Dans une étude récente publiée dans Nature Communications, des chercheurs ont examiné l’impact de l’intégration des ventes de produits pharmaceutiques sans ordonnance pour améliorer la mortalité hebdomadaire enregistrée due aux maladies respiratoires en Angleterre, en utilisant près de deux milliards de transactions dans un grand magasin du Royaume-Uni entre mars 2016 et Mars 2020.
Étude: Évaluer la valeur de l’intégration des données longitudinales nationales sur les achats dans les modèles de prévision des maladies respiratoires. Crédit d’image : Wanannc/Shutterstock.com
Sommaire
Arrière-plan
Les chercheurs étudient l’utilisation de données sociales et comportementales pour anticiper les infections de type grippal et leur impact sur les personnes vulnérables. Ils indiquent intégrer ces données dans des modèles de maladies pour une prévision plus précise.
Les approches traditionnelles, telles que les enquêtes et les auto-évaluations, posent des défis logistiques. Des bases de données alternatives sur l’empreinte numérique permettent une surveillance à long terme des habitudes de santé à grande échelle, augmentant ainsi les observations qualitatives et reflétant les différences entre les populations locales.
À propos de l’étude
Dans la présente étude, les chercheurs ont créé l’outil basé sur l’intelligence artificielle (IA) PADRUS en utilisant les données sur les ventes de produits pharmaceutiques sans ordonnance pour estimer la mortalité hebdomadaire due aux troubles respiratoires.
Cette technologie a augmenté la précision des modèles de prévision des maladies respiratoires et a fonctionné selon la granularité géographique la plus fine des gouvernements locaux.
À l’aide de données sur les ventes au détail et d’achats de médicaments sans ordonnance, le modèle d’apprentissage automatique PADRUS a prédit les décès signalés dus à des maladies respiratoires dans 314 collectivités locales de toute l’Angleterre. L’étude visait à explorer l’efficacité de ces modèles en évaluant le rôle des données de ventes par rapport à d’autres facteurs prédictifs.
Deux modèles de comparaison ont été développés, un pour chacune des 314 autorités locales de niveau inférieur (LTLA) d’Angleterre et l’autre pour une variable dépendante hebdomadaire (caractéristique de sortie) indiquant les décès respiratoires dans la LTLA pour cette semaine. Sur la base de ces informations, des modèles prédictifs ont été construits et évalués pour en dériver le meilleur mécanisme de prévision.
L’analyse de fiabilité de classe de modèle (MCR) a été utilisée pour déterminer l’importance des variables, ce qui peut aider à déterminer la nécessité absolue (MCR-) et l’utilité maximale (MCR+) d’une variable dans les prévisions. En raison des données multicollinéaires partagées et des interactions de type non linéaire entre les variables, le groupe-MCR a été utilisé pour examiner la pertinence des différentes catégories de variables.
Les modèles ont été créés en utilisant des données de ventes et de résultats au Pays de Galles et en Angleterre en utilisant 3 à 31 jours entre le dernier jour de la période globale de ventes d’une semaine et le jour des décès signalés pour générer des horizons de prévision et évaluer si des connexions linéaires existaient.
Les modèles de référence, PADRUS et PADRUNOS étaient non linéaires, utilisaient un régresseur forestier aléatoire et fournissaient des résultats sur des données de test retenues (30 %).
Le modèle PADRUS a utilisé 56 caractéristiques extraites de données commerciales, météorologiques, démographiques, environnementales et socio-économiques.
Le modèle PADRUNOS a été créé en optimisant un régresseur forestier aléatoire à l’aide d’une recherche de grille de validation croisée de séries chronologiques pour prévoir la mortalité hebdomadaire due aux maladies respiratoires pour les 314 LTLA 17 jours auparavant.
L’équipe a évalué les résultats des prévisions hebdomadaires des séries chronologiques dans les LTLA pour les deux modèles et a effectué une stratification plus approfondie par l’indice de privation multiple (IMD) pour explorer l’impact de la situation économique de la population.
Résultats
Les modèles utilisant des données de ventes ont surpassé ceux utilisant des facteurs liés aux maladies respiratoires, tels que les données sociodémographiques et météorologiques. Les progrès en matière de précision ont été plus importants pendant les périodes de risque public le plus élevé.
Entre décembre 2009 et avril 2015, les décès hebdomadaires les plus élevés dus à des maladies respiratoires au Pays de Galles et en Angleterre étaient de 3 521, et les décès hebdomadaires les plus faibles étaient de 868, pour un total de 378 230 décès dus à des maladies respiratoires.
Les régresseurs qui prédisaient les décès respiratoires hebdomadaires en utilisant les informations sur les ventes 17 jours auparavant ont montré les meilleurs résultats, avec une valeur hors échantillon de 0,8 R2 pour les informations conservées (30 %). Les prédictions effectuées 24 jours auparavant ont continué à produire des résultats élevés (R2 0,8, erreur quadratique moyenne (RMSE) 224) ; cependant, les performances étaient sensiblement inférieures lorsqu’elles étaient effectuées ≤ 10 jours ou ≥ 31 jours avant.
Le modèle PADRUS a considérablement surpassé le modèle de base, avec un R2 de 0,8, ce qui a entraîné une précision prédictive nettement supérieure.
Les facteurs les plus importants dans l’élaboration des projections du modèle étaient la taille et l’âge de la population LTLA, les taux de mortalité dus aux maladies respiratoires étant plus élevés dans les populations plus âgées.
Les caractéristiques des données de vente, notamment la fraction des achats de médicaments contre la toux, ont été suivies par la concentration d’IMD et les facteurs météorologiques, qui ont eu une plus grande influence sur les prévisions que les ventes de décongestionnants et les variables liées au logement. Selon l’étude MCR, le nombre de populations dans les trois tranches d’âge reste essentiel pour produire les meilleures projections.
Les caractéristiques de vente ont généré des limites de signification de permutation considérablement plus grandes que l’IMD (MCR-3,7, MCR+ 5,6). La météo (MCR 7,6, MCR+ 7,5) est devenue le deuxième élément le plus important utilisé pour les prévisions.
PADRUS et PADRUNOS ont montré des tendances de prévision similaires entre 2016 et 2020 ; cependant, PADRUS était meilleur que PADRUNOS pour détecter les pics de taux de mortalité respiratoire. L’ajout de données de ventes a amélioré la précision du modèle PADRUS, en particulier pendant les mois d’hiver. PADRUS et PADRUNOS ont montré des prévisions plus précises dans les endroits présentant des concentrations de privation plus élevées, PADRUS surpassant PADRUNOS dans toutes les plages interquartiles de l’IMD.
Conclusion
Dans l’ensemble, les résultats de l’étude ont montré que les données de vente utilisées pour la surveillance de la santé de la population, y compris les données sur les ventes de médicaments sans ordonnance pour gérer les symptômes respiratoires, peuvent améliorer la précision des prévisions des décès respiratoires malgré la granularité géographique élevée requise.
