L’apprentissage automatique peut prédire avec précision les maladies cardiovasculaires et guider le traitement – mais les modèles qui intègrent les déterminants sociaux de la santé capturent mieux les risques et les résultats pour divers groupes, selon une nouvelle étude menée par des chercheurs de la School of Global Public Health et de la Tandon School of Engineering de l’Université de New York. L’article, publié dans le Journal américain de médecine préventive, indique également des possibilités d’améliorer la façon dont les variables sociales et environnementales sont prises en compte dans les algorithmes d’apprentissage automatique.
Les maladies cardiovasculaires sont responsables de près d’un tiers de tous les décès dans le monde et touchent de manière disproportionnée les groupes socio-économiques défavorisés. L’augmentation des maladies cardiovasculaires et des décès est attribuée, en partie, aux conditions sociales et environnementales – également appelées déterminants sociaux de la santé – qui influencent l’alimentation et l’exercice.
« Les maladies cardiovasculaires sont en augmentation, en particulier dans les pays à revenu faible et intermédiaire et parmi les communautés de couleur dans des endroits comme les États-Unis », a déclaré Rumi Chunara, professeur agrégé de biostatistique à la NYU School of Global Public Health et d’informatique et d’ingénierie à NYU Tandon School of Engineering, ainsi que l’auteur principal de l’étude. « Parce que ces changements se produisent sur une si courte période de temps, il est bien connu que nos facteurs sociaux et environnementaux changeants, tels que l’augmentation des aliments transformés, sont à l’origine de ce changement, par opposition aux facteurs génétiques qui changeraient sur des échelles de temps beaucoup plus longues. . »
L’apprentissage automatique – un type d’intelligence artificielle utilisé pour détecter des modèles dans les données – se développe rapidement dans la recherche et les soins cardiovasculaires pour prédire le risque, l’incidence et les résultats des maladies. Déjà, les méthodes statistiques sont essentielles pour évaluer le risque de maladie cardiovasculaire et les directives de prévention américaines. Le développement de modèles prédictifs fournit aux professionnels de la santé des informations exploitables en quantifiant le risque d’un patient et en guidant la prescription de médicaments ou d’autres mesures préventives.
Le risque de maladie cardiovasculaire est généralement calculé à l’aide d’informations cliniques, telles que la pression artérielle et les taux de cholestérol, mais prend rarement en compte les déterminants sociaux, tels que les facteurs au niveau du quartier. Chunara et ses collègues ont cherché à mieux comprendre comment les facteurs sociaux et environnementaux commencent à être intégrés dans les algorithmes d’apprentissage automatique pour les maladies cardiovasculaires : quels facteurs sont pris en compte, comment ils sont analysés et quelles méthodes améliorent ces modèles.
« Les facteurs sociaux et environnementaux ont des interactions complexes et non linéaires avec les maladies cardiovasculaires », a déclaré Chunara. « L’apprentissage automatique peut être particulièrement utile pour capturer ces relations complexes. »
Les chercheurs ont analysé les recherches existantes sur l’apprentissage automatique et le risque de maladie cardiovasculaire, examinant plus de 1 600 articles et se concentrant finalement sur 48 études évaluées par des pairs publiées dans des revues entre 1995 et 2020.
Ils ont découvert que l’inclusion des déterminants sociaux de la santé dans les modèles d’apprentissage automatique améliorait la capacité de prédire les résultats cardiovasculaires comme la réhospitalisation, l’insuffisance cardiaque et les accidents vasculaires cérébraux. Cependant, ces modèles n’incluaient généralement pas la liste complète des variables communautaires ou environnementales qui sont importantes dans le risque de maladie cardiovasculaire. Certaines études ont inclus des facteurs supplémentaires tels que le revenu, l’état matrimonial, l’isolement social, la pollution et l’assurance maladie, mais seulement cinq études ont pris en compte des facteurs environnementaux tels que la possibilité de marcher dans une communauté et la disponibilité de ressources comme les épiceries.
Les chercheurs ont également noté le manque de diversité géographique dans les études, car la majorité utilisait des données des États-Unis, de pays d’Europe et de Chine, négligeant de nombreuses régions du monde connaissant une augmentation des maladies cardiovasculaires.
« Si vous ne faites de la recherche que dans des endroits comme les États-Unis ou l’Europe, vous ne verrez pas comment les déterminants sociaux et d’autres facteurs environnementaux liés au risque cardiovasculaire interagissent dans différents contextes et les connaissances générées seront limitées », a déclaré Chunara.
« Notre étude montre qu’il est possible d’intégrer de manière plus systématique et plus complète les déterminants sociaux de la santé dans les modèles de prévision statistique des risques de maladies cardiovasculaires », a déclaré Stephanie Cook, professeure adjointe de biostatistique à la NYU School of Global Public Health et auteur de l’étude. « Ces dernières années, l’accent a été mis de plus en plus sur la saisie de données sur les déterminants sociaux de la santé – tels que l’emploi, l’éducation, l’alimentation et le soutien social – dans les dossiers de santé électroniques, ce qui crée une opportunité d’utiliser ces variables dans l’apprentissage automatique. études et améliorer encore les performances de prévision des risques, en particulier pour les groupes vulnérables. »
« Inclure les déterminants sociaux de la santé dans les modèles d’apprentissage automatique peut nous aider à démêler les causes des disparités et à attirer l’attention sur les endroits où nous devons intervenir dans la structure des risques », a ajouté Chunara. « Par exemple, il peut améliorer la pratique clinique en aidant les professionnels de la santé à identifier les patients ayant besoin d’être orientés vers des ressources communautaires comme les services de logement et renforce largement la synergie complexe entre la santé des individus et nos ressources environnementales. »
