérieure n’est qu’une partie du problème de déploiement.
Un modèle exigeant de nombreuses données difficiles à obtenir peut ne jamais être utilisé. Une légère amélioration de discrimination peut avoir peu de valeur si le processus devient opaque, fragile ou incompatible avec l’organisation du travail.
À l’inverse, la transparence ne doit pas devenir un prétexte pour conserver une règle simple lorsque des modèles plus performants évitent réellement des erreurs graves.
La revue clinique de 2026 présente justement les FFT comme une piste complémentaire dans le débat sur une intelligence artificielle médicale précise et transparente, plutôt que comme une alternative destinée à remplacer toute modélisation complexe.
L’avenir peut donc être moins une opposition entre « heuristique » et « IA » qu’une question d’architecture : quel niveau de complexité apporte un bénéfice réel pour cette décision, dans cet environnement et avec ces contraintes d’utilisation ?
Quand un arbre rapide est-il un bon candidat ?
Un FFT est particulièrement intéressant lorsque la décision doit être prise rapidement, que quelques indices sont très informatifs, que ces indices sont facilement disponibles et qu’une partie des cas peut être classée sans recueillir toutes les données.
Il devient également attractif lorsque la transparence et la mémorisation sont importantes : triage, procédures de sécurité, certaines décisions cliniques ou filtres préliminaires.
Il est moins adapté lorsque le résultat dépend de nombreuses informations indépendantes dont chacune apporte une petite contribution, lorsque les interactions sont complexes ou lorsque l’erreur résultant de la suppression de certaines informations est trop coûteuse.
Comme pour Take-the-Best, le principe n’est donc pas :
« utilisez peu d’informations ».
Il est :
« utilisez seulement autant d’informations que la structure du problème exige réellement ».
Une heuristique peut devenir un objet scientifique
Les FFT illustrent enfin une différence essentielle entre une heuristique populaire et une heuristique scientifiquement intéressante.
Une étiquette vague comme « faites confiance à votre instinct » est difficile à tester.
Un arbre rapide peut au contraire être écrit précisément.
On connaît les questions, leur ordre, leurs seuils, les sorties et la catégorie finale.
Il peut donc être appliqué exactement aux mêmes données qu’une régression logistique, un arbre CART ou un modèle d’apprentissage automatique.
On peut mesurer sa sensibilité, sa spécificité, ses faux positifs, ses faux négatifs, sa calibration, la quantité moyenne d’information utilisée et sa performance sur de nouvelles populations.
Il devient ainsi possible de quitter le débat abstrait :
« les heuristiques sont-elles bonnes ou mauvaises ? »
pour poser une question empirique :
« cet arbre précis fonctionne-t-il suffisamment bien dans cet environnement précis pour la décision que nous devons prendre ? »
C’est probablement l’une des meilleures illustrations de l’approche générale de cette rubrique.
À retenir
Les arbres rapides et économes (*fast-and-frugal trees*) sont des procédures séquentielles de classification ou de décision utilisant un petit nombre d’indices. Leur propriété distinctive est qu’à chaque niveau au moins une branche conduit directement à une décision, ce qui permet à certains cas d’être classés après très peu d’informations. (cambridge.org)
Ils prolongent la logique de Take-the-Best : organiser l’information, rechercher les indices dans un ordre déterminé et arrêter la recherche dès qu’une information suffisamment discriminante est rencontrée.
Leur intérêt pratique est particulièrement visible lorsque le temps, l’information ou les capacités de calcul sont limités. Ils peuvent être transparents, mémorisables et faciles à appliquer sans outil informatique. Une revue clinique publiée en 2026 souligne leur utilisation possible pour différentes décisions médicales.
Mais leur simplicité ne garantit pas leur qualité. L’ordre des indices, leurs seuils et les règles de sortie doivent être construits sur des connaissances ou des données pertinentes puis validés sur de nouvelles observations.
Une étude de 2026 portant sur plus de 61 000 patients chirurgicaux montre bien cette double réalité : des FFT très parcimonieux ont obtenu, dans ce jeu de données, une performance comparable ou supérieure à plusieurs modèles plus complexes tout en utilisant très peu d’informations, mais les performances restaient globalement modérées et fortement dépendantes de la qualité des données et du compromis entre sensibilité et spécificité. Les auteurs eux-mêmes mettent en garde contre toute conclusion de supériorité générale des FFT.
L’intérêt d’un arbre rapide ne se mesure donc ni au nombre minimal de questions ni à son élégance visuelle.
La question critique est :
« Quels indices suffisent réellement pour prendre cette décision, dans quel ordre devons-nous les examiner, quand pouvons-nous arrêter sans risque excessif, et quelles erreurs sommes-nous prêts à accepter en échange de cette simplicité ? »
Sources principales
Green, Lee & Mehr, David R. (1997). « What Alters Physicians' Decisions to Admit to the Coronary Care Unit? », *Journal of Family Practice*, 45(3), 219-226.
Martignon, Laura, Vitouch, Oliver, Takezawa, Masanori & Forster, Malcolm R. (2003). « Naive and Yet Enlightened: From Natural Frequencies to Fast and Frugal Decision Trees », dans D. Hardman & L. Macchi (dir.), *Thinking: Psychological Perspectives on Reasoning, Judgment and Decision Making*. Wiley. DOI : 10.1002/047001332X.ch10.
Martignon, Laura, Katsikopoulos, Konstantinos V. & Woike, Jan K. (2008). « Categorization with Limited Resources: A Family of Simple Heuristics », *Journal of Mathematical Psychology*, 52(6), 352-361. DOI : 10.1016/j.jmp.2008.04.003.
Phillips, Nathaniel D., Neth, Hansjörg, Woike, Jan K. & Gaissmaier, Wolfgang. (2017). « FFTrees: A Toolbox to Create, Visualize, and Evaluate Fast-and-Frugal Decision Trees », *Judgment and Decision Making*, 12(4), 344-368.
Djulbegovic, Benjamin, Hozo, Iztok, Cuker, Adam & Guyatt, Gordon. (2024). « Improving Methods of Clinical Practice Guidelines: From Guidelines to Pathways to Fast-and-Frugal Trees and Decision Analysis to Develop Individualised Patient Care », *Journal of Evaluation in Clinical Practice*, 30(3), 393-402. DOI : 10.1111/jep.13953.
Lorenz, Robert C. & Jenny, Mirjam. (2024). « Fast-and-Frugal Decision Tree for the Rapid Critical Appraisal of Systematic Reviews », *Research Synthesis Methods*. DOI : 10.1002/jrsm.1754.
Wegwarth, Odette et al. (2026). « Translating Predictive Models into Clinical Practice: Fast-and-Frugal Trees for Postoperative Delirium Using Routine Data », *Scientific Reports*, 16, 12731. DOI : 10.1038/s41598-026-47452-3.
Katsikopoulos, Konstantinos V., Pereira, Susana & Keller, Niklas. (2026). « Fast-and-Frugal Decision Trees for Clinicians », *La Presse Médicale*, 55(4), 104368. DOI : 10.1016/j.lpm.2026.104368.