Dans une étude publiée dans la revue Vieillissement naturel, les chercheurs ont appliqué l’apprentissage automatique pour analyser les trajectoires de santé d’individus en bonne santé au fil du temps et distinguer les facteurs inhérents au vieillissement des risques de maladies chroniques. Ils ont constaté que le modèle pouvait identifier de manière cohérente les premiers indicateurs d’un vieillissement en bonne santé, tels que le nombre de neutrophiles et les niveaux de phosphatase alcaline chez les individus d’Israël, du Royaume-Uni (Royaume-Uni) et des États-Unis d’Amérique (USA).
Étude : L’apprentissage automatique longitudinal dissocie les facteurs de vieillissement en bonne santé des risques de maladies chroniques
Sommaire
Arrière-plan
L’« hypothèse géroscientifique » suggère que cibler les processus universels de vieillissement pourrait favoriser un vieillissement en bonne santé, améliorer la durée de vie et réduire la prévalence des maladies liées à l’âge, notamment le diabète sucré de type 2 (DT2), les maladies cardiovasculaires (MCV) et les maladies rénales chroniques (IRC). , les maladies du foie (LD) et la maladie pulmonaire obstructive chronique (MPOC). La cooccurrence et la corrélation des maladies liées à l’âge et au vieillissement posent des problèmes de modélisation de la causalité. Cela nécessite des approches impartiales pour étudier l’interaction entre le vieillissement en bonne santé et les maladies liées à l’âge.
Bien que les dossiers de santé électroniques (DSE) offrent un potentiel important pour capturer les trajectoires de santé des patients, les données existantes sont limitées (jusqu’à 20 ans), ce qui entrave notre compréhension de la relation entre le vieillissement, la maladie et le risque de maladie. De plus, les études antérieures menées pour modéliser la mortalité et l’âge à l’aide de marqueurs cliniques ne faisaient pas appel à un modèle longitudinal. Pour combler cette lacune, les chercheurs de la présente étude ont développé un modèle basé sur l’apprentissage automatique pour identifier des marqueurs cliniques prédictifs d’un vieillissement en bonne santé sans maladie. Ils ont revisité l’héritabilité et les associations génétiques des phénotypes liés à la longévité.
À propos de l’étude
Les données sur les antécédents médicaux de 4,57 millions de personnes âgées de 30 à 85 ans ont été obtenues à partir de la base de données Clalit Healthcare Services, les suivant pendant une durée médiane de 16,6 ans. Tout d’abord, un modèle d’apprentissage automatique a été développé à partir de l’historique de trois ans de patients âgés de plus de 80 ans. Des tests de laboratoire en corrélation avec la longévité ont été analysés. Ensuite, le potentiel de longévité a été évalué selon les âges en mettant en œuvre un modèle d’apprentissage automatique capable de déduire des trajectoires longitudinales à l’aide d’histoires partielles de patients. Un score de potentiel de longévité a été déterminé pour chaque âge, prédisant une mortalité à cinq ans ou une modification du potentiel de longévité.
De plus, pour comprendre comment la prédisposition à la maladie à vie a potentiellement affecté le score de longévité, les chercheurs ont mis en œuvre un modèle de Markov à risque de maladie étendu en utilisant les données d’apparition de la maladie pour le DT2, les maladies cardiovasculaires, la LD, l’IRC et la BPCO. Les processus physiologiques sous-jacents au potentiel de longévité ont été étudiés chez des individus en très bonne santé à l’aide de marqueurs cliniques sur un suivi de plus de 10 ans.
Le modèle a ensuite été testé sur les bases de données démographiques UKBB (abréviation de UK Biobank) et NHANES (abréviation de National Health and Nutrition Examination Survey). Les patients âgés de 50 ans ont été classés en 15 groupes et leur prédisposition à la maladie, la fréquence des allèles et la mortalité parentale ont été analysées.
Résultats et discussion
Le modèle historique sur trois ans a pu discerner un spectre détaillé de niveaux de risque, mettant en évidence des différences pronostiques significatives, même au sein des 4 % des patients en bonne santé. Les tests de laboratoire pourraient identifier la largeur de distribution des globules rouges (RDW), la protéine C-réactive et l’albumine comme marqueurs continuellement associés au pronostic. Le modèle a fourni une mesure généralisable de la santé qui pourrait classer les patients comme étant en bonne santé et en mauvaise santé, encourageant ainsi l’utilisation de modèles qui suivent quantitativement les changements dans le potentiel de santé. Le modèle distingue avec précision les probabilités de survie des individus au-delà de 85 ans, même à 30 ans.
Les marqueurs cliniques contribuant au score de longévité varient selon l’âge. Alors que la phosphatase alcaline a un impact sur les jeunes adultes, le glucose et le cholestérol semblent affecter le milieu de l’âge adulte et l’albumine et le RDW ont un impact sur les âges plus âgés. Des caractéristiques clés telles que le surpoids, la glycémie et le cholestérol jouent un rôle important dans la prévision du risque de maladie à vie. Les marqueurs du risque de maladie chronique se sont révélés systématiquement faibles chez les individus en très bonne santé. Un score de longévité élevé était indiqué par de faibles niveaux de neutrophiles, de phosphatase alcaline et le rapport des globules rouges microcytaires et hypochromatiques, ainsi que par des niveaux moyens d’indice de masse corporelle, de créatinine et d’enzymes hépatiques.
Il a été démontré que le pouvoir prédictif des modèles augmente avec l’âge, en particulier dans l’identification des personnes à haut risque de maladies comme le DT2 entre 50 et 60 ans, en raison de la sensibilité améliorée du suivi de routine. Les prédispositions estimées à vie aux maladies se sont révélées fortement associées les unes aux autres et corrélées au score de longévité. Cependant, un sous-ensemble d’individus présentait une variation du potentiel de longévité malgré un faible risque de maladie.
Les scores de longévité se sont révélés robustes dans les populations israélienne, américaine et britannique, démontrant un pouvoir prédictif significatif de la longévité chez les individus sans prédisposition connue aux maladies. En outre, le degré de prédisposition à la maladie variait entre les populations à 50 ans. Il a été constaté que les parents présentant les scores de longévité les plus élevés avaient une augmentation d’un an de leur espérance de vie. Selon l’étude, la variation génétique peut également contribuer à la longévité. Les chercheurs recommandent d’utiliser un modèle multivarié de risque de maladie pour interpréter les études d’association à l’échelle du génome.
Conclusion
En conclusion, la présente étude améliore notre compréhension de l’interaction entre le vieillissement et les principales maladies chroniques, ouvrant la voie à des modèles longitudinaux complets pour remplacer les représentations statiques du vieillissement en bonne santé et des maladies courantes. Des recherches plus approfondies sont nécessaires pour quantifier un « état de santé » et étudier les processus physiologiques à la base des résultats liés à la maladie mis en évidence dans l’étude.